(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210854382.9 (22)申请日 2022.07.14 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 余航　刘志恒　郭玉茹　周绥平　 蒋浩然　李晨阳　尹相杰　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 程晓霞　王品华 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/13(2017.01) G06T 7/40(2017.01) G06V 10/762(2022.01) G06V 10/80(2022.01) (54)发明名称 基于纹理特征和SLIC的SAR图像分割方法 (57)摘要 本发明提出了一种基于纹理特征和SLIC的 SAR图像分割方法， 解决了SAR噪声和复杂纹理导 致的分割精度低的技术问题。 实现步骤为： 将SAR 图像分为K个超像素块； 获得更新后的聚类中心 C'i； 获得SAR图像的边缘图像； 获得搜索区域； 计 算搜索区域的纹理特征； 基于SLIC算法对SAR图 像进行分割。 本发明对序列 三值化， 降低噪声 影响和计算量； 通过三值化序列Hk的平均频谱 AMP的收敛性获得搜索区域Ω， 计算区域Ω的纹 理特征； 通过SLIC算 法获得SAR图像的分割结果， 用于SAR图像分割。 权利要求书3页 说明书12页 附图2页 CN 115131373 A 2022.09.30 CN 115131373 A 1.一种基于纹 理特征和SLIC的SAR图像分割方法， 其特 征在于， 包括如下步骤： (1)将SAR图像I分为K个超像素块： 输入待分割的SAR图像I， 设所输入的SAR图像I的像 素值大小为L ×W,则SAR图像I中一共有N个像素， 其中， N＝L ×W， SAR图像I的像素矩阵为 其中， I(xl,yu)表示SAR图像I中第l 行第u列的像素， 随机分配K个原始聚类中心Ci＝[li,ai,bi,xi,yi]T， 其中， i表示第i聚类中 心， i＝1,……,K， 将SAR图像I划分成K个超像块， 每 个超像素的边长为 (2)更新聚类中心Ci， 获得更新后的聚类中心C ′i： 在原始聚类中心的3*3邻域内， 将梯度 值G(x,y)最小的像素设为更新后的聚类中心C ′i， 其中， i表示第i聚类中心， i ＝1,……,K； (3)计算每一个更新后的聚类中心C ′i的边缘算子： 在以第一个更新后的聚类中心C ′1为 中心像素的(2S+1) ×(2S+1)邻域内， 将邻域分为四个部分， 从左到右从上到下依次表示为 和 四个部分水平加权求和， 得到更新后的聚类中心C ′1的水平方向的边缘算 子 四个部分垂直加权求和， 得到聚类中心C ′i的垂直方向的边缘算子 同理， 计算得到 其他的更新后的聚类中心C ′i水平边缘算子 和垂直边缘算子 (4)获得SAR图像I的边缘图像EI： 将第一个更新后的聚类中心C ′1的水平方向 和垂直 方向 分别与高斯卷积核G结合， 得到水平方向的边缘系数 和垂直方向的边缘系数 则第一个更新后的聚类中心C ′1的边缘系数为 同理， 计算得到其他的更 新后的聚类中心C ′i的边缘系数为 所有的更新后的聚类中心的边缘系 数构成SAR图像I的边 缘图像EI； (5)计算每一个更新后的聚类中心C ′i的不同步长的序列 以SAR图像I上的第一个更 新后的聚类中心C1'为起点， 计为点(x1,y1)， 点(x1,y1)处的序列为 沿着y方向， 以N/100为 步长， 得到第二个点为(x1,y1+N/100)， 点(x1,y1+N/100)处的序列为 以2×N/100为步长， 得到 第三个点为(x1,y1+2×N/100)， 点(x1,y1+2×N/100)处的序列为 依次类推， 以(n ‑1)×N/100为步 长， 得到第n个点为(x1,y1+(n‑1)×N/100)， 点(x1,y1+(n‑1)×N/100)的序列为 表示为 n表示为第n个点的序列， n＝1,2,3, …； 同 理， 计算得到所有的 的聚类中心C ′i的不同步长的序列 其中， k＝1,2, ……,K， 表示第k个更新后 的聚类中心的序列， K表示聚类中心的个数； (6)将每一个序列 三值化， 获得三值化序列Hk的频谱： 将第一个序列 三值化， 得到三权　利　要　求　书 1/3 页 2 CN 115131373 A 2值化序列为 利用快速傅里叶变换FFT计算三值化序列H1的频谱， 获 得三值化序列H1的频谱FH1； 同理 ， 将其他的序列 三值化 ， 得到三值化序列 获得三值化序列Hk的频谱FHk； (7)计算三值化序列Hk的平均频谱AMP， 获得搜索区域Ω： 得到三值化序列Hk的频谱FHk 后， 计算频谱FHk的平均频谱AMP， 如 果AMP在点 处收敛， 则搜索区域的最远点为 点 如果AMP是不收敛的， 则搜索区域的最远点为图像梯度极值点， 得到以最远点 为半径的搜索区域Ω； (8)计算搜索区域Ω的纹理特征FT： 得到搜索区域Ω后， 计算区域Ω的纹理特征FT， 其中， 为区域Ω的平均强度， α4表示峰度， α4＝μ4/σ4， μ4表示区域Ω均 值的四阶矩， δ4是区域Ω的方差； (9)基于SLIC算法对SAR图像I进行分割： 将SLIC算法与纹理特征相融合， 对SAR图像I进 行分割； (9a)将边界系 数e最小的像素设置为边界系数聚类中心 在以第一个更新后的聚类 中心C′1为中心像素的3 ×3邻域内， 将边界系数e最小的像素设置为边界系数聚类中心 边界系数聚类中心 的坐标为(x ′1,y′1)， 边界系数聚类中心 的灰度值为g1， 边界系数聚 类中心 的纹理特征为FT1； 同理， 在以其他的更新后的聚类中心C ′i为中心像素 的3×3邻 域内， 将边界系数e最小的像素设置为边界系数聚类中心 边界系数聚类中心 的坐标 为(x′i,y′i)， 边界系数聚类中心 的灰度值 为gi， 边界系数聚类中心 的纹理特征为FTi； (9b)计算SAR图像I上像素与边界系数聚类中心 之间的距离D， 获得分割图像I ′： 计算 SAR图像I上像素与边界系数聚类中心 之间的距离D， 将像素分配给距离最近的边 界系数 聚类中心， 其中， D＝α ·dw+dg+dt， dg为表示SAR图像I上像素与聚类中心之间的灰度值距离， dt表示SAR图像I上像素与聚类 中心之间的纹理距离， dw表示SAR图像I上像素与聚类 中心之 间的空间距离， α 是决定超像素质量的影响系数， 边缘的像素与不位于边缘的像素应该选取 不同的α， 其中， el,u是像素点(xl,yu)的边缘系数， max(EI) 是边缘图像EI中的最大值， q＝91％， 最终得到SAR图像I的分割图像I'。 2.根据权利要求1所述的基于纹理特征和SLIC的SAR图像分割方法， 其特征在于， 步骤 (2)中所述的： 更新聚类中心Ci， 获得更新后的聚类中心C ′i， 其中的梯度值Gi(x,y)的计算公 式为： Gi(x,y)＝dxi(x,y)+dyi(x,y)权　利　要　求　书 2/3 页 3 CN 115131373 A 3