由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算...由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算法。该算法首先对SAR图像进行各项异性高斯平滑预处理,使得图像相干斑得到平滑的同时边缘信息不被破坏;其次,采用CV估计边缘信息,使得图像的同质区与边缘区更容易区分;最后用加入边缘信息的SLIC算法进行聚类,生成超像素。实验结果表明:该算法在SAR图像分割下与3种经典超像素算法相比,其召回率至少提高了5%,且超像素个数大于400时,欠分割错误率降低了2%。该算法使得SAR图像超像素分割的准确度提高,其边缘和图像真实边缘更加贴切。展开更多
文摘由于简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对含有相干斑噪声的合成孔径雷达(synthetic aperture radar,SAR)图像边缘分割不理想,提出了一种基于变差系数(coefficient of variation,CV)的SAR图像超像素分割算法。该算法首先对SAR图像进行各项异性高斯平滑预处理,使得图像相干斑得到平滑的同时边缘信息不被破坏;其次,采用CV估计边缘信息,使得图像的同质区与边缘区更容易区分;最后用加入边缘信息的SLIC算法进行聚类,生成超像素。实验结果表明:该算法在SAR图像分割下与3种经典超像素算法相比,其召回率至少提高了5%,且超像素个数大于400时,欠分割错误率降低了2%。该算法使得SAR图像超像素分割的准确度提高,其边缘和图像真实边缘更加贴切。
