ناحیه بندی تصاویر سار با استفاده از میدانهای تصادفی شرطی مبتنی بر تبدیل ویولت

در سالهای اخیر میدان های تصادفی شرطی در حوزه ناحیه بندی تصاویر سار مورد توجه زیادی قرار گرفته اند. میدان های شرطی نه تنها مستقیما توزیع پسین میدان برچسب را در نظر می گیرند، بلکه روابط متقابل بین مشاهدات را نیز لحاظ می کنند. در این مقاله یک روش ناحیه بندی تصاویر سار با استفاده از میدان های شرطی مبتنی بر ویولت پیشنهاد می شود. در روش پیشنهادی برای فائق آمدن بر ناهمگنی شدت روشنایی ناشی از نویز اسپکل در تصاویر سار، ویژگی ها بر پایه تبدیل ویولت استخراج می شوند. سپس یک بردار ویژگی با اندازه کوچک با استفاده از توزیع گوسی تعمیم یافته انرژی ضرایب ویولت تشکیل می شود و در مدلسازی میدان تصادفی شرطی برای ناحیه بندی تصویر سار استفاده می گردد. الگوریتم پیشنهادی با سایر روشهای میدان شرطی مبتنی بر ویژگی های شدت روشنایی مقایسه می شود. نتایج روش پیشنهادی بهبود دقت ناحیه بندی را نشان می دهند.

SAR Images Segmentation Using Wavelet Transform-Based Conditional Random Fields

In recent years, conditional random field models have received a lot of attention in the field of SAR image segmentation. Conditional random fields not only directly consider the posterior distribution of the label field, but also consider the interrelationships between observations. In this paper, a method of SAR image segmentation using wavelet-based conditional fields is proposed. In the proposed method to overcome the heterogeneity of intensity caused by speckle noise in SAR images, the features are extracted based on the wavelet transform. A small-sized feature vector is then formed using the generalized Gaussian distribution of the wavelet coefficients energy and used in conditional random field modeling to describe the textures of SAR image. The proposed algorithm is compared with other conditional field methods based on intensity-based features. We use the simulated and real SAR images in the experiments. The results of the proposed method show the improvement of segmentation accuracy.