(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 202211072177.3 (22)申请日 2022.09.02 (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　孙逸博　蒋浩然　 周绥平　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 陈宏社　王品华 (51)Int.Cl. G06T 7/187(2017.01) G06V 10/762(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/74(2022.01)G06V 20/13(2022.01) (54)发明名称 基于SLIC超像素的SAR图像多特征区域合并 方法 (57)摘要 本发明提出了一种基于SLIC超像素的SAR图 像多特征区域合并方法， 用于提高SAR图像分割 精度。 实现步骤为： 采用SLIC超像 素算法对SAR图 像进行分割； 提取每个超像素的灰度特征和纹理 特征； 获取每两个相邻超像素之间的相似性系 数； 确定待合并的超像素对； 计算每个待合并超 像素对的合并指数； 获取SAR图像多特征区域合 并结果； 判断超像素的个数与阈值的大小； 输出 新合并的超像素的SAR图像。 本发明首先使用 SLIC超像素算法对SAR图像进行过分割， 然后借 助不同特征将相邻超像素融合， 提高了SAR图像 的分割精度。 权利要求书3页 说明书6页 附图2页 CN 115423838 A 2022.12.02 CN 115423838 A 1.一种基于SL IC超像素的SAR图像多特 征区域合并方法， 其特 征在于， 包括如下步骤： (1)采用SL IC超像素算法对SAR图像进行分割： 输入一幅大小为m ×n的SAR图像， 采用简单线性迭代聚类SLIC超像素算法对该SAR图像 进行分割， 得到K个超像素S＝{S1,S2,...,Sk,...,SK}， 其中， p为预设的超像素大 小， 20≤p≤25， Sk表示包含Qk个像素且周长为 λk的第k个超像素； (2)设迭代次数为 num， 并令num＝0； (3)提取每 个超像素的灰度特 征和纹理特征： 提取每个超像素Sk包括b个灰度级的灰度直方图Hk， 将Hk作为超像 素Sk的灰度特征， 得到 K个超像素Sk对应的灰度特征集合H＝{H1,H2,...,Hk,...,HK}， 同时通过灰度共生矩阵提取 每个超像素Sk的纹理特征Tk＝{Rk,Ek,Dk}， 得到K个超像素Sk对应的纹理特征集合T＝{T1, T2,...,Tk,...,TK}， 其中， Rk、 Ek、 Dk分别表示Sk的对比度、 能量、 熵； (4)获取每两个相邻超像素之间的相似性系数： (4a)计算每两个超像素Si与Sj之间的灰度特征相似性系数GH i,j、 纹理特征相似性系数 GT i,j， 并通过GH i,j和GT i,j计算Si与Sj之间的相似性系数Gi,j： Gi,j＝α(GH i,j+GT i,j) 其中， i∈[1， K]， j∈[1， K]， 且i≠j， α表示相邻因子， βi表示第i个超像素Si的归一化系 数， Hi(f)表示第i个超像素Si的灰度直方图Hi第f个区间的值， GR i,j、 GE i,j、 GD i,j分别表示每两 个超像素Si与Sj之间的对比度相似性系数、 能量相似性系数和熵相似性系数， ω1、 ω2、 ω3分 别表示GR i,j、 GE i,j、 GD i,j的权重； (4b)将K个超像素S中U个相邻的超像素的相似性系数组合为相邻超像素对相似性系数 集合G＝{G1,G2,...,Gu,...,GU}； (5)确定待合并的超像素对： 采用k均值聚类算法kmeans将相邻超像素对相似性系数集合G聚为c类， 并计算每一类 的平均相似性系数， 然后将平均相似性系 数最小的一类包含的Y个相邻超像素对相似性系 数X＝{G1,G2,...,Gy,...,GY}对应的相邻超像素对O＝{W1,W2,...,Wy,...,WY}作为待合并的 超像素对； (6)计算每 个待合并超像素对的合并指数： 计算每个待合并超像素对Wy的包围系数zy， 并通过zy和Wy的相似性系数Gy计算Wy的合并权　利　要　求　书 1/3 页 2 CN 115423838 A 2指数Ay， 得到合并指数集 合A＝{A1,A 2,...,Ay,...,AY}， 其中： Ay＝Gy×zy 其中， λρ和 λτ分别表示相邻的超像素对Wy中两个超像素各 自的周长， Δλy表示相邻超像 素对Wy中两个超像素的公共周长； (7)获取SAR图像多特 征区域合并结果： 对合并指数集合A中指数值最小的相邻 超像素对进行合并， 判断num≥95 ％K是否成立， 若是， 输出包 含5％K个新 合并的超像素的SAR图像， 否则令num＝ num+1， 并执 行步骤(3)。 2.根据权利要求1所述的基于SLIC超像素的SAR图像多特征区域合并方法， 其特征在 于， 步骤(1)中所述的采用简单线性迭代聚类SLIC超像素算法对该SAR图像进行分割， 实现 步骤为： (1a)在SAR图像内， 按照预期的超像素个数K， 均匀地将K个像素作为K个超像素的聚类 中心， 相邻聚类中心的距离为 (1b)计算每个聚类中心的l ×l邻域内所有像素点的灰度梯度值， 将聚类中心移到该邻 域内灰度梯度最小的像素点上， 得到新的聚类中心， 设新的聚类中心的位置坐标是(xr, yl)， 灰度为θ； (1c)计算每个聚类中心周围 的邻域内的像素点与该聚类中心的的颜色距离 dc和空间距离 ds， 之后计算邻域内像素点与该聚类中心的距离DN， 并将每个像素划分到与 它距离最近的聚类中心对应的超像素中， 其中： dc＝θ‑θ' 其中(xr',yl')为邻域内像素点的位置坐标， θ'为邻域 内像素点的灰度 值， Ns是类内最 大空间距离， Nc是最大的颜色距离， Nc＝max(dc)； (1d)重复步骤(1b)到(1c)， 次数达到10次时停止， 最终得到K个超像素S＝{S1,S2,..., Sk,...,SK}。 3.根据权利要求1所述的基于SLIC超像素的SAR图像多特征区域合并方法， 其特征在 于， 步骤(3)中所述的通 过灰度共生矩阵提 取每个超像素Sk的纹理特征Tk＝{Rk,Ek,Dk}， 实现 步骤为； (3a)构建每个超像素Sk的维度为Θ ×Φ的灰度共生矩阵， 灰度共生矩阵的阵元是按照 一定的平移方向， 相距为ε 的两个像素的灰度值同时出现的联合概率， 用 表示， 其中 θ和 分别表示该阵元 所属的行 数和列数； (3b)对比度Rk， 能量Ek， 熵Dk的计算公式分别为：权　利　要　求　书 2/3 页 3 CN 115423838 A 3