第6期 张伟伟，等：多特征谱聚类的SAR图像溢油分割 ·553· 不理想，选用3个以上的特征时，不能提高算法的精 2)构造拉普拉斯矩阵L=W. 确度，但是却大大增加了计算量，过多地占用内存 3)计算L的特征值和特征向量，对特征值入：按 通常采用背景和目标的特征均值和方差，进行特征 降序排列，取其第2个特征值对应的特征向量u 量的筛选.asm、ent、hom3个特征值相比于另外的特 4)对特征向量进行归一化，最后对归一化的 征值有更小的方差.在本算法中，将图像归一化的灰 特征向量，用K-mean聚类的方法进行聚类. 度级为16，提取上述3个特征，求多个特征间的相 归一化的谱聚类具有更好的性能，因此先对特 似性，构造相似性矩阵 征向量归一化，然后再用多次迭代的方法用K均值 2本文算法 聚类进行分类.为了说明本文算法的有效性，后面将 本文算法与K聚类算法进行了比较. 由于小波变换在时、频域中有良好的局部化性 3 质和多分辨率分析的特点，可对图像进行多级分解， 实验结果与分析 每级分解都可以获得图像同一信息在不同方向、不 3.1与经典聚类的结果比较 同尺度和不同分辨率下的基本特征和细节，因此在 选用一副128×128的SAR溢油图像，其中颜 本文中用Har小波先对图像进行分解预处理，选取 色较黑的为油污.先对图像用Har小波做分解预处 它的低频部分图像，这部分图像几乎含有要分割图 理，选用其低频部分.针对图1的块状溢油，选用大 像的全部特征，对后继特征提取和分割不会造成太 小为9×9的滑窗，提取熵、一致性、能量3个特征， 大影响，低频图像大小为原始图像大小的1/4，诚少 σ=0.009.其中，图1(b)为本文提出算法的运行 了计算量，提高了运算效率. 结果.图1(c)为直接用灰度进行谱聚类的分割结 利用提取的特征，比直接利用图像的灰度的分 果，可以看出，由于相干斑噪声的影响，溢油部分的 割结果更不易受噪声影响.而利用多个特征比只用 连通性大受影响，有很多溢油的部分被误划分，无法 一个特征，又可以得到更好的分割结果.在此，利用 准确找出海面溢油.在不要求实时性的情况下，试验 前面提到的GLCM算法，提取图像的3个不同的特 证明多特征一谱聚类算法分类精度更高.分割结果 征.假设输人一副SAR图像经过一阶的Har小波 显示，基于灰度信息的聚类结果在细节上，特别对于 变化以后，其大小为n×m令L=n×m.则得到的 丝状溢油，分割误差很大.而提出的谱聚类算法，则 特征矩阵D的大小为L×3,采用Gaussian核函数， 具有相对更好的分割效果.图2为丝带状溢油，选用 度量数据间的相似度.其中，σ为核参数，依据经验 大小为3×3的滑动窗口，选取熵、一致性和对比度 值设置.本文提出的谱聚类的算法流程如下： 3个特征，高斯核函数的参数依经验选取σ=0.12. 1)分别计算单个特征向量间的欧式距离dm, 用提出的算法对其进行分割，得到如图2(b)的分割 m=1,2,3.dn=fm-fml,iJj=1,2,…,L.其中，f为 结果.只选用熵特征时，直接用k均值聚类得到的分 特征向量.然后求3个特征向量的平均距离平方和 割结果如图2(c).图2(a)的结果表明，多特征谱聚 d=三(d/3),根据W,=ep(-dno),计算相 类算法的分辨率较高，但受噪声影响比K-mean聚 类小 似性矩阵W∈R*m. (a)源图像 (b)本文算法 (c)直接用灰度聚类的结果 图1特征谱聚类与灰度谱聚类的结果比较 Fig.1 Comparison of segmentation results between spectral cluster and gray spectral cluster