Die Superpixel-Segmentierung von SAR-Bildern ist ein Prozess, bei dem ähnliche Pixel in SAR-Bildern gemäß einem Messkriterium zu Superpixeln zusammengefasst werden. Superpixel können in gewissem Maße semantische Merkmale des Bildes widerspiegeln und effektiv die Schwierigkeit der nachfolgenden Bildverständnisaufgaben verringern. Sie sind zu einem wichtigen Vorverarbeitungsschritt für Algorithmen der Bildklassifikation, Veränderungserkennung usw. geworden. Bestehende Superpixel-Segmentierungsalgorithmen für SAR-Bilder basieren jedoch meist auf lokalen Clustering-Methoden, die Nachteile wie die vordefinierte Anzahl an Samenpunkten, mangelnde Anpassungsfähigkeit an Bilddetails und hohen Zeitaufwand aufgrund mehrfacher Iterationen aufweisen. Zur Lösung dieser Probleme wird in diesem Artikel ein adaptiver Superpixel-Segmentierungsalgorithmus ASSA mit einmaliger Iteration auf Basis von Nachbarschaftseigenschaften vorgeschlagen. Der Algorithmus nutzt eine adaptive Anpassungsstrategie der Samenpunkte basierend auf einem Gaußschen Mischmodell, die eine adaptive Bestimmung der Superpixel-Anzahl ermöglicht und die Homogenität innerhalb der Superpixel sicherstellt; mittels Prioritätswarteschlange und Nachbarschaftseigenschaften wird die Superpixel-Segmentierung in einer einzigen Iteration realisiert; gleichzeitig verwendet der ASSA-Algorithmus zwei Strategien zur Rauschunterdrückung von SAR-Bildern: eine Gaußsche Kernfunktion und eine Nachbearbeitung. Die Wirksamkeit und Effizienz des vorgeschlagenen Algorithmus wurden aus drei Aspekten bewertet: visuelle Ergebnisse, quantitative Indikatoren und Laufzeit. Die Ergebnisse zeigen, dass der ASSA-Algorithmus im Vergleich zu anderen Superpixel-Segmentierungsalgorithmen eine adaptive Superpixel-Segmentierung basierend auf den Bildeigenschaften ermöglicht, die Segmentierungseffizienz verbessert und gleichzeitig eine hohe Kantenanpassung und interne Homogenität der erzeugten Superpixel gewährleistet. Die Kantenerkennungsrate wurde im Vergleich zu SLIC und ESOM jeweils um 11,3 % bzw. 15,9 % erhöht, die korrigierte Untersegmentierungsfehlerquote wurde jeweils um 33,3 % bzw. 29,4 % reduziert.

SAR;Superpixel-Segmentierung;Prioritätswarteschlange;adaptive Anpassungsstrategie der Samenpunkte;Gaußsches Mischmodell