基于最小错误率的SAR图象分割方法研究

文章提出了一种基于最小错误率的SAR图象自动分割算法。对直方图呈现出多模分布特征的SAR图象,首先运用有限高斯混合分布对SAR图象特征空间的数据统计模型进行估计;其次基于最小错误率原理选取SAR图象自动分割阈值,在先验概率未知和估计条件下,获得目标及其阴影区域的检测结果;最后对两种图象分割结果进行了分析并与SAR图象目标检测的经典方法-恒虚警(CFAR)目标检测方法作了比较。仿真结果表明在先验概率估计下的图象自动分割具有明显的优势和较大的应用潜力。

基于参数化最小割方法的SAR图像区域分割

由于SAR图像中存在大量的相干斑噪声,最小割准则(Minimum Cut Criterion)倾向于分割出小的孤立点集,因此最小割准则难以直接应用于SAR图像分割中。本文给出了一种可以根据需要来控制分割区域大小的参数化最小割准则(Parametric Minimum Cut Criterion),由此减少小的孤立点集的产生。该准则通过构建参数化割树(Parametric Cut Tree)得到理论最优解。为了参数化最小割准则更有效地应用于SAR图像分割,结合了区域分割方法中的四叉树分裂合并技术,给出了一种基于图论的SAR图像区域分割算法。在利用四叉树技术分裂图像时,根据SAR图像的统计特性,给出了一种新的区域一致性度量,有效地抑制了相干斑噪声的影响。实验结果表明了本文方法的有效性。