La segmentation en superpixels des images SAR est un processus qui regroupe des pixels similaires dans une image SAR selon un critère de mesure pour former des superpixels. Les superpixels peuvent refléter dans une certaine mesure les caractéristiques sémantiques de l'image, ce qui réduit efficacement la complexité de la compréhension ultérieure de l'image, et sont devenus une étape importante de prétraitement pour les algorithmes de classification d'images, de détection de changement, etc. Cependant, les algorithmes existants de segmentation en superpixels pour les images SAR sont principalement basés sur des méthodes de clustering local, qui présentent des inconvénients tels que le nombre prédéfini de points de départ, le manque d'adaptabilité aux détails de l'image, et le temps de calcul élevé dû à plusieurs itérations. Pour ces problématiques, cet article propose un algorithme de segmentation adaptative en superpixels basé sur les caractéristiques de voisinage et une itération unique, nommé ASSA, qui utilise une stratégie d'ajustement adaptatif des points de départ basée sur un modèle de mélange gaussien, réalisant une détermination adaptative du nombre de superpixels et assurant l'homogénéité à l'intérieur des superpixels ; utilisant une file de priorité et les caractéristiques de voisinage, la segmentation en superpixels est réalisée en une seule itération ; parallèlement, l'algorithme ASSA utilise deux stratégies, le noyau gaussien et un post-traitement, pour la suppression du bruit des images SAR. L'efficacité et la performance de l'algorithme proposé ont été évaluées selon trois aspects : résultats visuels, indicateurs quantitatifs et temps d'exécution. Les résultats montrent que comparé à d'autres algorithmes de segmentation en superpixels, ASSA permet une segmentation adaptative des superpixels basée sur les caractéristiques de l'image, améliorant l'efficacité de segmentation tout en produisant des limites de superpixels bien ajustées et une homogénéité interne élevée. Le taux de rappel des frontières a augmenté de 11,3 % et 15,9 % respectivement par rapport à SLIC et ESOM, tandis que l'erreur corrigée de sous-segmentation a diminué de 33,3 % et 29,4 % respectivement.

SAR;segmentation en superpixels;file de priorité;stratégie d'ajustement adaptatif des points de départ;modèle de mélange gaussien