دانلود ترجمه مقاله قطعه بندی چند کلاسه نظارت نشده تصاویر رادار روزنه ترکیبی با الگوریتم سریع مارکوف – مجله اسپرینگر

فهرست مطالب:

 چکیده
۱ مقدمه
۲ مدل TMF غیر گاوسی
۳ الگوریتم سریع بر مبنای TMF برای قطعه بندی چند کلاسه نظارت نشده تصاویر SAR
۱ ۳ تجزیه جدید QuadTree و نمایش پیکسون تصویر SAR
۲ ۳ دستیابی به تابع انرژی پتانسیل جدید TMF براساس نمایش پیکسون تصاویر SAR
۳ ۳ تخمین پارامتر برای الگوریتم TMF سریع
۴ نتایج و تحلیل آزمایشی
۱ ۴ ارزیابی ذهنی و عینی دو الگوریتم قطعه بندی
۲ ۴ مقایسه پیچیدگی محاسباتی بین دو الگوریتم
۳ ۴ مقایسه هزینه های محاسباتی بین دو الگوریتم
۵ نتایج

بخشی از ترجمه:

۵٫ نتایج
در این مقاله، یک الگوریتم سریع بر اساس TMF برای نمایش چند کلاسه بدون ناظر (نظارت نشده) تصاویر SAR پیشنهاد کرده ایم. برای نویز اسپکل در تصاویرSAR، سطح نویز منطقه را درروش تجزیه کلاسیکی Quadtree معرفی و سپس چندین معیار جدید برای تشخیص تجزیه و انتخاب آستانه مشخص می کنیم. با روش تجزیه جدید Quadtree ، یک تصویر SAR به سرعت در یک نمایش پیکسون مبتنی بر لبه نگاشته می شود. سپس با ترکیب مدل TMF با نمایش پیکسون تصویر SAR، تابع انرژی پتانسیل جدید TMF براساس نمایش پیکسون حاصل می گردد. بالاخره، قطعه بندی با MPM بیزی خاتمه می یابد. از الگوریتم TMF سریع برای قطعه بندی داده های شبیه سازی شده و تصاویر واقعی SAR استفاده می گردد. نتایج و تحلیل آزمایشی نشان می دهد الگوریتم TMF سریع می تواند با الگوریتم قطعه بندی TMF قابل قیاس یا حتی برتر از آن باشد، با این تفاوت که در این الگوریتم هزینه محاسبات به طور قابل توجهی کاهش و کارایی و راندمان به میزان زیادی افزایش می یابد. به ویژه در هنگام مقابله با تصاویر SAR در اندازه بزرگ، الگوریتم TMF سریع ، می تواند نتیجه قطعه بندی بلادرنگ، توانمند و کارآمدی حاصل نماید.

بخشی از مقاله انگلیسی:

۱ Introduction Synthetic aperture radar (SAR) image segmentation is an important part of target recognition and interpretation of SAR images. It can provide the overall structure of the image information, reveal the nature of SAR images, establish the basis of automatic target recognition (ATR) and promote applications of SAR. In recent years it has gradually become a research hotspot both at home and abroad. Because of speckle produced by coherent electromagnetic irradiation during imaging, traditional optical image segmentation algorithms cannot suppress noise, which will lead to misclassifications. So they are not suitable for SAR image segmentation. Recently, the development of statistical theory has opened up an effective way to analyze and model images. However, hidden Markov models (HMMs) are too simple to deal with a large number of complex ∗Corresponding author (email: ywu@mail.xidian.edu.cn) Wu Y, et al. Sci China Inf Sci July 2011 Vol. 54 No. 7 1525 images (non-stationary images, texture images, strong noisy images). They can satisfactorily deal with stationary images [1, 2] but are powerless to treat non-stationary SAR images. So far their own statistical model has been constantly expanded and improved, making it possible to deal with non-stationary images and related non-Gaussian noise more efficiently. One of the effective extensions of HMMs is the triplet Markov fields (TMF) [3–۱۱], which well describes the statistical characteristic of SAR images. In the case of two random fields X and Y of Markov random fields (MRF) model, TMF have been proposed in which a third random field U is introduced, and the triplet T = (X, Y, U) is assumed to be Markovianity [8]. One possible meaning for U = (Us)s∈S is to use U = u to define different homogeneities of (X, Y ). This means that the Markov field distribution p(x, y/u) is a non-stationary field and the m possible values of Us describe m different Markov non-stationarities (m-MNS) of (X, Y ). Consequently this model is very suitable for dealing with the non-stationary SAR images in which the pixel values of image have random mutations caused by multiplicative speckle noise. When using TMF algorithm to deal with large SAR images, we have to calculate the potential energy function with the four neighbors or eight neighbors of each pixel, and then calculate the distribution of the triplet (X, Y, U). The large amount of computation reduces the efficiency of the algorithm. In this paper, we try to introduce the concept of pixon into the TMF. This concept was first proposed by Pina and Puetter [12], whose essence is that the spatial scale at each site of an image varies according to the information embedded in the image, implying that the picture information can be dealt with by using cells of variable sizes corresponding to the local spatial information. In this way the optimal scale description of images is realized. Yang et al. [13] introduced a new pixon definition scheme for segmentation, whose shape and size can vary simultaneously, and they used the anisotropic diffusion equation to extract the pixons in their definition scheme. Then they combined the pixon concept and MRF model to reduced computation cost. On this basis, Lin et al. [14] proposed a classical QuadTree combination algorithm to extract the pixon-representation of natural images. In this paper, for SAR images with speckle noise, we combine the pixon concept and TMF model to improve the computation efficiency of TMF segmentation algorithm. First we propose a new QuadTree decomposition for the speckle in SAR images: we introduce the region noise level σi, and then establish some new criterions of decomposition discriminant and threshold selection. Thus we obtain a coarse decomposition in smooth regions and a fine decomposition in edges. Finally we obtain an edge-based pixon-representation of SAR image. By combining TMF model with the pixon-representation of SAR image, the new potential energy function of TMF based on pixon-representation and the new segmentation formula of Bayesian maximum posterior mode (MPM) [15] are derived. The fast TMF algorithm is used to segment simulated data and real SAR images. Experimental results and analysis demonstrate that the fast TMF algorithm can effectively suppress the influence of speckle in SAR images, and greatly reduce the complexity of the algorithm and the running time without affecting the performance of segmentation. The fast TMF algorithm realizes the real-time, and robust and efficient processing of SAR image segmentation.