張澤均,水鵬朗

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

G0分布中鏈碼網(wǎng)格SAR圖像分割算法

張澤均,水鵬朗

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

為了降低合成孔徑雷達(dá)(SAR)圖像場(chǎng)景復(fù)雜度對(duì)SAR圖像分割結(jié)果的影響,提出一種基于最短描述長(zhǎng)度(MDL)準(zhǔn)則的自適應(yīng)權(quán)值SAR圖像分割模型.該模型利用G0分布描述SAR圖像數(shù)據(jù),用鏈碼網(wǎng)格對(duì)SAR圖像中區(qū)域的邊緣進(jìn)行編碼.提出一種利用SAR圖像數(shù)據(jù)自適應(yīng)地估計(jì)分割模型權(quán)值的方法.利用區(qū)域合并技術(shù)實(shí)現(xiàn)SAR圖像分割模型快速最小化.實(shí)驗(yàn)結(jié)果表明,與兩種同類方法相比,文中方法有效地減輕了紋理區(qū)域的過(guò)分割程度.

合成孔徑雷達(dá)圖像分割;G0分布;鏈碼網(wǎng)格;區(qū)域合并技術(shù)

隨著合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)成像的發(fā)展,SAR圖像的運(yùn)用更廣泛[1].圖像分割技術(shù)為SAR圖像解譯提供可靠的區(qū)域和邊緣信息,它將一幅SAR圖像分割成互不重疊的子區(qū)域[2].一類有效的SAR圖像分割方法是基于模型的方法[3-5],它首先對(duì)SAR圖像分割問(wèn)題建模,然后通過(guò)優(yōu)化求解模型實(shí)現(xiàn)圖像分割.基于最短描述長(zhǎng)度(Minimum Description Length,MDL)準(zhǔn)則[6]的模型分割方法是一種經(jīng)典的圖像分割方法[4-5,7].

1978年Rissanen提出MDL準(zhǔn)則估計(jì)數(shù)據(jù)模型的參數(shù)個(gè)數(shù)[6].Leclerc首次利用MDL準(zhǔn)則對(duì)圖像分割問(wèn)題建模[8].Zhu和Yuille基于MDL準(zhǔn)則提出將經(jīng)典的蛇方法、區(qū)域生長(zhǎng)、區(qū)域合并和貝葉斯方法統(tǒng)一于一體的區(qū)域競(jìng)爭(zhēng)算法[9].Galland等[4]利用多邊形網(wǎng)格劃分圖像區(qū)域,建立了不需要調(diào)整參數(shù)的MDL準(zhǔn)則SAR圖像分割模型,遞歸地變形多邊形網(wǎng)格的形狀實(shí)現(xiàn)模型優(yōu)化求解.文獻(xiàn)[4]中的方法要求SAR圖像數(shù)據(jù)服從Gamma分布,而在不滿足要求的紋理或者場(chǎng)景復(fù)雜區(qū)域,分割結(jié)果中存在嚴(yán)重的過(guò)分割.針對(duì)這個(gè)問(wèn)題,文獻(xiàn)[5]利用Fisher分布對(duì)SAR圖像數(shù)據(jù)建模,改善了處理復(fù)雜場(chǎng)景SAR圖像的能力,但它仍存在如下問(wèn)題:算法性能與效率對(duì)初始多邊形網(wǎng)格敏感;多邊形網(wǎng)格變形過(guò)程增加了算法的時(shí)間復(fù)雜度;分割模型中沒有考慮地面場(chǎng)景復(fù)雜度對(duì)分割結(jié)果的影響,降低了處理復(fù)雜場(chǎng)景SAR圖像的能力.

針對(duì)以上問(wèn)題,筆者利用G0[3,10]分布對(duì)SAR圖像建模和鏈碼網(wǎng)格編碼區(qū)域邊緣,建立一種基于MDL準(zhǔn)則的自適應(yīng)加權(quán)SAR圖像分割模型.利用區(qū)域合并技術(shù)快速最小化SAR圖像分割模型.文中方法具有如下特點(diǎn):利用鏈碼網(wǎng)格編碼和區(qū)域合并技術(shù)簡(jiǎn)化了分割模型的計(jì)算,提高了算法的效率;分割模型中引入權(quán)值來(lái)度量場(chǎng)景復(fù)雜度對(duì)分割結(jié)果的影響,提出了一種自適應(yīng)權(quán)值估計(jì)方法,提高了算法的性能.

1 SAR圖像分割模型的建立

MDL準(zhǔn)則是根據(jù)卡爾莫戈羅夫復(fù)雜度理論[11]建立的一種數(shù)據(jù)最優(yōu)編碼準(zhǔn)則.它首先將一幅N=Nx× Ny個(gè)像素的強(qiáng)度SAR圖像I={I(x,y):1≤x≤Nx,1≤y≤Ny},分割成M個(gè)互不相交的子區(qū)域,?M= {R1,R2,…,RM},每個(gè)子區(qū)域用其邊緣來(lái)界定;然后,分別對(duì)每個(gè)子區(qū)域的像素和邊緣進(jìn)行編碼.設(shè)區(qū)域Ri內(nèi)像素的編碼長(zhǎng)度為L(zhǎng)I,i,其概率密度函數(shù)P(·;θi)的編碼長(zhǎng)度為L(zhǎng)G,i,所有區(qū)域邊緣的編碼長(zhǎng)度為L(zhǎng)B. MDL準(zhǔn)則的目的是尋找SAR圖像的一個(gè)最優(yōu)分割,使

模型(1)中面臨的問(wèn)題是區(qū)域像素建模和區(qū)域邊緣的編碼.

G0分布憑其對(duì)復(fù)雜場(chǎng)景SAR圖像數(shù)據(jù)的精確建模能力而被應(yīng)用于SAR圖像處理中[3,10].文中利用G0分布對(duì)強(qiáng)度SAR圖像建模.區(qū)域Ri內(nèi)像素的概率密度函數(shù)為[10]

其中,ni為區(qū)域Ri的視數(shù);γi為尺度參數(shù);αi為形狀參數(shù),它與場(chǎng)景的地面起伏程度有關(guān),當(dāng)?shù)孛孑^平滑時(shí), αi值較小,起伏較大時(shí),αi值較大.G0分布能用來(lái)描述地面起伏范圍較大的場(chǎng)景的雷達(dá)回波數(shù)據(jù),實(shí)現(xiàn)對(duì)復(fù)雜場(chǎng)景SAR圖像數(shù)據(jù)的精確建模.

由式(2)和香農(nóng)編碼原理,區(qū)域Rk內(nèi)像素值的平均編碼長(zhǎng)度依概率收斂于,其中,Nk為區(qū)域Rk的像素個(gè)數(shù),HG,k為區(qū)域Rk的G0分布的熵

對(duì)于區(qū)域Rk的概率分布函數(shù)G0分布的平均編碼長(zhǎng)度[4]LG,k為3 ln Nk2.

區(qū)域邊緣的編碼長(zhǎng)度由邊緣的編碼方式?jīng)Q定.文獻(xiàn)[4-5]利用多邊形網(wǎng)格近似區(qū)域的邊緣,利用最大熵原理計(jì)算多邊形網(wǎng)格的編碼長(zhǎng)度,其時(shí)間復(fù)雜度較高.文中利用鏈碼網(wǎng)格編碼區(qū)域邊緣,如圖1所示.區(qū)域邊緣的鏈碼網(wǎng)格的編碼長(zhǎng)度LB為

圖1 區(qū)域邊緣的鏈碼網(wǎng)格

其中,集合E為相鄰區(qū)域?qū)?若區(qū)域Ri與Rj相鄰,那么(i, j)∈E,Γij為它們之間的公共邊緣像素集合,表示?M中的公共邊的條數(shù).

(1)L(Γij)為區(qū)域Ri與Rj之間公共邊緣的編碼長(zhǎng)度:為公共邊緣Γij的長(zhǎng)度.ln3表示從當(dāng)前點(diǎn)走向下一點(diǎn)的可能走向有3個(gè)選擇(左、右和前),如圖1所示的整數(shù)編碼長(zhǎng)度…,其中,c≈2.865 064,等號(hào)右邊累加所有正數(shù)項(xiàng);

(2)對(duì)于每條公共邊緣,需要存儲(chǔ)其起始坐標(biāo),編碼長(zhǎng)度為ln N位.

將式(3)和式(4)帶入式(1)中,即得到SAR圖像分割模型為

式(5)由兩部分組成:SAR圖像數(shù)據(jù)編碼長(zhǎng)度和參數(shù)編碼長(zhǎng)度.權(quán)值λ均衡兩部分編碼長(zhǎng)度對(duì)分割結(jié)果的影響,它與SAR圖像的場(chǎng)景復(fù)雜度有關(guān).

2 分割模型優(yōu)化求解

利用區(qū)域合并技術(shù)遞歸地合并初始分割結(jié)果中使式(5)降低最快的相鄰區(qū)域,實(shí)現(xiàn)分割模型的最小化.利用對(duì)數(shù)矩估計(jì)方法估計(jì)G0分布的參數(shù),提出一種自適應(yīng)權(quán)值λ估計(jì)方法.

2.1 初始分割

文中直接利用文獻(xiàn)[12]中的結(jié)合多方向比例邊緣檢測(cè)算子和分水嶺變換的初始分割方法獲得SAR圖像的初始分割結(jié)果.該方法中,多方向比例邊緣檢測(cè)算子的矩形的長(zhǎng)度、寬度、兩個(gè)矩形之間的距離和矩形與水平方向之間的夾角數(shù)分別為9、3、1和16,閾值處理過(guò)程中的分位數(shù)為0.35.圖2中給出了4幅SAR圖像的初始分割結(jié)果.

圖2 SAR圖像的初始分割

2.2 基于區(qū)域合并的模型優(yōu)化算法

利用區(qū)域鄰接圖(Region Adjacency Graph,RAG)表示分割結(jié)果,并利用最近鄰圖(Nearest Neighbor Graph,NNG)加速區(qū)域合并過(guò)程.

SAR圖像的分割結(jié)果?M的RAG為一個(gè)無(wú)向圖GM,GM=(VM,EM,WM),其中,頂點(diǎn)集VM為區(qū)域像素集合,即v∈VM,v={(x,y)|(x,y)∈Rv};邊集EM為公共邊界集,若區(qū)域Ru和Rv相鄰,則euv∈EM, euv={(x,y)|(x,y)∈?Ru∩?Rv},它們之間的權(quán)值w(u,v)∈WM定義為合并相鄰區(qū)域Ru和Rv時(shí),式(5)的減少量為

圖3 圖像區(qū)域的RAG及其NNG

為了加速區(qū)域合并過(guò)程,利用RAG的NNG加速RAG中最大權(quán)值wmax(u,v)的搜索.一個(gè)RAG GM的 NNG定義為一個(gè)有向圖Gd,M,Gd,M=(VM,Ed,M,Wd,M),其中,Ed,M是有向邊集,當(dāng)euv∈EM,且w(u,v)= max{w(u,k)|k∈N(u)}時(shí),存在一條從u指向v的有向邊〈u,v〉∈Ed,M,N(u)為與u相鄰的區(qū)域集,且w(u,v)∈Wd,M.圖3(c)為圖3(b)中RAG的NNG示意圖.從圖3(c)看出,一個(gè)RAG的NNG由多個(gè)有向子圖構(gòu)成,最多/2個(gè)子圖,每個(gè)子圖僅存在一個(gè)環(huán),且環(huán)上的權(quán)值是該子圖的最大權(quán)值.這樣,NNG中的最大權(quán)值環(huán)就是RAG中的最大權(quán)值.

進(jìn)行區(qū)域合并時(shí),RAG GM及其NNG Gd,M的局部更新算法如下:

算法1 RGA和NNG更新算法

輸入:RAG GM,NNG Gd,M,合并區(qū)域Ru和Rv.

輸出:更新后的RAG GM-1和NNG Gd,M-1.

(1)合并相鄰區(qū)域Ru和Rv,產(chǎn)生新的區(qū)域Rk;

(2)更新VM-1:VM-1=(VM-{u,v})∪{k};

(3)更新EM-1:令eu*={eui|eui∈EM}∪{eiu|eiu∈EM}和ev*={evi|evi∈EM}∪{eiv|eiv∈EM}, NE=eu*∪ev*,V*={l|eul∈NE}∪{l|elu∈NE}∪{l|evl∈NE}∪{l|elv∈NE},那么EM-1=(EM-euv-NE)∪{eki|i∈V*};

(4)更新WM-1:WM-1=(WM-w(u,v)-{w(u,i),w(i,u),w(v,i),w(i,v)|i∈V*})∪{w(k,j)| j∈V*},利用式(6)重新計(jì)算與區(qū)域Rk相鄰的區(qū)域之間的權(quán)值w(k,j);

(5)更新NNG Gd,M-1:利用更新后的RAG GM-1和區(qū)域Rk的相鄰區(qū)域集V*局部更新NNG Gd,M-1.

基于區(qū)域合并技術(shù)的分割模型(1)的優(yōu)化求解算法如下:

算法2 基于區(qū)域合并技術(shù)的模型優(yōu)化算法

輸入:初始分割結(jié)果?M.

輸出:最終分割結(jié)果?M*.

(1)估計(jì)每個(gè)區(qū)域Ri,i=1,2,…,M的G0分布參數(shù)(αi,γi,ni)和參數(shù)λ;(2.3小節(jié))

(2)初始化初始分割?M的RAG GM及其NNG Gd,M;

(3)在NNG Gd,M中搜索最大權(quán)值環(huán)wmax(u,v);

(4)如果wmax(u,v)＞0,則合并相鄰區(qū)域Ru與Rv,產(chǎn)生新的區(qū)域Rk,重新估計(jì)區(qū)域Rk的G0分布參數(shù)(αk,γk,nk),利用算法1中的算法更新RAG GM-1和NNG Gd,M-1,令M=M-1,轉(zhuǎn)至(3);否則,轉(zhuǎn)至(5);

(5)輸出根據(jù)RAG GM構(gòu)造的最終分割結(jié)果RM*.

2.3 參數(shù)估計(jì)

2.3.1 G0分布參數(shù)估計(jì)

利用對(duì)數(shù)矩估計(jì)方法估計(jì)模型(2)中的G0分布的參數(shù)αi、γi和ni,其非線性方程組[13]為

其中,Ψ(·)為Digamma函數(shù),Ψ(k,·)為k階Polygamma函數(shù),Ψ(k,·)=dklnΓ(·)d xk,ck為k階對(duì)數(shù)矩利用經(jīng)典Newton-Raphson方法估計(jì)ni,αi和γi.

2.3.2 參數(shù)λ的估計(jì)

在式(5)和式(6)中,參數(shù)λ均衡分割模型中數(shù)據(jù)編碼長(zhǎng)度和參數(shù)編碼長(zhǎng)度對(duì)分割結(jié)果的影響,其值與SAR圖像的場(chǎng)景復(fù)雜度有關(guān).對(duì)于場(chǎng)景較復(fù)雜的圖像,較小的λ值降低了欠分割程度;而場(chǎng)景較簡(jiǎn)單的圖像,較大的λ值降低了過(guò)分割程度.因此,文中提出參數(shù)λ的估計(jì)方法為

其中,T為常數(shù),文中取3.5,J為初始過(guò)分割中,所有相鄰區(qū)域之間的平均Fisher距離為

其中,μi和σi分別為區(qū)域Ri的樣本均值和方差,NE為初始分割結(jié)果中相鄰區(qū)域?qū)?shù).B為初始分割中,所有公共邊緣的長(zhǎng)度之和與圖像尺寸的比值,即

在式(8)中,J和B度量SAR圖像場(chǎng)景復(fù)雜度,其值越大,場(chǎng)景越復(fù)雜,圖像中細(xì)節(jié)信息越多,估計(jì)的λ值越小,有利于圖像中細(xì)節(jié)信息的提取;其值越小,場(chǎng)景復(fù)雜度越低,圖像中的細(xì)節(jié)信息越少,估計(jì)的λ值越大,越降低由SAR圖像中的噪聲引起的過(guò)分割現(xiàn)象.

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證文中算法的有效性,分別對(duì)4幅SAR圖像(圖2(a)～圖2(d))進(jìn)行分割實(shí)驗(yàn),并將其分割結(jié)果與兩種同類方法(MDLPGP方法[4]和FMDLPGP方法[5])進(jìn)行比較.利用基于信息熵的定量評(píng)價(jià)指標(biāo)[14]對(duì)3種算法進(jìn)行數(shù)值比較,分析了文中算法的時(shí)間復(fù)雜度.

3.1 實(shí)驗(yàn)結(jié)果

表1給出了圖2中4幅SAR圖像的先驗(yàn)信息.3種方法的分割結(jié)果如圖4所示.

表1 SAR圖像先驗(yàn)信息

從圖4中可以看出,對(duì)于場(chǎng)景比較簡(jiǎn)單的農(nóng)田區(qū)域,3種分割方法都獲得了滿意的結(jié)果,但對(duì)于較復(fù)雜的城市、居民區(qū)和建筑物區(qū)域,由于MDLPGP方法中Gamma分布不能精確地對(duì)復(fù)雜場(chǎng)景建模,而出現(xiàn)明顯的過(guò)分割.雖然FMDLPGP方法利用Fisher分布改善了分割結(jié)果,但由于其分割模型以及模型優(yōu)化方法的限制,其分割結(jié)果中也出現(xiàn)明顯的過(guò)分割.文中方法將圖像初始分割成均質(zhì)的小區(qū)域,提高了優(yōu)化過(guò)程中G0模型參數(shù)的估計(jì)精度和紋理區(qū)域輪廓的檢測(cè)能力,同時(shí),自適應(yīng)地估計(jì)分割模型中的權(quán)值,明顯降低了欠分割程度.

3.2 性能分析

筆者利用基于信息熵的兩個(gè)數(shù)值指標(biāo)Hr和Hl[14]度量3種算法.Hr度量分割結(jié)果中,每個(gè)區(qū)域內(nèi)像素的一致性特性,Hr值越小,區(qū)域內(nèi)像素的一致性越好;Hl度量分割結(jié)果的過(guò)分割程度,Hl值越小,過(guò)分割程度越小.度量分割算法性能的綜合數(shù)值指標(biāo)E=Hr+Hl.

表2給出3種算法的性能指標(biāo)比較.從表中可以看出,文中方法獲得最好的綜合數(shù)值指標(biāo).

文中算法的時(shí)間復(fù)雜度為

其中,tini為初始分割的時(shí)間,它與圖像大小和邊緣檢測(cè)算子的參數(shù)有關(guān);tcp為比較兩條邊的權(quán)值的時(shí)間; tRAG和tNNG分別為更新RAG和NNG的時(shí)間.

圖4 分割結(jié)果

表2 數(shù)值指標(biāo)比較

在MDLPGP方法和FMDLPGP方法中,每次變形多邊形網(wǎng)格全局更新所有節(jié)點(diǎn)和區(qū)域的信息增加了時(shí)間復(fù)雜度.而FMDLPGP方法,每次更新都需要計(jì)算一個(gè)與文中式(7)相似的非線性方程組來(lái)估計(jì)Fisher分布的參數(shù).文中方法的更新只涉及局部運(yùn)算,其時(shí)間復(fù)雜度較低.表3中給出了3種方法的CPU運(yùn)行時(shí)間,計(jì)算機(jī)平臺(tái)為Pentium(R)Dual-Core,2.93 GHz CPU,2 GB內(nèi)存,MATLAB 2010b.

表3 3種分割方法運(yùn)行時(shí)間比較

4 結(jié)束語(yǔ)

筆者針對(duì)SAR圖像分割模型的建立及優(yōu)化問(wèn)題,在G0分布中利用鏈碼網(wǎng)格編碼區(qū)域邊緣,建立基于MDL準(zhǔn)則的自適應(yīng)權(quán)值SAR圖像分割模型,自適應(yīng)地估計(jì)權(quán)值.在SAR圖像初始過(guò)分割的基礎(chǔ)上,遞歸地合并相鄰區(qū)域?qū)崿F(xiàn)模型優(yōu)化求解.實(shí)驗(yàn)結(jié)果表明,與兩種同類方法相比,文中方法有效地降低了紋理區(qū)域的過(guò)分割程度且提高了算法的效率.

[1]Bovolo F,Marin C,Bruzzone L.A Hierarchical Approach to Change Detection in Very High Resolution SAR Images for Surveillance Applications[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(4):2042-2054.

[2]崔艷鵬,胡建偉,楊紹全,等.利用DT-Grow Cut的MSTAR SAR圖像自動(dòng)分割技術(shù)[J].西安電子科技大學(xué)學(xué)報(bào), 2011,38(3):150-154. Cui Yangpeng,Hu Jianwei,Yang Shaoquan,et al.SAR Image Automatic Segmentation Based on DT-Grow Cut[J]. Journal of Xidian University,2011,38(3):150-154.

[3]Marques R C P,Medeiros F N,Nobre JS.SAR Image Segmentation Based on Level Set Approach and G-zero-amplitude Model[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(10):2046-2057.

[4]Galland F,Bertaux N,Refregier P.Minimum Description Length Synthetic Aperture Radar Image Segmentation[J]. IEEE Transactions on Image Processing,2003,12(9):995-1006.

[5]Galland F,Nicolas J M,Sportouche H,et al.Unsupervised Synthetic Aperture Radar Image Segmentation Using Fisher Distributions[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(8):2966-2972.

[6]Rissanen J.Modeling by Shortest Data Description[J].Automatica,1978,14(5):465-471.

[7]Morio J,Goudail F,Dupuis X,et al.Polarimetric and Interferometric SAR Image Partition into Statistically Homogeneous Regions Based on the Minimization of the Stochastic Complexity[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(11):3599-3609.

[8]Leclerc Y C.Constructing Simple Stable Descriptions for Image Partitioning[J].Computer Vision,1989,8(1):73-102.

[9]Zhu S C,Yuille A.Region Competition:Unifying Snakes,Region Growing,and Bayes/MDL for Multiband Image Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(9):884-900.

[10]Feng J,Cao Z,Pi Y.Multiphase SAR Image Segmentation with G0-statistical-model-based Active Contours[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(7):4190-4199.

[11]Cover T M,Thomas J A.Elements of Information Theory[M].New York:Wiley,1991.

[12]Shui P L,Zhang Z J.Fast SAR Image Segmentation via Merging Cost with Relative Common Boundary Length Penalty [J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(10):6434-6448.

[13]時(shí)公濤,高貴,周曉光,等.基于Mellin變換的G0分布參數(shù)估計(jì)方法[J].自然科學(xué)進(jìn)展,2009,19(6):677-690. Shi Gongtao,Gao Gui,Zhou Xiaoguang,et al.A Parameter Estimation Method for G0Distribution Based on Mellin Transform[J].Progress in Natural Science,2009,19(6):677-690.

[14]王珂,顧行發(fā),余濤,等.結(jié)合光譜相似性與相位一致模型的高分辨率遙感圖像分割方法[J].紅外與毫米波學(xué)報(bào), 2013,32(1):73-79. Wang Ke,Gu Xingfa,Yu Tao,et al.Segmentation of High-resolution Remotely Sensed Imagery Combining Spectral Similarity with Phase Congruency[J].Journal of Infrared and Millimeter Waves,2013,32(1):73-79.

(編輯:李恩科)

SAR images segmentation algorithm using chain coding grid in G0distribution

ZHANG Zejun,SHUI Penglang
(National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

An adaptive weighted synthetic aperture radar(SAR)images segmentation model is proposed based on the minimum description length(MDL)principle to alleviate the influence of complexity of the SAR images’scene on segmentation results.In the model,G0distribution is used for describing SAR image data,and the 4-neighborhood chain coding grid is utilized for coding boundaries of regions in the SAR image.An adaptive estimation method for the weight of the segmentation model is proposed using the SAR image data.The segmentation model is fast minimized by using region merging technology.Experimental results show that,compared with two methods of the same kind,the proposed method effectively alleviates the degree of over-segmentation in texture fields.

synthetic aperture radar(SAR)image segmentation;G0distribution;chain coding grid; region merging technique

TP751.1

A

1001-2400(2015)05-0048-07

2014-05-31< class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間:

時(shí)間:2014-12-23

國(guó)家自然科學(xué)基金資助項(xiàng)目(61271295)

張澤均(1984-),男,西安電子科技大學(xué)博士研究生,E-mail:zjzhang_xd@163.com.

http://www.cnki.net/kcms/detail/61.1076.TN.20141223.0946.009.html

10.3969/j.issn.1001-2400.2015.05.009