基于灰度共生矩阵及模糊神经网络SAR图像分割.docVIP

基于灰度共生矩阵及模糊神经网络SAR图像分割合成孔径雷达(Synthetic Aperture Radar)，是采用搭载在卫星或飞机上的移动雷达，达到大型天线同样精度的雷达系统。SAR图像包含有相干斑噪声，利用传统方法对其进行图像分割已经不能达到最佳效果。本文结合模糊神经网络的特点以及SAR图像的统计特征，提出一种新型的SAR图像分割法。 SAR图像；灰度共生矩阵；模糊神经网络 [中图分类号]TN957.52[文献标识码]A [文章编号]1009-9646（2011）03-0078-02 引言：图像SAR具有全天时、全天候的高分辩成像能力以及矿山、植被、土壤等具有一定的穿透能力，对国防建设和国民经济发展都起到了举足轻重的作用。但SAR图像中相干斑噪声的存在使得其图像分割工作显得相当复杂。目前，可用作SAR图像分割的特征包括灰度特征和纹理特征①。由于SAR图像反映的是地物对雷达波的后向散射特征，对于具有相同或者相近的后向散射系数的地物可能会在SAR图像中表现为相似的灰度值，加之相干斑噪声的干扰，从而导致混淆。因此仅仅利用灰度特征进行分割的结果在实际应用中非常不理想。本文在此将原始的SAR图像的纹理特征和滤噪后的灰度特征结合起来，从而实现了SAR图像的分割②。 一、灰度共生矩阵 灰度共生矩阵(gray level cooccurrence matrix)③是反映图像区域微观纹理的有力工具，它按一定的空间关系描述像素点对之间的灰度相关性。在实际操作中，作为作为纹理分析的特征量,往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量,称为二次统计量。Haralick等人由灰度共生矩阵提取了十四种特征，本文采用了以下对SAR图像而言应用效果较好的四种常用特征： =log / || 上式中：是灰度共生矩阵中位置元素的值。对SAR图像中每一成像元素求出某种领域的灰度共现矩阵，再求出相关的统计量，就得到了对应该统计量的纹理图像。 二、波波率 基于小波变换的融合方式能最大限度地保持光谱特性，而SAR波段所得到的信息取决于物体的集合性质和介电特性，SAR乘性噪声为模型：Z=XV，将图像依次进行对数变换和小波变换，得到：+，以上的小波滤波方法可以很容易对SAR图像进行去噪处理。 三、糊神经网络 首先基于模糊神经网络的结构进行研究，第一层为输入层，第二层是隐层，若已知该层的类型有M类，则隐层有M个神经元，其算法如下： 第三层是输出层，是用来输出最终分类结果的。当输入的特征向量相对于任何一类型的隶属度小于阀值，表示输入的特征向量属于未知类型，结果为0。输出层只有一个神经元法为： sgn[max()] 四、R图像分割步骤 （1）为简化计算，在新方法中将原图像划分为小规模块，即所谓的子图像，笔者在此就是将子图像设定为8x8像元，以增强其可辨度。 （2）采用灰度共生矩阵求解各个子图像的4个统计特征，作为小块图像的纹理特征。同时各区间内不同纹理图像的特征值差距比较明显，充分说明各个特征均具有非常好的可区别性，有利于图像分类或检索时的特征识别。 （3）对原图像进行小波滤波，并对滤波后的图像采用本文前部分列示的模型进行分法，然后计算各小块图像的灰度值，作为小块图像的灰度特征。小波系数局部标准差融合策略在分辨率增强和光谱信息保持的综合性能最优，能够提高空间的细节表达能力同时略微降低了光谱信息的保持能力，在一定程度上有助于SAR成图效果检测。 （4）将上述第二部分求的的4个灰度共生矩阵特征和第三部分得到的灰度特征组成的特征矢量，采用模糊神经网络对SAR图像进行分割。 五、验结果 笔者在本文中将SAR图像分割成8x8小块，为验证该方法的有效性，笔者同时也采用了传统的方法对原始SAR图像进行分割，即阀值分割法――基于瑞利分布的阀值分割以及基于边缘信息图像分割――利用Robert算子提取边缘信 息的图像分割法和模糊C-均值聚类分割法④，均可以达到笔者的研究目的。 六、 从本文可以看出，在含有噪声的SAR图像分割上，一般的方法都很难取得较好的效果。Robert算子边缘提取分割根本难以将目标和背景分开。而基于瑞利分布的阀值分割则因为大量噪音的干扰其分割效果也不大明显。模糊C-均值聚类分割法在目标和背景上的区分难度也较大。因此只有基于灰度共生矩阵和模糊神经网络的的SAR的图像分割法，无论是对噪声的抗干扰能力还是对目标背景的提取都有非常好的效果。为进一步使用神经网络进行SAR图像分割打下良好的基础。 [1]Lee J S.Segmentation of SAR Image[J].IEEE Transact