ناحيه بندي تصوير سار به كمك ميدان تصادفي شرطي وفقي - تركيبي

SAR Image Segmentation Using Adaptive Hybrid Conditional Random Field Model

ميدان تصادفي شرطي، روشي مناسب براي ناحيه بندي تصاوير سار است. اين مدل برخلاف مدل ميدان تصادفي ماركوف به صورت مستقيم با تشكيل توزيع گيبس با استفاده از ميدان مشاهدات، ميدان برچسب را تخمين مي زند. با توجه به ضعف روش در برابر ناهمگوني هاي موجود در تصوير، در اين مقاله، براي بهبود ميدان تصادفي شرطي، مدل ميدان تصادفي شرطي وفقي- تركيبي پيشنهاد شده است. بر اساس توليد سوپرپيكسل به روش SLIC و بررسي پارامتر همواري هر سوپرپيكسل، تصوير سار توسط الگوريتم خوشه بندي فازي، به نواحي همگن و ناهمگن تقسيم مي شود. در نواحي همگن ميدان تصادفي شرطي در سطح ناحيه و در نواحي ناهمگن ميدان تصادفي شرطي در سطح پيكسل با استخراج ويژگي هاي آماري از ماتريس هم رخدادي، تعريف مي شود. تاثير روش پيشنهادي به صورت الگوريتم تحت نظارت بر روي تصاوير حقيقي و دقت بالاي اين روش در مقايسه با ديگر روش ها شرح داده شده است.

The conditional random field (CRF) model is suitable for the SAR images segmentation. This model, unlike the random Markov model, estimates the label field directly by constructing Gibbs distribution based on the observation field. Since this method is weak against the heterogeneities in the SAR image, in this paper an adaptive hybrid CRF (AHCRF) model is proposed to improve the conditional random field. Based on generation of slic superpixels and their smoothness parameter analysis, SAR image is divided into homogeneous regions, heterogeneous regions by using fuzzy clustering algorithm. In homogeneous regions, the regional-level CRF is defined and in heterogenous regions, the pixel-level CRF is defined by extracting statistical features of gray-level co-occurrence matrix. The effectiveness of the proposed method is demonstrated by the application to the supervised segmentation of the real SAR images and high accuracy of this method is described in comparison with other methods.