為解決經(jīng)典的測地線活動輪廓(geodesic active contour, GAC)模型在合成孔徑雷達(synthetic aperture radar,SAR)圖像上不適用的問題,在原GAC模型的基礎上提出一種新的分割方法。首先在ROEWA算子進行邊緣檢測的同時使用Frost濾波器對圖像進行負指數(shù)加權,形成邊濾波邊檢測的模式,提高了算子的邊緣檢測與定位能力;然后使用經(jīng)驗閾值對ROEWA強度進行二值化,提高了曲線演化的速度與精確度;最終使用二值化的改進后ROEWA算子替代原GAC模型中的全局梯度項作為邊緣指示函數(shù)引導圖像分割。實驗結果表明,針對仿真SAR圖像及真實河流SAR圖像,分割效果與參數(shù)指標都有明顯提升。 

【文章來源】：科學技術與工程. 2020年20期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

各方法在圖5(b)上的分割結果比較

GAC模型在大多數(shù)光學圖像上都能取得很好的分割效果,但直接應用在SAR圖像上會導致分割失敗。原模型中的邊緣指示函數(shù)g是基于圖像的梯度的,普通圖像中的加性噪聲可以通過高斯平滑抑制,而SAR圖像夾雜的大量乘性噪聲卻有著嚴重干擾,導致梯度算子失效,最終達不到理想的分割效果。如圖1所示,GAC模型在仿真SAR圖像與真實SAR圖像上受相干斑的干擾導致曲線演化緩慢且不能收斂至圖像邊緣最終分割失敗。2 改進的GAC模型

式(11)中:m為中心像素;衰減因子 ψ(k)= μδ Ι (k) Ι ˉ (k) , Ι ˉ (k) 和δI(k)分別表示位置k處圖像I在窗內的均值與標準差,μ為待定常數(shù)。將經(jīng)過Frost負指數(shù)加權后的圖像 Ι ∧ (m) 替代原始圖像I送入ROEWA的計算公式,將改進后的ROEWA算子強度命名為 r ∧ max 。如圖2所示,圖像中的相干斑被削弱,同時邊緣檢測的能力得到了提升。2.2 基于GAC模型的SAR圖像分割方法

【參考文獻】：
期刊論文
[1]基于二維能量檢測的艦船SAR圖像閾值分割[J]. 邱洪彬,王雪梅,許哲,張鈞,宿常鵬.  系統(tǒng)工程與電子技術. 2019(12)
[2]一種改進的Otsu多閾值SAR圖像分割方法[J]. 楊蘊,李玉,王玉,趙泉華.  遙感信息. 2019(04)
[3]基于CV模型改進的磁共振成像圖像分割方法[J]. 蘭紅,韓紀東.  科學技術與工程. 2018(28)
[4]基于Bregman散度和RSF模型的水平集圖像分割方法[J]. 程丹松,何仕文,石大明,劉曉芳.  哈爾濱工業(yè)大學學報. 2018(05)
[5]SAR圖像河流分割的加權指數(shù)區(qū)域能量模型[J]. 韓斌,吳一全.  測繪學報. 2017(09)
[6]邊緣懲罰層次區(qū)域合并SAR圖像分割算法[J]. 張澤均,水鵬朗.  電子與信息學報. 2015(02)
[7]一種新的SAR圖像局部統(tǒng)計活動輪廓模型及算法[J]. 劉光明,孟祥偉.  武漢大學學報(信息科學版). 2015(05)



本文編號：2920263