A segmentação de superpixels em imagens SAR é o processo de agrupar pixels semelhantes em imagens SAR de acordo com um critério de medição para formar superpixels. Os superpixels podem refletir em certa medida as características semânticas da imagem, o que reduz efetivamente a dificuldade da compreensão subsequente da imagem e tornou-se uma etapa importante de pré-processamento para algoritmos de classificação de imagens, detecção de mudanças, etc. No entanto, os algoritmos existentes de segmentação de superpixels para imagens SAR são principalmente baseados em métodos de agrupamento local, que apresentam deficiências como a pré-definição do número de pontos sementes, falta de adaptabilidade aos detalhes da imagem e tempo excessivo devido a múltiplas iterações. Para abordar esses problemas, este artigo propõe um algoritmo de segmentação adaptativa de superpixels com uma única iteração baseado em características de vizinhança, denominado ASSA, que utiliza uma estratégia adaptativa de ajuste de pontos sementes baseada em modelo de mistura gaussiana, realizando a determinação adaptativa do número de superpixels e garantindo a homogeneidade interna; utilizando fila de prioridade e características de vizinhança, realiza a segmentação de superpixels em uma única iteração; simultaneamente, o algoritmo ASSA usa duas estratégias, função kernel gaussiana e pós-processamento, para supressão de ruído em imagens SAR. A eficácia e eficiência do algoritmo proposto foram avaliadas sob três aspectos: efeitos visuais, indicadores quantitativos e tempo de execução. Os resultados mostram que, em comparação com outros algoritmos de segmentação de superpixels, o algoritmo ASSA pode realizar segmentação adaptativa de superpixels baseada nas características da imagem, melhorando a eficiência da segmentação ao mesmo tempo em que gera bordas de superpixels bem ajustadas e alta homogeneidade interna. A taxa de recall das bordas aumentou 11,3% e 15,9% em comparação com SLIC e ESOM, respectivamente, e a taxa de erro corrigida de subsegmentação diminuiu 33,3% e 29,4%, respectivamente.

SAR;segmentação de superpixels;fila de prioridade;estratégia de ajuste adaptativo de pontos sementes;modelo de mistura gaussiana