多特征谱聚类提升SAR图像溢油分割的鲁棒性

本文主要探讨了"多特征谱聚类的SAR图像溢油分割"这一主题，发表在2010年的《智能系统学报》第5卷第6期。作者张伟伟、薄华和王晓峰针对经典K均值聚类算法在处理SAR（合成孔径雷达）图像中的局限性进行了深入研究。K均值聚类算法因其对任意形状聚类的不适和易陷入局部最小值的问题，不适用于处理SAR图像中的复杂结构，尤其是对于溢油这类需要精确边缘识别的对象。 为解决这些问题，论文提出了一个基于多纹理特征的谱聚类算法。该算法首先利用灰度共生矩阵(GLCM)从SAR图像中提取出多个特征值，这些特征值包含了丰富的纹理信息，有助于更准确地反映图像的复杂特性。通过构建谱聚类的特征矩阵，作者将这些特征整合到聚类过程中，特别关注拉普拉斯矩阵的第二小特征值对应的特征向量，因为这个特征值在降维空间中能更好地区分不同的聚类。 采用规范切准则，该算法将这些特征向量应用到K均值聚类中，实现了对SAR图像中溢油区域的有效分割。相比于传统K均值聚类，这种方法能够减少相干斑噪声对分割结果的影响，从而提高分割的精度和鲁棒性。相干斑噪声是SAR图像中常见的干扰，对分割造成挑战，而新的谱聚类方法展示了其在应对这类噪声时的优势。 实验结果显示，当图像受到较大相干斑噪声影响时，该算法表现出良好的性能，能够有效地分割出溢油区域，同时保持图像边缘的清晰。因此，这项工作对于改进SAR图像处理技术，特别是在石油泄漏检测等应用领域，具有重要的理论和实践价值。 该论文的关键词包括合成孔径雷达（SAR）、灰度共生矩阵（GLCM）、谱聚类以及溢油分割，这些术语共同构成了研究的核心内容。文章的中图分类号为TP751，文献标志码A，文章编号16734785(2010)06-0551-05，表明这是一篇在工程技术领域具有较高学术价值的研究论文。