全极化SAR影像分割及评价方法研究

Polarimetric SAR (PolSAR) image segmentation is an essential pre-processing step in object based PolSAR image analysis. The effect of segmentation is directly related to the level of interpretation accuracy. However, the existing PolSAR image segmentation algorithms often ignore detail information such as points, lines, and edges. The segmentation accuracy is poor, and the execution efficiency is low. The evaluation of segmentation results is mainly based on visual qualitative assessment, which is subjective and non-standard. In this project, the existing PolSAR image segmentation algorithms are divided into three classes according to the segmentation results: conventional segmentation, superpixel segmentation, and hierarchical segmentation. Then, a PolSAR image superpixel segmentation algorithm will be constructed based on the previously proposed generalized mean shift algorithm by researching region merging order, merging rules and post-processing. And the superpixel segmentation and the hierarchical segmentation will be combined based on hierarchical step-wise optimization (HSWO) technology by researching region distance or similarity model. Finally, we will research the mathematical definition of segmentation scale, and construct a set of evaluation system on PolSAR image segmentation from qualitative and quantitative aspects. This project aims for accurate and fast segmentation of PolSAR image and objective evaluation of segmentation results. It will be of great importance in improving the accuracy and speed of PolSAR image interpretation.

极化SAR影像分割是基于对象的极化SAR影像解译分析研究中必不可少的预处理步骤，分割效果的优劣直接关系到解译精度的高低。然而，现有极化SAR影像分割算法往往忽略点、线、边缘等细节信息，分割精度差、执行效率低，并且在评价分割结果时主要靠目视定性评价，主观性大、无标准可依。对此，本项目首先将现有算法分为常规分割、超像素分割、层次分割三大类；然后在之前提出的广义均值漂移（GMS）算法基础上研究区域合并顺序、合并规则及分割后处理等内容，利用区域合并增长技术构建基于GMS的超像素分割方法；继而研究区域距离或相似度模型，利用分层逐步优化技术构建基于超像素的层次分割方法；最后研究分割尺度概念的具体化和定量化问题，从定性和定量两方面入手构建一套极化SAR影像分割结果评价体系。本项目以实现极化SAR影像精确、快速分割及分割结果客观评价为目标，对提高基于对象的极化SAR影像解译处理的精度和速度具有重要意义。

合成孔径雷达（SAR）技术是遥感技术的一个重要分支，在对地观测领域有不可替代的作用。近年来可获取的极化SAR数据越来越丰富，但数据处理和解译方面还存在一定的滞后性。本研究针对目前面向对象的极化SAR影像处理领域分割算法少、分割效果差、速度慢等问题，以“超像素分割-基于超像素的层次分割-分割结果评价”为思路，从极化SAR影像本身出发，围绕其统计特性、极化特性，开展极化SAR影像超像素分割及评价方法研究，具体如下：.1）在广义均值漂移（Generalized Mean Shift, GMS）算法的基础上研究区域合并顺序、合并规则等内容，进而提出了GMS超像素分割算法，通过实验发现，该算法在细节保持方面优于归一化割（Normalized cut, Ncut）算法，在执行效率上有明显优势；.2）提出多尺度梯度计算方法，并将种子点设置、空间约束等超像素分割技术用于基于分水岭的极化SAR图像超像素分割，通过实验验证该算法相比于常规分水岭分割可通过参数控制超像素的大小和紧凑度，并且获得的超像素边缘位置更加精确；.3）将超像素分割算法与二叉树分割算法结合，提出了基于超像素的二叉树分割算法，该算法结合了超像素分割快速、抗噪性好和二叉树分割算法可对图像进行多尺度表达的优点，相比于基于像素的二叉树分割算法在执行效率上有明显提升；.4）在分割效果评价方面，本研究在总结现有方法的基础上提出了分割尺度的数学定义，并通过实验验证，该数学定义可作为定量评价方法，是目视评价的重要补充，在此基础上，进一步提出了对分割算法进行客观、综合评价的定性和定量评价方法体系。.本研究所获得的成果将丰富极化SAR影像分割及评价方面的理论技术体系，提升极化SAR影像分割精度及速度，促进极化SAR影像分割结果的客观评价，进而提高面向对象的极化SAR影像解译处理的精度和速度，对极化SAR技术的推广和应用具有重要的理论意义和应用价值。