本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種結(jié)合k-s(kolmogorov-smirnov)距離和rjmcmc(reversiblejumpmarkovchainmontecarlo，可逆跳馬爾科夫鏈蒙特卡洛)算法的sar圖像分割方法。

背景技術(shù)：

圖像分割是sar(syntheticapertureradar，合成孔徑雷達(dá))圖像處理的主要任務(wù)。目前，已經(jīng)提出很多相關(guān)算法，主要分為：閾值分割、聚類(lèi)分割和統(tǒng)計(jì)分割等，其中，統(tǒng)計(jì)分割被認(rèn)為最為有效的方法。

目前，大部分的統(tǒng)計(jì)分割均是以建立圖像光譜測(cè)度的統(tǒng)計(jì)模型為基礎(chǔ)，即假設(shè)圖像光譜測(cè)度服從某一統(tǒng)計(jì)分布，如假設(shè)sar圖像強(qiáng)度服從gamma分布、gaussian分布等，建立其強(qiáng)度的統(tǒng)計(jì)模型。但這些統(tǒng)計(jì)模型僅僅是對(duì)sar圖像強(qiáng)度特征的一種假設(shè)，有時(shí)難以反映其本質(zhì)規(guī)律，特別是對(duì)于sar圖像分割問(wèn)題；由于sar圖像地物目標(biāo)復(fù)雜、多樣且斑點(diǎn)噪聲明顯，導(dǎo)致難以準(zhǔn)確建立圖像光譜測(cè)度的統(tǒng)計(jì)模型。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)不足，本發(fā)明提供一種結(jié)合k-s距離和rjmcmc算法的sar圖像分割方法。

本發(fā)明的技術(shù)方案如下：

一種結(jié)合k-s距離和rjmcmc算法的sar圖像分割方法，包括如下步驟：

步驟1：輸入待分割圖像，并將其定義為圖像域上的特征場(chǎng)的一個(gè)實(shí)現(xiàn)；

步驟2：利用規(guī)則劃分技術(shù)將輸入的sar圖像的圖像域劃分為多個(gè)規(guī)則子塊；

步驟3：在劃分的圖像域上，建立基于規(guī)則子塊的sar圖像分割模型，包括以下步驟：

步驟3.1：在劃分的圖像域上，建立特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型；

步驟3.2：在劃分的圖像域上，建立標(biāo)號(hào)場(chǎng)模型；

步驟3.3：在步驟3.1和步驟3.2的基礎(chǔ)上，建立基于規(guī)則子塊的sar圖像分割模型；

步驟4：針對(duì)已建立的sar圖像分割模型，設(shè)定迭代次數(shù)并設(shè)計(jì)合理的移動(dòng)操作，每次迭代中，遍歷所有移動(dòng)操作，利用rjmcmc算法，求解基于規(guī)則子塊的sar圖像分割模型；具體包括以下步驟：

步驟4.1：通過(guò)更新標(biāo)號(hào)場(chǎng)中的標(biāo)號(hào)來(lái)更新標(biāo)號(hào)場(chǎng)；

步驟4.2：在步驟4.1更新標(biāo)號(hào)場(chǎng)的基礎(chǔ)上通過(guò)增加或減少規(guī)則子塊個(gè)數(shù)來(lái)更新劃分的圖像域及標(biāo)號(hào)場(chǎng)，更新圖像域過(guò)程中隨機(jī)選擇增加規(guī)則子塊或減少規(guī)則子塊的操作；

步驟4.3：將步驟4.2中更新后的圖像域上的標(biāo)號(hào)場(chǎng)的實(shí)現(xiàn)代入非約束gibbs概率分布函數(shù)，得到非約束gibbs概率分布函數(shù)的一個(gè)函數(shù)值；

步驟4.4：按設(shè)定的迭代次數(shù)重復(fù)執(zhí)行步驟4.1至步驟4.3，得到非約束gibbs概率分布函數(shù)的一個(gè)函數(shù)值集合，集合中函數(shù)值最大時(shí)所對(duì)應(yīng)的分割結(jié)果為基于規(guī)則子塊的sar圖像分割模型的最優(yōu)解；

步驟5：輸出sar圖像的分割結(jié)果。

優(yōu)選地，將步驟1中輸入的待分割sar圖像x＝{xs,s＝1,...,s}定義為圖像域p上的特征場(chǎng)x＝{xs,s＝1,...,s}的一個(gè)實(shí)現(xiàn)，其中，s為像素索引，xs為像素s的強(qiáng)度，s為圖像像素總數(shù)，xs表示像素s的強(qiáng)度的隨機(jī)變量；

步驟2利用規(guī)則劃分技術(shù)劃分圖像域，具體為，利用規(guī)則劃分技術(shù)將圖像域p劃分成j個(gè)規(guī)則子塊，即，p＝{pj,j＝1,...,j}，其中，pj表示規(guī)則子塊，j表示規(guī)則子塊索引，j表示規(guī)則子塊的總個(gè)數(shù)，規(guī)則子塊pj的行數(shù)或列數(shù)為2的整數(shù)倍數(shù)，允許最小的規(guī)則子塊包括2×2個(gè)像素點(diǎn)；sar圖像的每個(gè)同質(zhì)區(qū)域由一個(gè)或多個(gè)具有相同標(biāo)號(hào)的規(guī)則子塊擬合而成。

優(yōu)選地，步驟3中首先在規(guī)則劃分的圖像域上，定義標(biāo)號(hào)場(chǎng)l＝{lj,j＝1,...,j}，其中，lj表示規(guī)則子塊pj所屬標(biāo)號(hào)的隨機(jī)變量，lj∈{1,...,k}，k為圖像的總類(lèi)別數(shù)；在規(guī)則劃分的圖像域中，特征場(chǎng)x定義為x＝{xj,j＝1,...,j}，其中xj＝{xs；s∈pj}為規(guī)則子塊pj內(nèi)所有像素為s的強(qiáng)度的隨機(jī)變量的集合；標(biāo)號(hào)場(chǎng)l的每一個(gè)實(shí)現(xiàn)l＝{lj,j＝1,...,j}為sar圖像x對(duì)應(yīng)的分割結(jié)果，lj為規(guī)則子塊pj的標(biāo)號(hào)，且規(guī)則子塊pj內(nèi)所有像素的標(biāo)號(hào)均為lj；

建立基于規(guī)則子塊的sar圖像分割模型的具體方法為：

步驟3.1：在規(guī)則劃分的圖像域上，以同質(zhì)區(qū)域間異質(zhì)性勢(shì)能函數(shù)之和作為特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型，建立的特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型ux(x,l)表示為：

其中，為異質(zhì)性勢(shì)能函數(shù)，xj＝{xs；s∈pj}表示規(guī)則子塊pj內(nèi)所有像素為s的強(qiáng)度的集合，表示圖像域中像素為s、標(biāo)號(hào)為lj的所有像素的強(qiáng)度的集合，其中，ls為圖像域中像素s的標(biāo)號(hào)；

在未知同質(zhì)區(qū)域內(nèi)像素光譜測(cè)度的統(tǒng)計(jì)分布模型中，k-s距離能以函數(shù)間最大垂直距離作為兩種不同統(tǒng)計(jì)分布間的相似性測(cè)度。因此，以k-s距離為圖像分割準(zhǔn)則，用k-s距離定義異質(zhì)性勢(shì)能函數(shù)其表示為：

其中，dks代表k-s距離，即直方圖和的最大間距，和分別代表兩個(gè)數(shù)據(jù)集合x(chóng)j＝{xs；s∈pj}和的采樣分布函數(shù)，和分別表示為：

其中，n1和n2分別為兩個(gè)數(shù)據(jù)集合x(chóng)j和中元素的個(gè)數(shù)，h為強(qiáng)度值索引，若對(duì)于n位圖像，h∈[0,2ⁿ-1]；

步驟3.2：在劃分的圖像域上，利用勢(shì)能函數(shù)定義標(biāo)號(hào)場(chǎng)模型，標(biāo)號(hào)場(chǎng)模型ul(l)表示為：

其中，β為鄰域子塊的空間作用參數(shù)，npj為規(guī)則子塊pj的八鄰域規(guī)則子塊的集合，j′為規(guī)則子塊pj的鄰域規(guī)則子塊pj′的索引，lj′為規(guī)則子塊pj′的標(biāo)號(hào)；若lj＝lj′，則δ(lj,lj′)＝1；若lj≠lj′，則δ(lj,lj′)＝0；

步驟3.3：結(jié)合步驟3.1中特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型和步驟3.2中的標(biāo)號(hào)場(chǎng)模型，定義圖像分割的全局勢(shì)能函數(shù)u(x,l)，其表示為：

利用非約束gibbs概率分布函數(shù)刻畫(huà)全局勢(shì)能函數(shù)u(x,l)，得到基于規(guī)則子塊的sar圖像分割模型g(x,l)，其表示為：

優(yōu)選地，步驟4.1中更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)的操作方法為：從圖像域p＝{pj,j＝1,...,j}中隨機(jī)抽取一個(gè)規(guī)則子塊pj，其對(duì)應(yīng)標(biāo)號(hào)為lj；從圖像的總類(lèi)別數(shù)集合{1,…,k}中隨機(jī)抽取規(guī)則子塊pj的候選標(biāo)號(hào)且未被抽取的規(guī)則子塊所屬標(biāo)號(hào)不變；利用非約束gibbs概率分布函數(shù)g(x,l)，得到更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)lj為的接受率為：

其中，

其中，

從0～1中產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷該隨機(jī)數(shù)與接受率的大小，當(dāng)所述接受率大于該隨機(jī)數(shù)時(shí)，接受本次更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)的操作，否則放棄本次更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)的操作。

優(yōu)選地，步驟4.2中增加規(guī)則子塊個(gè)數(shù)是通過(guò)規(guī)則子塊的分裂而實(shí)現(xiàn)的，具體實(shí)現(xiàn)步驟為：

步驟4.2.1：從通過(guò)步驟4.1更新標(biāo)號(hào)場(chǎng)后的由j個(gè)規(guī)則子塊擬合而成的圖像域p中隨機(jī)抽取一個(gè)規(guī)則子塊pj，其對(duì)應(yīng)標(biāo)號(hào)為lj；

步驟4.2.2：判斷所選規(guī)則子塊pj能否實(shí)現(xiàn)分裂操作；如果pj的像素?cái)?shù)大于4且其行數(shù)或列數(shù)為2的整數(shù)倍數(shù)，則進(jìn)行分裂pj操作，執(zhí)行步驟4.2.3，增加圖像域中規(guī)則子塊個(gè)數(shù)；否則不分裂規(guī)則子塊pj，不增加圖像域中規(guī)則子塊個(gè)數(shù)，結(jié)束本次分裂操作；

步驟4.2.3：將圖像域p中能實(shí)現(xiàn)分裂操作的規(guī)則子塊pj分裂成兩個(gè)新的規(guī)則子塊pj1和pj2，新的規(guī)則子塊pj1的對(duì)應(yīng)標(biāo)號(hào)為新的規(guī)則子塊pj2對(duì)應(yīng)標(biāo)號(hào)為且圖像域中的規(guī)則子塊數(shù)增加一個(gè)，圖像域p更新為圖像域j^*表示更新后的規(guī)則子塊的總個(gè)數(shù)；未分裂的規(guī)則子塊不變，對(duì)應(yīng)標(biāo)號(hào)也不變；圖像域p更新為圖像域p^*的接受率為：

as(p,p^*)＝min{1,rs}

其中，

其中，為更新后的圖像域p^*的圖像的一個(gè)實(shí)現(xiàn)，為更新后的標(biāo)號(hào)場(chǎng)的實(shí)現(xiàn)，為更新后的標(biāo)號(hào)場(chǎng)的標(biāo)號(hào)；

步驟4.2.4：從0～1中產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷該隨機(jī)數(shù)與接受率as(p,p^*)的大小，當(dāng)所述接受率大于該隨機(jī)數(shù)時(shí)，接受本次通過(guò)增加規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作，否則放棄本次通過(guò)增加規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作。

優(yōu)選地，步驟4.2中減少規(guī)則子塊個(gè)數(shù)通過(guò)圖像域p中隨機(jī)抽取的一個(gè)規(guī)則子塊和其任一個(gè)鄰域規(guī)則子塊合并成一個(gè)新的規(guī)則子塊來(lái)實(shí)現(xiàn)，該操作為分裂規(guī)則子塊的對(duì)偶操作，因此，通過(guò)減少規(guī)則子塊個(gè)數(shù)來(lái)更新圖像域的接受率為：

am(p,p^*)＝min{1,1/rs}

從0～1中產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷該隨機(jī)數(shù)與接受率am(p,p^*)的大小，當(dāng)所述接受率大于該隨機(jī)數(shù)時(shí)，接受本次通過(guò)減少規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作，否則放棄本次通過(guò)減少規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作。

由上述技術(shù)方案可知，本發(fā)明的有益效果在于：本發(fā)明提供一種結(jié)合k-s距離和rjmcmc算法的sar圖像分割方法，在未知sar圖像模型的情況下，結(jié)合k-s距離和規(guī)則劃分技術(shù)，建立的基于規(guī)則劃分的圖像分割模型，克服了sar圖像固有斑點(diǎn)噪聲對(duì)圖像分割的影響，提高了采用本發(fā)明方法所分割的圖像的同質(zhì)區(qū)域的區(qū)域一致性；針對(duì)建立的基于規(guī)則劃分的圖像分割模型，在rjmcmc算法中設(shè)計(jì)更新標(biāo)號(hào)場(chǎng)標(biāo)號(hào)和增加或減少規(guī)則子塊個(gè)數(shù)的移動(dòng)操作，克服了圖像分割時(shí)所劃分的規(guī)則子塊跨越同質(zhì)區(qū)域邊界而降低了分割邊緣精度的問(wèn)題，提高了分割結(jié)果的邊緣準(zhǔn)確性。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例提供的結(jié)合k-s距離和rjmcmc算法的sar圖像分割方法流程圖；

圖2為本發(fā)明實(shí)施例提供的三個(gè)待分割圖像；其中，(a)為第一個(gè)待分割圖像；(b)為第二個(gè)待分割圖像；(c)為第三個(gè)待分割圖像；

圖3為本發(fā)明實(shí)施例提供的一種規(guī)則劃分示意圖；

圖4為本發(fā)明實(shí)施例提供的更新標(biāo)號(hào)場(chǎng)的操作流程圖；

圖5為本發(fā)明實(shí)施例提供的增加規(guī)則子塊數(shù)的操作流程圖；

圖6為圖2中三個(gè)待分割圖像的分割結(jié)果圖像。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。

一種結(jié)合k-s距離和rjmcmc算法的sar圖像分割方法，如圖1所示，包括的具體步驟如下。

步驟1：輸入待分割圖像，并將其定義為圖像域上的特征場(chǎng)；

圖2(a)、圖2(b)和圖2(c)為本實(shí)施例采用的3幅待分割的sar圖像。作如下定義：sar圖像x＝{xs,s＝1,...,s}定義為圖像域p上的特征場(chǎng)x＝{xs,s＝1,...,s}的一個(gè)實(shí)現(xiàn)，其中，s為像素索引，xs為像素s的強(qiáng)度，s為圖像像素總數(shù)，xs表示像素s的強(qiáng)度的隨機(jī)變量。

步驟2：利用規(guī)則劃分技術(shù)劃分圖像域；

利用規(guī)則劃分技術(shù)將圖像域p劃分成j個(gè)規(guī)則子塊，即，p＝{pj,j＝1,...,j}，其中，pj表示規(guī)則子塊，j表示規(guī)則子塊索引，j表示圖像域p中規(guī)則子塊總個(gè)數(shù)。每個(gè)同質(zhì)區(qū)域由一個(gè)或多個(gè)規(guī)則子塊擬合而成。圖3為將圖像域利用規(guī)則劃分技術(shù)劃分為10個(gè)長(zhǎng)方形規(guī)則子塊，即，p＝{pj,j＝1,...,10}，得到規(guī)則子塊p1-p10，規(guī)則子塊p1-p10由多個(gè)像素點(diǎn)構(gòu)成，每個(gè)規(guī)則子塊的行數(shù)或列數(shù)為2的整數(shù)倍數(shù)，允許最小的規(guī)則子塊包括2×2個(gè)像素點(diǎn)。

步驟3：在劃分的圖像域上，建立基于規(guī)則子塊的sar圖像分割模型；

在規(guī)則劃分的圖像域上，定義標(biāo)號(hào)場(chǎng)l＝{lj,j＝1,...,j}，其中，lj表示規(guī)則子塊pj所屬標(biāo)號(hào)的隨機(jī)變量，lj∈{1,...,k}，k為圖像的總類(lèi)別數(shù)；在規(guī)則劃分的圖像域中，特征場(chǎng)x定義為x＝{xj,j＝1,...,j}，其中xj＝{xs；s∈pj}為規(guī)則子塊pj內(nèi)所有像素的強(qiáng)度隨機(jī)變量的集合；標(biāo)號(hào)場(chǎng)l的每一個(gè)實(shí)現(xiàn)l＝{lj,j＝1,...,j}為sar圖像x對(duì)應(yīng)的分割結(jié)果，lj為規(guī)則子塊pj的標(biāo)號(hào)，且規(guī)則子塊pj內(nèi)所有像素的標(biāo)號(hào)均為lj；

建立基于規(guī)則子塊的sar圖像分割模型的具體方法為：

步驟3.1：在劃分的圖像域上，建立特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型；

以同質(zhì)區(qū)域間異質(zhì)性勢(shì)能函數(shù)之和作為特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型，特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型ux(x,l)表示為：

其中，為異質(zhì)性勢(shì)能函數(shù)，xj＝{xs；s∈pj}表示規(guī)則子塊pj內(nèi)所有像素為s的強(qiáng)度的集合，表示圖像域中像素為s、標(biāo)號(hào)為lj的所有像素的強(qiáng)度的集合，其中，ls為劃分的圖像域中像素s的標(biāo)號(hào)。

在未知同質(zhì)區(qū)域內(nèi)像素光譜測(cè)度的統(tǒng)計(jì)分布模型中，k-s距離能以函數(shù)間最大垂直距離為兩種不同統(tǒng)計(jì)分布間的相似性測(cè)度。因此，本實(shí)施例以k-s距離為圖像分割準(zhǔn)則，用k-s距離定義該異質(zhì)性勢(shì)能函數(shù)其表示為：

其中，dks代表k-s距離，即直方圖和的最大間距，和分別代表兩個(gè)數(shù)據(jù)集合x(chóng)j＝{xs；s∈pj}和的采樣分布函數(shù)，和分別表示為：

其中，n1和n2分別為兩個(gè)數(shù)據(jù)集合x(chóng)j和中元素的個(gè)數(shù)，h為強(qiáng)度值索引，若對(duì)于n位圖像，h∈[0,2ⁿ-1]；

步驟3.2：在劃分的圖像域上，建立標(biāo)號(hào)場(chǎng)模型；

利用勢(shì)能函數(shù)定義標(biāo)號(hào)場(chǎng)模型，標(biāo)號(hào)場(chǎng)模型ul(l)表示為：

其中，β為鄰域子塊的空間作用參數(shù)，npj為規(guī)則子塊pj的八鄰域規(guī)則子塊的集合，j′為規(guī)則子塊pj的鄰域規(guī)則子塊pj′的索引，lj′為規(guī)則子塊pj′的標(biāo)號(hào)；若lj＝lj′，則δ(lj,lj′)＝1；若lj≠lj′，則δ(lj,lj′)＝0；

步驟3.3：建立基于規(guī)則子塊的sar圖像分割模型；

結(jié)合步驟3.1中特征場(chǎng)與標(biāo)號(hào)場(chǎng)的關(guān)系模型和步驟3.2中的標(biāo)號(hào)場(chǎng)模型，定義圖像分割的全局勢(shì)能函數(shù)u(x,l)，其表示為：

利用非約束gibbs概率分布刻畫(huà)上述全局勢(shì)能函數(shù)u(x,l)，得到基于規(guī)則子塊的sar圖像分割模型g(x,l)，其表示為：

步驟4：針對(duì)已建立的sar圖像分割模型，設(shè)定迭代次數(shù)并設(shè)計(jì)合理的移動(dòng)操作，每次迭代中，遍歷所有移動(dòng)操作，利用rjmcmc算法，求解基于規(guī)則子塊的sar圖像分割模型。本實(shí)施例中，設(shè)定迭代次數(shù)為10000次。具體包括如下步驟：

步驟4.1：通過(guò)更新標(biāo)號(hào)場(chǎng)中的標(biāo)號(hào)更新標(biāo)號(hào)場(chǎng)；

更新標(biāo)號(hào)場(chǎng)中的標(biāo)號(hào)的操作流程如圖4所示，具體操作為：從圖像域p＝{pj,j＝1,...,j}中隨機(jī)抽取一個(gè)規(guī)則子塊pj，其對(duì)應(yīng)標(biāo)號(hào)為lj；從圖像的總類(lèi)別數(shù)集合{1,…,k}中隨機(jī)抽取規(guī)則子塊pj的候選標(biāo)號(hào)且利用非約束gibbs概率分布函數(shù)g(x,l)，得到更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)lj為的接受率為：

其中，

從0～1中產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷該隨機(jī)數(shù)與接受率的大小，當(dāng)該接受率大于該隨機(jī)數(shù)時(shí)，接受本次更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)的操作，否則放棄本次更新標(biāo)號(hào)場(chǎng)中標(biāo)號(hào)的操作。

步驟4.2：在步驟4.1更新標(biāo)號(hào)場(chǎng)的基礎(chǔ)上通過(guò)增加或減少規(guī)則子塊個(gè)數(shù)來(lái)更新劃分的圖像域及標(biāo)號(hào)場(chǎng)，更新圖像域過(guò)程中隨機(jī)選擇增加規(guī)則子塊或減少規(guī)則子塊的操作；

增加規(guī)則子塊個(gè)數(shù)是通過(guò)規(guī)則子塊的分裂而實(shí)現(xiàn)的，具體操作過(guò)程如圖5所示，具體步驟如下：

步驟4.2.1：從通過(guò)步驟4.1更新標(biāo)號(hào)場(chǎng)后的由j個(gè)規(guī)則子塊擬合而成的圖像域p中隨機(jī)抽取一個(gè)規(guī)則子塊pj，其對(duì)應(yīng)標(biāo)號(hào)為lj；

步驟4.2.2：判斷所選規(guī)則子塊pj能否實(shí)現(xiàn)分裂操作；如果pj的像素?cái)?shù)大于4且其行數(shù)或列數(shù)為2的整數(shù)倍數(shù)，則實(shí)現(xiàn)分裂pj操作，執(zhí)行步驟4.2.3，增加圖像域中規(guī)則子塊個(gè)數(shù)；否則不分裂規(guī)則子塊pj，不增加圖像域中規(guī)則子塊個(gè)數(shù)，結(jié)束本次分裂操作；

步驟4.2.3：將圖像域p中能實(shí)現(xiàn)分裂操作的規(guī)則子塊pj分裂成兩個(gè)新的規(guī)則子塊pj1和pj2，新的規(guī)則子塊pj1的對(duì)應(yīng)標(biāo)號(hào)為新的規(guī)則子塊pj2對(duì)應(yīng)標(biāo)號(hào)為且圖像域中的規(guī)則子塊數(shù)增加一個(gè)，圖像域p更新為圖像域j^*表示更新后的規(guī)則子塊的總個(gè)數(shù)；未分裂的規(guī)則子塊不變，對(duì)應(yīng)標(biāo)號(hào)也不變；圖像域p更新為圖像域p^*的接受率為：

as(p,p^*)＝min{1,rs}

其中，

其中，為更新后的圖像域p^*的圖像的一個(gè)實(shí)現(xiàn)，為更新后的標(biāo)號(hào)場(chǎng)的實(shí)現(xiàn)，為更新后的標(biāo)號(hào)場(chǎng)的標(biāo)號(hào)；

步驟4.2.4：從0～1中產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷該隨機(jī)數(shù)與該接受率as(p,p^*)的大小，當(dāng)該接受率大于該隨機(jī)數(shù)時(shí)，接受本次通過(guò)增加規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作，否則放棄本次通過(guò)增加規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作。

減少規(guī)則子塊個(gè)數(shù)是通過(guò)圖像域p中隨機(jī)抽取的一個(gè)規(guī)則子塊和其任一個(gè)鄰域規(guī)則子塊合并成一個(gè)新的規(guī)則子塊來(lái)實(shí)現(xiàn)的，該操作為分裂規(guī)則子塊的對(duì)偶操作，因此，通過(guò)減少規(guī)則子塊實(shí)現(xiàn)更新圖像域的接受率為：

am(p,p^*)＝min{1,1/rs}

從0～1中產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷該隨機(jī)數(shù)與接受率am(p,p^*)的大小，當(dāng)所述接受率大于該隨機(jī)數(shù)時(shí)，接受本次通過(guò)減少規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作，否則放棄本次通過(guò)減少規(guī)則子塊來(lái)更新圖像域及標(biāo)號(hào)場(chǎng)的操作。

步驟4.3：將步驟4.2中更新后的標(biāo)號(hào)場(chǎng)的實(shí)現(xiàn)l代入非約束gibbs概率分布函數(shù)g(x,l)，得到非約束gibbs概率分布函數(shù)g(x,l)的一個(gè)函數(shù)值。

具體實(shí)施中，更新標(biāo)號(hào)場(chǎng)的過(guò)程也可以先執(zhí)行步驟4.2，后執(zhí)行步驟4.1，將后執(zhí)行的步驟4.1中更新后的標(biāo)號(hào)場(chǎng)的實(shí)現(xiàn)l代入非約束gibbs概率分布函數(shù)g(x,l)。

步驟4.4：按設(shè)定的迭代次數(shù)重復(fù)執(zhí)行步驟4.1至步驟4.3，得到非約束gibbs概率分布函數(shù)g(x,l)的一個(gè)函數(shù)值集合，集合中g(shù)(x,l)函數(shù)值最大時(shí)所對(duì)應(yīng)的分割結(jié)果為基于規(guī)則子塊的sar圖像分割模型的最優(yōu)解。

已知圖像x求解l的過(guò)程，可直接通過(guò)最大化非約束gibbs概率分布函數(shù)得到。當(dāng)非約束gibbs概率分布函數(shù)取得最大值時(shí)，基于規(guī)則子塊的sar圖像分割模型可得到最優(yōu)解。

步驟5：輸出分割結(jié)果圖像。

采用本實(shí)施例所述的結(jié)合k-s距離和rjmcmc算法的sar圖像分割方法分別對(duì)圖2(a)、圖2(b)和圖2(c)所示的待分割圖像進(jìn)行圖像分割，結(jié)果分別如圖6(a)、圖6(b)和圖6(c)所示。圖6(a)中，能將白色代表的溢油區(qū)域和黑色代表的水從sar圖像中清晰的分割出來(lái)；圖6(b)中，能將灰色代表的河岸、黑色代表的堅(jiān)冰及白色代表的融冰從sar圖像中清晰的分割出來(lái)；圖6(c)中，能將灰色代表的水、黑色代表的堅(jiān)冰及白色代表的融冰從sar圖像中清晰的分割出來(lái)；這些分割結(jié)果表明分割模型區(qū)域一致性很高，并且保持了邊緣的準(zhǔn)確性；同時(shí)從待分割圖像可以看出原圖像斑點(diǎn)噪聲明顯，不易分割；從結(jié)果圖可看出本發(fā)明采用k-s距離和規(guī)則劃分技術(shù)相結(jié)合的分割模型，可以有效克制斑點(diǎn)噪聲。

最后應(yīng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明權(quán)利要求所限定的范圍。