La segmentación de súper píxeles en imágenes SAR es el proceso de agrupar píxeles similares en imágenes SAR según un criterio de medida para formar súper píxeles. Los súper píxeles pueden reflejar en cierta medida las características semánticas de la imagen, lo que reduce eficazmente la dificultad en la comprensión ulterior de la imagen y se ha convertido en un paso importante de preprocesamiento para algoritmos de clasificación de imágenes, detección de cambios, etc. Sin embargo, los métodos existentes de segmentación de súper píxeles para imágenes SAR se basan principalmente en métodos de agrupamiento local, los cuales presentan deficiencias como la predefinición del número de puntos semilla, falta de adaptabilidad a los detalles de la imagen y el tiempo excesivo debido a múltiples iteraciones. Para resolver estos problemas, este artículo propone un algoritmo de segmentación adaptativa de súper píxeles con iteración única basado en propiedades del vecindario llamado ASSA, que emplea una estrategia de ajuste adaptativo de puntos semilla basada en el modelo de mezcla gaussiana, logrando la determinación adaptativa del número de súper píxeles y asegurando la homogeneidad interna; mediante el uso de una cola de prioridades y las características del vecindario, se realiza la segmentación de súper píxeles en una sola iteración; además, el algoritmo ASSA utiliza dos estrategias, una función kernel gaussiana y un post-procesamiento, para la supresión de ruido en imágenes SAR. La eficacia y eficiencia del algoritmo propuesto se evaluaron desde tres aspectos: efectos visuales, indicadores cuantitativos y tiempo de ejecución. Los resultados muestran que, en comparación con otros algoritmos de segmentación de súper píxeles, el algoritmo ASSA puede realizar segmentación adaptativa de súper píxeles basada en características de la imagen, mejorando la eficiencia de segmentación al tiempo que genera bordes de súper píxeles ajustados y alta homogeneidad interna. La tasa de recuperación de bordes aumentó en un 11.3% y 15.9% en comparación con SLIC y ESOM, respectivamente, y la tasa corregida de error por subsegmentación se redujo en 33.3% y 29.4%, respectivamente.

SAR;segmentación de súper píxeles;cola de prioridades;estrategia adaptativa de ajuste de puntos semilla;modelo de mezcla gaussiana