本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像分割技術(shù)領(lǐng)域中的一種基于素描結(jié)構(gòu)的隨機(jī)梯度貝葉斯的合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)圖像分割方法。本發(fā)明可應(yīng)用于對合成孔徑雷達(dá)SAR的不同區(qū)域準(zhǔn)確地進(jìn)行分割，可進(jìn)一步用于SAR圖像中的目標(biāo)檢測與識別。

背景技術(shù)：

合成孔徑雷達(dá)SAR是遙感技術(shù)領(lǐng)域的重要進(jìn)展，用來獲取地球表面的高分辨圖像。與其他類型的成像技術(shù)相比，SAR有著非常重要的優(yōu)勢，它不受云層、降雨或者大霧等大氣條件以及光照強(qiáng)度的影響，能夠全天時(shí)、全天候地獲取高分辨遙感數(shù)據(jù)。SAR技術(shù)對于軍事、農(nóng)業(yè)、地理等許多領(lǐng)域具有重要指導(dǎo)意義。

圖像分割是指根據(jù)顏色、灰度和紋理等特征將圖像劃分成若干個(gè)互不相交的區(qū)域的過程。目前圖像分割常用的方法有：基于邊緣檢測的方法、基于閾值的方法、基于區(qū)域生長和分水嶺的方法及基于聚類的方法等。由于SAR獨(dú)特的成像機(jī)理，SAR圖像中含有許多相干斑噪聲，導(dǎo)致很多光學(xué)圖像的傳統(tǒng)方法都不能直接用于SAR圖像的分割。SAR圖像的傳統(tǒng)分割方法包括一些基于聚類如K-means、FCM等的方法，以及其他一些有監(jiān)督和半監(jiān)督的方法。它們往往需要靠人工經(jīng)驗(yàn)進(jìn)行特征提取，然而提取的特征的好壞對于SAR圖像的分割結(jié)果有著重要影響。對于有監(jiān)督和半監(jiān)督的方法，需要有標(biāo)簽數(shù)據(jù)，SAR圖像的標(biāo)簽數(shù)據(jù)很少，獲取標(biāo)簽數(shù)據(jù)的成本很高。貝葉斯網(wǎng)絡(luò)在不確定性知識的表達(dá)和推理方面具有獨(dú)特優(yōu)勢，變分貝葉斯推理網(wǎng)絡(luò)既可以無需標(biāo)簽數(shù)據(jù)進(jìn)行無監(jiān)督地訓(xùn)練，也可以有效地學(xué)習(xí)各個(gè)像素空間隱含的結(jié)構(gòu)特征，對于SAR圖像的有效分割具有很大意義。

武漢大學(xué)在其發(fā)表的論文“一種有效的MSTAR SAR圖像分割方法”(武漢大學(xué)學(xué)報(bào)：信息科學(xué)版2015年第10月1377頁—1380頁)中提出了一種MSTAR SAR圖像分割方法。該方法首先對待處理圖像進(jìn)行過分割操作，得到過分割圖像區(qū)域。其次對過分割后的圖像進(jìn)行圖像區(qū)域級和像素級的特征提取，得到用于表示圖像的特征向量，對MSTARSAR圖像使用空間隱含狄利克雷分配模型(sLDA)和馬爾科夫隨機(jī)場(MRF)建立該方法所提出的模型，得到能量泛函。最后運(yùn)用Graph-Cut算法和Branch-and-Bound算法對能量泛函進(jìn)行優(yōu)化，得到最終的分割結(jié)果。該方法存在的不足之處是，在求得SAR圖像的特征向量時(shí)，用到SAR圖像的像素級特征，而沒有自動(dòng)地去學(xué)習(xí)SAR圖像中由于像素之間的相關(guān)性而特有的結(jié)構(gòu)特征，使得真正表示SAR圖像地物特點(diǎn)的結(jié)構(gòu)特征利用不充分，導(dǎo)致分割結(jié)果不夠準(zhǔn)確。

西安電子科技大學(xué)在其申請的專利“基于反卷積網(wǎng)絡(luò)與映射推理網(wǎng)絡(luò)的SAR圖像分割方法”(專利申請?zhí)朇N201510679181.X，公開號CN105389798A)中公開了一種反卷積網(wǎng)絡(luò)與映射推理網(wǎng)絡(luò)的SAR圖像分割方法。該方法根據(jù)合成孔徑雷達(dá)SAR圖像的素描圖得到劃分的區(qū)域圖，將區(qū)域圖映射到原圖得到聚集、勻質(zhì)和結(jié)構(gòu)區(qū)域。分別對聚集和勻質(zhì)區(qū)域中各個(gè)互不連通的區(qū)域進(jìn)行無監(jiān)督訓(xùn)練，得到表征各個(gè)互不連通區(qū)域結(jié)構(gòu)特征的濾波器集合。分別對兩類區(qū)域的中互不連通區(qū)域間的結(jié)構(gòu)特征進(jìn)行比較推理，得到聚集和勻質(zhì)區(qū)域的分割結(jié)果。對結(jié)構(gòu)區(qū)域在素描線段指導(dǎo)下使用超像素合并進(jìn)行分割。合并各區(qū)域分割結(jié)果完成SAR圖像分割。該方法存在的不足之處是，在對聚集區(qū)域中互不連通區(qū)域間的結(jié)構(gòu)特征進(jìn)行比較推理的時(shí)候，該方法采用的推理網(wǎng)絡(luò)是自組織特征映射SOM網(wǎng)絡(luò)，由于自組織映射SOM本身具有人為確定聚類數(shù)，聚類時(shí)間久的缺點(diǎn)，并且SOM在對SAR濾波器特征處理時(shí)，將具有明顯方向差異的濾波器特征聚類為一類，導(dǎo)致聚類準(zhǔn)確性極大降低，極大地影響了SAR圖像分割的準(zhǔn)確性。

西安電子科技大學(xué)在其申請的專利“基于反卷積網(wǎng)絡(luò)與映射推理網(wǎng)絡(luò)的SAR圖像分割方法”(專利申請?zhí)朇N201510679181.X，公開號CN105389798A)中公開了一種反卷積網(wǎng)絡(luò)與映射推理網(wǎng)絡(luò)的SAR圖像分割方法。該方法根據(jù)合成孔徑雷達(dá)SAR圖像的素描圖得到劃分的區(qū)域圖，將區(qū)域圖映射到原圖得到聚集、勻質(zhì)和結(jié)構(gòu)區(qū)域。分別對聚集和勻質(zhì)區(qū)域中各個(gè)互不連通的區(qū)域進(jìn)行無監(jiān)督訓(xùn)練，得到表征各個(gè)互不連通區(qū)域結(jié)構(gòu)特征的濾波器集合。分別對兩類區(qū)域的中互不連通區(qū)域間的結(jié)構(gòu)特征進(jìn)行比較推理，得到聚集和勻質(zhì)區(qū)域的分割結(jié)果。對結(jié)構(gòu)區(qū)域在素描線段指導(dǎo)下使用超像素合并進(jìn)行分割。合并各區(qū)域分割結(jié)果完成SAR圖像分割。該方法存在的不足之處是，在對聚集區(qū)域中互不連通區(qū)域間的結(jié)構(gòu)特征進(jìn)行比較推理的時(shí)候，該方法采用的是自組織特征映射SOM網(wǎng)絡(luò)的推理方法，這種推理方法需要人為確定聚類數(shù)，且聚類時(shí)間較久，導(dǎo)致聚類準(zhǔn)確性降低，影響了SAR圖像分割的準(zhǔn)確性。

劉芳，段一平，李玲玲，焦李成等在其發(fā)表的論文“基于層次視覺語義和自適應(yīng)鄰域多項(xiàng)式隱模型的SAR圖像分割”(IEEE Trancactions on Geoscience and Remote Sensing，2016,54(7):4287-4301.)中提出了一種基于層次視覺語義和自適應(yīng)鄰域多項(xiàng)式隱模型的SAR圖像分割方法，該方法在SAR圖像素描圖的基礎(chǔ)上，提出了SAR圖像的層次視覺語義。該層次視覺語義把SAR圖像劃分為聚集區(qū)域，結(jié)構(gòu)區(qū)域和勻質(zhì)區(qū)域?；谠搫澐郑瑢Σ煌匦缘膮^(qū)域采用了不同的分割方法。對于聚集區(qū)域，提取灰度共生矩陣特征，并采用局部線性約束編碼的方法得到每個(gè)聚集區(qū)域的表示，進(jìn)而采用層次聚類的方法進(jìn)行分割。對結(jié)構(gòu)區(qū)域，通過分析邊模型和線模型，設(shè)計(jì)了視覺語義規(guī)則定位邊界和線目標(biāo)。另外，邊界和線目標(biāo)包含了強(qiáng)烈的方向信息，因此設(shè)計(jì)了基于幾何結(jié)構(gòu)窗的多項(xiàng)式隱模型進(jìn)行分割。對勻質(zhì)區(qū)域，為了能找到恰當(dāng)?shù)泥徲蛉ケ硎局行南袼兀O(shè)計(jì)了基于自適應(yīng)窗口的多項(xiàng)式隱模型進(jìn)行分割。這三個(gè)區(qū)域的分割結(jié)果被整合到一起得到最后的分割結(jié)果。該方法的不足之處是，對聚集區(qū)域的邊界定位不夠精確，對勻質(zhì)區(qū)域類別數(shù)的確定不夠合理，分割結(jié)果的區(qū)域一致性較差，而結(jié)構(gòu)區(qū)域的分割中未對獨(dú)立目標(biāo)進(jìn)行處理。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對上述已有技術(shù)的不足，結(jié)合變分貝葉斯推理網(wǎng)絡(luò)的優(yōu)勢，提出了一種基于素描結(jié)構(gòu)的隨機(jī)梯度貝葉斯SAR圖像分割方法，以提高SAR圖像分割的準(zhǔn)確性。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

(1)SAR圖像素描化：

(1a)輸入合成孔徑雷達(dá)SAR圖像；

(1b)建立合成孔徑雷達(dá)SAR圖像的素描模型；

(1c)從素描模型提取合成孔徑雷達(dá)SAR圖像的素描圖；

(2)劃分像素子空間：

(2a)采用素描線區(qū)域化方法，對合成孔徑雷達(dá)SAR圖像的素描圖進(jìn)行區(qū)域化處理，得到包括聚集區(qū)域、無素描線區(qū)域和結(jié)構(gòu)區(qū)域的合成孔徑雷達(dá)SAR圖像的區(qū)域圖；

(2b)將包括聚集區(qū)域、無素描線區(qū)域和結(jié)構(gòu)區(qū)域的區(qū)域圖，映射到合成孔徑雷達(dá)SAR圖像中，得到合成孔徑雷達(dá)SAR圖像的混合聚集結(jié)構(gòu)地物像素子空間、勻質(zhì)區(qū)域像素子空間和結(jié)構(gòu)像素子空間；

(3)構(gòu)建隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型：

(3a)按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到隱層的中間變量:

其中，h_φ表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到隱層的中間變量，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到中間變量h_φ的連接權(quán)值，m表示隱層的神經(jīng)元個(gè)數(shù)，m＝500，n表示輸入層的神經(jīng)元個(gè)數(shù)，n＝441，表示對應(yīng)的偏置向量；

(3b)按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的近似后驗(yàn)概率：

其中，q_φ(z|x)表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的近似后驗(yàn)概率，表示均值向量為μ_φ，協(xié)方差矩陣為的正態(tài)分布，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到隱層的中間變量h_φ與μ_φ的連接權(quán)值，表示對應(yīng)的偏置向量，表示輸入層到隱層的中間變量h_φ與σ_φ的連接權(quán)值，表示對應(yīng)的偏置向量；

(3c)按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層到重構(gòu)層的中間變量：

其中，h_θ表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層到重構(gòu)層的中間變量，隱層到中間變量h_θ的連接權(quán)值，表示對應(yīng)的偏置向量；

(3d)按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的條件概率：

其中，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的條件概率，表示均值向量為μ_θ，協(xié)方差矩陣為的正態(tài)分布，表示隱層到重構(gòu)層的中間變量h_θ與μ_θ的連接權(quán)值，表示對應(yīng)的偏置向量，表示隱層到重構(gòu)層的中間變量h_θ與σ_θ的連接權(quán)值，表示對應(yīng)的偏置向量；

(3e)按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分下界：

其中，J(θ,φ)表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分下界，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分參數(shù)，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的生成參數(shù)，D_KL(q_φ(z|x)||p_θ(z))表示q_φ(z|x)和p_θ(z)之間的相對熵，z表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層變量，p_θ(z)表示隱層變量z的先驗(yàn)概率，∑(·)表示求和操作，L表示隱層變量z進(jìn)行高斯采樣的次數(shù)，log(·)表示對數(shù)操作，z^l表示對z的第l次高斯采樣結(jié)果，其取值由公式得到，其中，表示點(diǎn)乘運(yùn)算，ε^l表示高斯采樣輔助變量，ε^l～N(0,I)，表示高斯采樣輔助變量滿足標(biāo)準(zhǔn)正態(tài)分布；

(3f)按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)重構(gòu)誤差：

其中，G(θ,φ)表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)重構(gòu)誤差，K表示輸入圖像塊的總數(shù)，x_i表示第i個(gè)輸入圖像塊，表示x_i的重構(gòu)圖像塊，SM(·)表示求素描塊操作，C(·)表示求素描塊中素描線長度操作；

(4)對混合聚集結(jié)構(gòu)地物像素子空間進(jìn)行特征學(xué)習(xí)：

(4a)對合成孔徑雷達(dá)SAR圖像的混合聚集結(jié)構(gòu)地物像素子空間，按空間上的連通性進(jìn)行區(qū)域劃分，若只存在一個(gè)互不連通區(qū)域，執(zhí)行(6)；

(4b)對每個(gè)互不連通區(qū)域，按21×21的窗口進(jìn)行隔一采樣，得到每個(gè)區(qū)域?qū)?yīng)的多個(gè)圖像塊樣本；

(4c)對每個(gè)圖像塊樣本，在素描圖中取與圖像塊樣本一一對應(yīng)的素描塊樣本；

(4d)對每個(gè)互不連通區(qū)域，產(chǎn)生出每個(gè)區(qū)域?qū)?yīng)的一組符合不均勻地物分布G0分布的隨機(jī)數(shù)；

(4e)對每個(gè)互不連通區(qū)域，用每個(gè)區(qū)域?qū)?yīng)的一組隨機(jī)數(shù)對隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)的連接權(quán)值進(jìn)行初始化，得到初始化后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)；

(4f)對每個(gè)互不連通區(qū)域初始化后的隨即梯度變分貝葉斯網(wǎng)絡(luò)，將圖像塊樣本作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)的輸入層，采用素描結(jié)構(gòu)約束的隨機(jī)梯度變分貝葉斯推理的方法，對初始化后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)約束訓(xùn)練，得到訓(xùn)練后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)；

(4g)對每個(gè)互不連通區(qū)域，取其訓(xùn)練后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)的權(quán)值，作為該區(qū)域的特征集合；

(5)分割SAR圖像混合聚集結(jié)構(gòu)地物像素子空間：

(5a)將所有互不連通區(qū)域的特征集合拼接，將拼接后的特征集合作為碼本；

(5b)對每個(gè)互不連通區(qū)域的所有特征，分別計(jì)算與碼本中的每個(gè)特征的內(nèi)積，得到每個(gè)區(qū)域的所有特征在碼本上的投影向量；

(5c)對每個(gè)互不連通區(qū)域的所有投影向量進(jìn)行最大值匯聚，得到每個(gè)區(qū)域?qū)?yīng)的一個(gè)結(jié)構(gòu)特征向量；

(5d)利用近鄰傳播AP聚類算法，對所有互不連通區(qū)域的結(jié)構(gòu)特征向量進(jìn)行聚類，得到混合聚集結(jié)構(gòu)地物像素子空間的分割結(jié)果；

(6)分割結(jié)構(gòu)像素子空間：

(6a)用視覺語義規(guī)則，分割線目標(biāo)；

(6b)基于素描線的聚攏特征，分割獨(dú)立目標(biāo)；

(6c)對線目標(biāo)和獨(dú)立目標(biāo)分割的結(jié)果進(jìn)行合并，得到結(jié)構(gòu)像素子空間的分割結(jié)果；

(7)分割勻質(zhì)區(qū)域像素子空間：

采用基于多項(xiàng)式邏輯回歸先驗(yàn)?zāi)Ｐ偷膭蛸|(zhì)區(qū)域分割方法，對勻質(zhì)區(qū)域像素子空間進(jìn)行分割，得到勻質(zhì)區(qū)域像素子空間的分割結(jié)果；

(8)合并分割結(jié)果：

將混合聚集結(jié)構(gòu)地物像素子空間、勻質(zhì)區(qū)域像素子空間和結(jié)構(gòu)像素子空間的分割結(jié)果合并，得到合成孔徑雷達(dá)SAR圖像的最終分割結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

第一，由于本發(fā)明設(shè)置了一種隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)，通過混合聚集結(jié)構(gòu)地物像素子空間各個(gè)互不連通的區(qū)域進(jìn)行無監(jiān)督訓(xùn)練，將訓(xùn)練得到網(wǎng)絡(luò)的權(quán)值作為各個(gè)互不連通區(qū)域的結(jié)構(gòu)特征，克服了現(xiàn)有技術(shù)用SAR圖像的像素級特征求取SAR圖像的特征向量，而沒有學(xué)習(xí)SAR圖像中由于像素之間的相關(guān)性而特有的結(jié)構(gòu)特征的缺點(diǎn)，使得采用本發(fā)明可以自動(dòng)提取SAR圖像的結(jié)構(gòu)特征，獲得更好的區(qū)域一致性。

第二，由于本發(fā)明在對混合聚集結(jié)構(gòu)地物空間各個(gè)互不連通的區(qū)域進(jìn)行特征學(xué)習(xí)時(shí)，分別用各個(gè)區(qū)域的像素強(qiáng)度值估計(jì)G⁰分布的參數(shù)，然后用G⁰分布的概率密度函數(shù)產(chǎn)生隨機(jī)數(shù)據(jù)對網(wǎng)絡(luò)的權(quán)值進(jìn)行初始化，克服了現(xiàn)有技術(shù)自動(dòng)提取圖像特征的深度自編碼網(wǎng)絡(luò)中用隨機(jī)分布對網(wǎng)絡(luò)初始化而沒有抓住SAR圖像本質(zhì)特征的缺點(diǎn)，使得采用本發(fā)明可以有效學(xué)到表征SAR圖像地物的本質(zhì)特征，提高了SAR圖像分割的準(zhǔn)確性。

第三，由于本發(fā)明采用素描結(jié)構(gòu)約束的隨機(jī)梯度變分貝葉斯推理的方法對SAR圖像進(jìn)行結(jié)構(gòu)特征學(xué)習(xí)，利用SAR圖像素描圖中的結(jié)構(gòu)信息作為特征學(xué)習(xí)的結(jié)構(gòu)約束，克服了現(xiàn)有技術(shù)自動(dòng)提取圖像特征的深度自編碼網(wǎng)絡(luò)中沒有利用SAR圖像的結(jié)構(gòu)特征的缺點(diǎn)，使得采用本發(fā)明可以學(xué)到表征SAR圖像地物的最重要的結(jié)構(gòu)特征，進(jìn)一步提高了SAR圖像分割的準(zhǔn)確性。

第四，由于本發(fā)明將所有互不連通的混合聚集結(jié)構(gòu)地物像素子空間區(qū)域的特征集合拼接，將拼接后的特征集合作為碼本，而且采用內(nèi)積投影的方式，將每個(gè)區(qū)域的特征向碼本投影，得到的每個(gè)區(qū)域的結(jié)構(gòu)特征向量稀疏且可區(qū)分性大，聚類效率明顯提升，克服了現(xiàn)有技術(shù)基于反卷積網(wǎng)絡(luò)與映射推理網(wǎng)絡(luò)中的人為確定聚類數(shù)目且聚類時(shí)間久的缺點(diǎn)，使得采用本發(fā)明可以更精確的得到SAR圖像的分割結(jié)果且在時(shí)間上提高SAR圖像分割的效率。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是本發(fā)明的仿真圖；

圖3是本發(fā)明仿真實(shí)驗(yàn)中間結(jié)果。

圖4是本發(fā)明仿真結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步說明。

參照附圖1，本發(fā)明的具體實(shí)施步驟如下：

步驟1，SAR圖像素描化。

輸入合成孔徑雷達(dá)SAR圖像。

按照以下步驟，建立合成孔徑雷達(dá)SAR圖像的素描模型：

第1步，在[100,150]范圍內(nèi)，任意選取一個(gè)數(shù)，作為模板的總數(shù)；

第2步，構(gòu)造具有不同方向和尺度的由像素點(diǎn)組成的邊、線的一個(gè)模板，利用模板的方向和尺度信息構(gòu)造各向異性高斯函數(shù)，通過該高斯函數(shù)，計(jì)算模板中每個(gè)像素點(diǎn)的加權(quán)系數(shù)，統(tǒng)計(jì)模板中所有像素點(diǎn)的加權(quán)系數(shù)，其中，尺度個(gè)數(shù)取值為3～5，方向個(gè)數(shù)取值為18；

第3步，按照下式，計(jì)算與模板區(qū)域坐標(biāo)相對應(yīng)的合成孔徑雷達(dá)SAR圖像中像素點(diǎn)的均值：

其中，μ表示與模板區(qū)域坐標(biāo)相對應(yīng)的合成孔徑雷達(dá)SAR圖像中所有像素點(diǎn)的均值，∑表示求和操作，g表示模板第Ω個(gè)區(qū)域中任意一個(gè)像素點(diǎn)對應(yīng)的坐標(biāo)，∈表示屬于符號，w_g表示模板第Ω個(gè)區(qū)域中像素點(diǎn)在坐標(biāo)g處的權(quán)重系數(shù)，w_g的取值范圍為w_g∈[0,1]，A_g表示與模板第Ω個(gè)區(qū)域中像素點(diǎn)在坐標(biāo)g處對應(yīng)的合成孔徑雷達(dá)SAR圖像中的像素點(diǎn)的值；

第4步，按照下式，計(jì)算與模板區(qū)域坐標(biāo)相對應(yīng)的合成孔徑雷達(dá)SAR圖像中像素點(diǎn)的方差值：

其中，ν表示與模板區(qū)域坐標(biāo)相對應(yīng)的合成孔徑雷達(dá)SAR圖像中所有像素點(diǎn)的方差值；

第5步，按照下式，計(jì)算合成孔徑雷達(dá)SAR圖像中每個(gè)像素點(diǎn)針對比值算子的響應(yīng)值：

其中，R表示合成孔徑雷達(dá)SAR圖像中每個(gè)像素點(diǎn)針對比值算子的響應(yīng)值，min{·}表示最小值操作，a和b分別表示模板中的兩個(gè)不同的區(qū)域，μ_a表示模板區(qū)域a中所有像素點(diǎn)的均值，μ_b表示模板區(qū)域b中所有像素點(diǎn)的均值；

第6步，按照下式，計(jì)算合成孔徑雷達(dá)SAR圖像中每個(gè)像素針對相關(guān)性算子的響應(yīng)值：

其中，C表示合成孔徑雷達(dá)SAR圖像中每個(gè)像素針對相關(guān)性算子的響應(yīng)值，表示平方根操作，a和b分別表示模板中兩個(gè)不同區(qū)域，ν_a表示模板區(qū)域a中所有像素點(diǎn)的方差值，ν_b表示模板區(qū)域b中所有像素點(diǎn)的方差值，μ_a表示模板區(qū)域a中所有像素點(diǎn)的均值，μ_b表示模板區(qū)域b中所有像素點(diǎn)的均值；

第7步，按照下式，計(jì)算合成孔徑雷達(dá)SAR圖像中每個(gè)像素點(diǎn)針對各個(gè)模板的響應(yīng)值：

其中，F(xiàn)表示合成孔徑雷達(dá)SAR圖像中每個(gè)像素點(diǎn)針對各個(gè)模板的響應(yīng)值，表示平方根操作，R和C分別表示合成孔徑雷達(dá)SAR圖像中像素點(diǎn)針對比值算子和合成孔徑雷達(dá)SAR圖像中像素點(diǎn)針對相關(guān)性算子的響應(yīng)值；

第8步，判斷所構(gòu)造的模板是否等于所選取模板的總數(shù)，若是，則執(zhí)行第2步，否則，執(zhí)行第9步；

第9步，從各個(gè)模板中選擇具有最大響應(yīng)值的模板，作為合成孔徑雷達(dá)SAR圖像的模板，并將該模板的最大響應(yīng)值作為合成孔徑雷達(dá)SAR圖像中像素點(diǎn)的強(qiáng)度，將該模板的方向作為合成孔徑雷達(dá)SAR圖像中像素點(diǎn)的方向，獲得合成孔徑雷達(dá)SAR圖像的邊線響應(yīng)圖和梯度圖；

第10步，按照下式，計(jì)算合成孔徑雷達(dá)SAR圖像強(qiáng)度圖的強(qiáng)度值，得到強(qiáng)度圖：

其中，I表示合成孔徑雷達(dá)SAR圖像強(qiáng)度圖的強(qiáng)度值，r表示合成孔徑雷達(dá)SAR圖像邊線響應(yīng)圖中的值，t表示合成孔徑雷達(dá)SAR圖像梯度圖中的值；

第11步，采用非極大值抑制方法，對強(qiáng)度圖進(jìn)行檢測，得到建議草圖；

第12步，選取建議草圖中具有最大強(qiáng)度的像素點(diǎn)，將建議草圖中與該最大強(qiáng)度的像素點(diǎn)連通的像素點(diǎn)連接形成建議線段，得到建議素描圖；

第13步，按照下式，計(jì)算建議素描圖中素描線的編碼長度增益：

其中，CLG表示建議素描圖中素描線的編碼長度增益，∑表示求和操作,J表示當(dāng)前素描線鄰域中像素點(diǎn)的個(gè)數(shù)，A_j表示當(dāng)前素描線鄰域中第j個(gè)像素點(diǎn)的觀測值，A_j,0表示在當(dāng)前素描線不能表示結(jié)構(gòu)信息的情況下，該素描線鄰域中第j個(gè)像素點(diǎn)的估計(jì)值，ln(·)表示以e為底的對數(shù)操作，A_j,1表示在當(dāng)前素描線能夠表示結(jié)構(gòu)信息的情況下，該素描線鄰域中第j個(gè)像素點(diǎn)的估計(jì)值；

第14步，在[5,50]范圍內(nèi)，任意選取一個(gè)數(shù)，作為閾值T；

第15步，選出所有建議素描線中CLG>T的建議素描線，將其組合成合成孔徑雷達(dá)SAR圖像的素描圖。

從素描模型提取合成孔徑雷達(dá)SAR圖像的素描圖。

本發(fā)明使用的合成孔徑雷達(dá)SAR圖像素描模型是Jie-Wu等人于2014年發(fā)表在IEEE Transactions on Geoscience and Remote Sensing雜志上的文章《Local maximal homogenous region search for SAR speckle reduction with sketch-based geometrical kernel function》中所提出的模型。

步驟2，劃分像素子空間。

采用素描線區(qū)域化方法，對合成孔徑雷達(dá)SAR圖像的素描圖進(jìn)行區(qū)域化處理，得到包括聚集區(qū)域、無素描線區(qū)域和結(jié)構(gòu)區(qū)域的合成孔徑雷達(dá)SAR圖像的區(qū)域圖。

按照合成孔徑雷達(dá)SAR圖像的素描圖中素描線段的聚集度，將素描線劃分為表示聚集地物的聚集素描線和表示邊界、線目標(biāo)、孤立目標(biāo)的邊界素描線、線目標(biāo)素描線、孤立目標(biāo)素描線。

根據(jù)素描線段聚集度的直方圖統(tǒng)計(jì)，選取聚集度等于最優(yōu)聚集度的素描線段作為種子線段集{E_k,k＝1,2,...,m}，其中，E_k表示種子線段集中的任一條素描線段，k表示種子線段集中任一條素描線段的標(biāo)號，m表示種子線段的總條數(shù)，{·}表示集合操作。

以未被選取添加進(jìn)種子線段集和的線段作為基點(diǎn)，以此基點(diǎn)遞歸求解線段集合。

構(gòu)造一個(gè)半徑為最優(yōu)聚集度區(qū)間上界的圓形基元，用該圓形基元對線段集合中的線段進(jìn)行膨脹，對膨脹后的線段集合由外向內(nèi)進(jìn)行腐蝕，在素描圖上得到以素描點(diǎn)為單位的聚集區(qū)域。

對表示邊界、線目標(biāo)以及孤立目標(biāo)的素描線，以每個(gè)素描線的每個(gè)素描點(diǎn)為中心構(gòu)造大小為5×5的幾何結(jié)構(gòu)窗，得到結(jié)構(gòu)區(qū)域。

將素描圖中除去聚集區(qū)域和結(jié)構(gòu)區(qū)域以外的部分作為不可素描區(qū)域。

將素描圖中的聚集區(qū)域、不可素描區(qū)域和結(jié)構(gòu)區(qū)域合并，得到包括聚集區(qū)域、無素描線區(qū)域和結(jié)構(gòu)區(qū)域的合成孔徑雷達(dá)SAR圖像的區(qū)域圖。

將包括聚集區(qū)域、無素描線區(qū)域和結(jié)構(gòu)區(qū)域的區(qū)域圖，映射到合成孔徑雷達(dá)SAR圖像中，得到合成孔徑雷達(dá)SAR圖像的混合聚集結(jié)構(gòu)地物像素子空間、勻質(zhì)區(qū)域像素子空間和結(jié)構(gòu)像素子空間。

步驟3，構(gòu)建隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型。

按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到隱層的中間變量:

其中，h_φ表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到隱層的中間變量，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到中間變量h_φ的連接權(quán)值，m表示隱層的神經(jīng)元個(gè)數(shù)，m＝500，n表示輸入層的神經(jīng)元個(gè)數(shù)，n＝441，表示對應(yīng)的偏置向量。

按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的近似后驗(yàn)概率：

其中，q_φ(z|x)表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的近似后驗(yàn)概率，表示均值向量為μ_φ，協(xié)方差矩陣為的正態(tài)分布，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層到隱層的中間變量h_φ與μ_φ的連接權(quán)值，表示對應(yīng)的偏置向量，表示輸入層到隱層的中間變量h_φ與σ_φ的連接權(quán)值，表示對應(yīng)的偏置向量。

按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層到重構(gòu)層的中間變量：

其中，h_θ表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層到重構(gòu)層的中間變量，隱層到中間變量h_θ的連接權(quán)值，表示對應(yīng)的偏置向量。

按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的條件概率：

其中，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的條件概率，表示均值向量為μ_θ，協(xié)方差矩陣為的正態(tài)分布，表示隱層到重構(gòu)層的中間變量h_θ與μ_θ的連接權(quán)值，表示對應(yīng)的偏置向量，表示隱層到重構(gòu)層的中間變量h_θ與σ_θ的連接權(quán)值，表示對應(yīng)的偏置向量。

按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分下界：

其中，J(θ,φ)表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分下界，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分參數(shù)，表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的生成參數(shù)，D_KL(q_φ(z|x)||p_θ(z))表示q_φ(z|x)和p_θ(z)之間的相對熵，z表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層變量，p_θ(z)表示隱層變量z的先驗(yàn)概率，∑(·)表示求和操作，L表示隱層變量z進(jìn)行高斯采樣的次數(shù)，log(·)表示對數(shù)操作，z^l表示對z的第l次高斯采樣結(jié)果，其取值由公式得到，其中，表示點(diǎn)乘運(yùn)算，ε^l表示高斯采樣輔助變量，ε^l～N(0,I)，表示高斯采樣輔助變量滿足標(biāo)準(zhǔn)正態(tài)分布。

按照下式，計(jì)算隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)重構(gòu)誤差：

其中，G(θ,φ)表示隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)重構(gòu)誤差，K表示輸入圖像塊的總數(shù)，x_i表示第i個(gè)輸入圖像塊，表示x_i的重構(gòu)圖像塊，SM(·)表示求素描塊操作，C(·)表示求素描塊中素描線長度操作。

步驟4，混合聚集結(jié)構(gòu)地物像素子空間的特征學(xué)習(xí)。

對合成孔徑雷達(dá)SAR圖像的混合聚集結(jié)構(gòu)地物像素子空間，按空間上的連通性進(jìn)行區(qū)域劃分，若只有一個(gè)互不連通區(qū)域，執(zhí)行步驟6。

對每個(gè)互不連通區(qū)域，按21×21的窗口進(jìn)行隔一采樣，得到每個(gè)區(qū)域?qū)?yīng)的多個(gè)圖像塊樣本。

對每個(gè)圖像塊樣本，在素描圖中取與圖像塊樣本一一對應(yīng)的素描塊樣本。

對每個(gè)互不連通區(qū)域，產(chǎn)生出每個(gè)區(qū)域?qū)?yīng)的一組符合不均勻地物分布G⁰分布的隨機(jī)數(shù)。

按照下式，計(jì)算合成孔徑雷達(dá)SAR圖像不均勻地物分布G⁰分布的概率密度：

其中，P(I(x,y))表示合成孔徑雷達(dá)SAR圖像的不均勻地物分布的概率密度，I(x,y)表示坐標(biāo)為(x,y)的像素點(diǎn)的強(qiáng)度值，n表示合成孔徑雷達(dá)SAR圖像的等效視數(shù)，α表示合成孔徑雷達(dá)SAR圖像的形狀參數(shù)，γ表示合成孔徑雷達(dá)SAR圖像的尺度參數(shù)，Γ(·)表示伽馬函數(shù)，其取值由下式得到：

其中，u表示自變量，∫表示積分操作，t表示積分變量。

對混合聚集結(jié)構(gòu)地物像素子空間區(qū)域R_i，利用該區(qū)域中所有像素點(diǎn)的強(qiáng)度值，采用梅林變換的參數(shù)估計(jì)方法，得到合成孔徑雷達(dá)SAR圖像的不均勻地物分布G⁰分布所需的三個(gè)參數(shù)α、γ、n的估計(jì)值。

隨機(jī)選取混合聚集結(jié)構(gòu)地物空間R_i的500個(gè)圖像塊樣本，組成441×500的矩陣A。

利用矩陣A，通過合成孔徑雷達(dá)SAR圖像的不均勻地物分布G⁰分布的概率密度函數(shù)生成一個(gè)441×500的矩陣B，矩陣B中的數(shù)據(jù)滿足合成孔徑雷達(dá)SAR圖像的不均勻地物分布G⁰分布。

對每個(gè)互不連通區(qū)域，用每個(gè)區(qū)域?qū)?yīng)的一組隨機(jī)數(shù)對隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)的連接權(quán)值進(jìn)行初始化，得到初始化后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)。

將矩陣B作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的輸入層x到中間變量h_φ的連接權(quán)值

從矩陣B中隨機(jī)選取500列，組成500×500的矩陣C，將矩陣C作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的中間變量h_φ到μ_φ的連接權(quán)值將矩陣C作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的中間變量h_φ到σ_φ連接權(quán)值將矩陣C作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的隱層z到中間變量h_θ的連接權(quán)值

將矩陣B的轉(zhuǎn)置作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的中間變量h_θ到μ_θ的連接權(quán)值將矩陣B的轉(zhuǎn)置作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的中間變量h_θ到μ_θ的連接權(quán)值

對每個(gè)互不連通區(qū)域初始化后的隨即梯度變分貝葉斯網(wǎng)絡(luò)，將圖像塊樣本作為隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)的輸入層，按照以下步驟，采用素描結(jié)構(gòu)約束的隨機(jī)梯度變分貝葉斯推理的方法，對初始化后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)約束訓(xùn)練，得到訓(xùn)練后的隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)：

第1步，將隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型隱層的先驗(yàn)概率初始化為標(biāo)準(zhǔn)正態(tài)分布概率，將隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的近似后驗(yàn)概率初始化為正態(tài)分布概率，得到隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分下界的解析式如下：

第2步，按照下式，更新隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的生成參數(shù)：

其中，θ^t+1表示第t+1次迭代后隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的生成參數(shù)，θ^t表示第t次迭代后隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的生成參數(shù)，表示對J(θ,φ)的參變量θ求偏導(dǎo)的操作；

第3步，按照下式，更新隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分參數(shù)：

其中，φ^t+1表示第t+1次迭代后隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分參數(shù)，φ^t表示第t次迭代后隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的變分參數(shù)，表示對J(θ,φ)的參變量φ求偏導(dǎo)的操作；

第4步，利用隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)重構(gòu)誤差公式，計(jì)算結(jié)構(gòu)重構(gòu)誤差；

第5步，判斷結(jié)構(gòu)重構(gòu)誤差是否小于閾值0.2，若是，執(zhí)行第5步；否則，執(zhí)行第1步；

第6步，完成隨機(jī)梯度變分貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)約束訓(xùn)練。

步驟5，分割SAR圖像混合聚集結(jié)構(gòu)地物像素子空間。

將所有互不連通區(qū)域的特征集合拼接，將拼接后的特征集合作為碼本。

對每個(gè)互不連通區(qū)域的所有特征，分別計(jì)算與碼本中的每個(gè)特征的內(nèi)積，得到每個(gè)區(qū)域的所有特征在碼本上的投影向量。

對每個(gè)互不連通區(qū)域的所有投影向量進(jìn)行最大值匯聚，得到每個(gè)區(qū)域?qū)?yīng)的一個(gè)結(jié)構(gòu)特征向量。

利用近鄰傳播AP聚類算法，對所有互不連通區(qū)域的結(jié)構(gòu)特征向量進(jìn)行聚類，得到混合聚集結(jié)構(gòu)地物像素子空間的分割結(jié)果。

步驟6，分割結(jié)構(gòu)像素子空間。

用視覺語義規(guī)則，分割線目標(biāo)。

設(shè)第i條素描線l_i與第j條素描線l_j之間的距離為D_ij，l_i的方向?yàn)镺_i，l_j的方向?yàn)镺_j，i,j∈[1,2,...,S]，S為素描線的總條數(shù)。

將寬度大于3個(gè)像素的線目標(biāo)用兩條素描線l_i和l_j表示，l_i和l_j之間的距離D_ij小于T₁且方向差(O_i－O_j)小于10度，其中T₁＝5。

設(shè)第s條素描線l_s的幾何結(jié)構(gòu)窗w_s內(nèi)每一列的平均灰度為A_i，設(shè)相鄰列的灰度差為AD_i＝|A_i-A_i+1|，設(shè)z_s＝[z_s1,z_s2,...,z_s9]為相鄰列的灰度差A(yù)D_i的標(biāo)記向量。

將寬度小于3個(gè)像素的線目標(biāo)用單個(gè)素描線l_s表示，l_s的幾何結(jié)構(gòu)窗w_s內(nèi)，計(jì)算相鄰列的灰度差A(yù)D_i，如果AD_i>T₂，則z_si＝1；否則z_si＝0，z_s中有兩個(gè)元素的值為1，其余為0，其中T₂＝34。

設(shè)L₁,L₂是表示線目標(biāo)的素描線的集合，若D_ij<T₁且|O_i－O_j|<10，則l_i，l_j∈L₁；若sum(z_s)＝2，則l_s∈L₂，其中sum(·)表示對向量的所有分量求和的操作。

在結(jié)構(gòu)像素子空間，根據(jù)線目標(biāo)的素描線的集合L1，將li和lj之間的區(qū)域作為線目標(biāo)。

在結(jié)構(gòu)像素子空間，根據(jù)線目標(biāo)的素描線的集合L2，將ls的區(qū)域作為線目標(biāo)。

按照以下步驟，基于素描線的聚攏特征，分割獨(dú)立目標(biāo)：

第1步，在區(qū)域圖的結(jié)構(gòu)區(qū)域中，將不表示線目標(biāo)的所有素描線標(biāo)記為候選素描線集合中的素描線；

第2步，從候選素描線集合中隨機(jī)選取一條素描線，以所選取的素描線的一個(gè)端點(diǎn)為中心，構(gòu)造大小為5×5的一個(gè)幾何結(jié)構(gòu)窗；

第3步，判斷幾何結(jié)構(gòu)窗內(nèi)是否存在其它素描線的端點(diǎn)，若存在，執(zhí)行第4步；否則，執(zhí)行第6步；

第4步，判斷是否只存在一個(gè)端點(diǎn)，若是，將該端點(diǎn)所在素描線和當(dāng)前素描線進(jìn)行連接；否則，執(zhí)行第5步；

第5步，連接所選取素描線與各端點(diǎn)所在的素描線，從所有連接線中選取其中夾角最大的兩條素描線作為連接完成的素描線；

第6步，判斷素描線的另一個(gè)端點(diǎn)的幾何結(jié)構(gòu)窗內(nèi)是否存在其他素描線的端點(diǎn)，若存在，執(zhí)行第4步；否則，執(zhí)行第7步；

第7步，對完成連接操作的素描線，選取包含兩條及兩條以上素描線段的素描線，統(tǒng)計(jì)所選取素描線中包含素描線段的條數(shù)n，其中n≥2；

第8步，判斷素描線的條數(shù)n是否等于2，若是，則執(zhí)行第9步；否則，執(zhí)行第10步；

第9步，將素描線頂點(diǎn)的角度值在[10°,140°]的范圍內(nèi)的素描線作為具有聚攏特征的素描線；

第10步，選出素描線對應(yīng)的n-1個(gè)頂點(diǎn)的角度值都在[10°,140°]范圍內(nèi)的素描線；

第11步，在所選出的素描線中，定義如下兩種情況：

第一種情況，判斷第i條素描線段相鄰兩條素描線段第i-1條、第i+1條是否在第i條素描線段所在直線的同一側(cè)，2≤i≤n-1，若素描線上的所有素描線段與相鄰線段都在同一側(cè)，則標(biāo)記該素描線為具有聚攏特征的素描線；

第二種情況，判斷第i條素描線段相鄰兩條素描線段第i-1條、第i+1條是否在第i條素描線段所在直線的同一側(cè)，2≤i≤n-1，若素描線上有n-1素描線段與相鄰線段在同一側(cè)，而有一條素描線段與其相鄰線段在非同一側(cè)，也標(biāo)記該素描線為具有聚攏特征的素描線；

第12步，在具有聚攏特征的素描線中任選一條素描線，由所選取素描線的兩個(gè)端點(diǎn)坐標(biāo)，確定兩個(gè)端點(diǎn)間的距離，若該端點(diǎn)距離在[0,20]范圍內(nèi)，則將所選取素描線作為表示獨(dú)立目標(biāo)的素描線；

第13步，判斷未處理的具有聚攏特征的素描線是否全部選完，若是，執(zhí)行第12步；否則，執(zhí)行第14步；

第14步，用超像素分割的方法，對合成孔徑雷達(dá)SAR圖像中表示獨(dú)立目標(biāo)的素描線周圍的像素進(jìn)行超像素分割，將分割后超像素的灰度值在[0,45]或[180,255]內(nèi)的超像素作為獨(dú)立目標(biāo)超像素；

第15步，合并獨(dú)立目標(biāo)超像素，將合并后的獨(dú)立目標(biāo)超像素的邊界作為獨(dú)立目標(biāo)的邊界，得到獨(dú)立目標(biāo)的分割結(jié)果。

對線目標(biāo)和獨(dú)立目標(biāo)分割的結(jié)果進(jìn)行合并，得到結(jié)構(gòu)像素子空間的分割結(jié)果。

步驟7，分割勻質(zhì)區(qū)域像素子空間。

按照以下步驟，采用基于多項(xiàng)式邏輯回歸先驗(yàn)?zāi)Ｐ偷膭蛸|(zhì)區(qū)域分割方法，對勻質(zhì)區(qū)域像素子空間進(jìn)行分割，得到勻質(zhì)區(qū)域像素子空間的分割結(jié)果：

第1步，從勻質(zhì)區(qū)域像素子空間中任意選取一個(gè)像素點(diǎn)，以所選取的像素點(diǎn)為中心建立3×3的方形窗口，計(jì)算該窗口的標(biāo)準(zhǔn)差σ₁；

第2步，將方形窗口的邊長增加2，得到新的方形窗口，計(jì)算新方形窗口的標(biāo)準(zhǔn)差σ₂；

第3步，設(shè)標(biāo)準(zhǔn)差閾值T₃＝3，如果|σ₁-σ₂|<T₃，則將標(biāo)準(zhǔn)差為σ₂的方形窗口作為最終的方形窗口，執(zhí)行第4步；否則，執(zhí)行第2步；

第4步，按照下式，計(jì)算方形窗口內(nèi)中心像素的先驗(yàn)概率：

其中，p₁'表示方形窗口內(nèi)中心像素的先驗(yàn)概率，η'表示概率模型參數(shù)，η'取值為1，x_k′′表示方形窗口內(nèi)屬于第k'類的像素個(gè)數(shù)，k'∈[1,...,K']，K'表示分割的類別數(shù)，K'取值為5，x_i'表示第3步得到的方形窗口內(nèi)屬于第i'類的像素個(gè)數(shù)；

第6步，將像素灰度的概率密度與紋理的概率密度相乘，得到似然概率p'₂，其中，灰度的概率密度由衰落信道Nakagami分布得到，紋理的概率密度由t分布得到；

第7步，將先驗(yàn)概率p₁'與似然概率p₂'相乘，得到后驗(yàn)概率p₁₂'；

第8步，判斷勻質(zhì)區(qū)域像素子空間中是否還有未處理的像素點(diǎn)，若有，執(zhí)行第1步；否則，執(zhí)行第9步；

第9步，根據(jù)最大后驗(yàn)概率準(zhǔn)則，得到勻質(zhì)區(qū)域像素子空間的分割結(jié)果。

步驟8，將混合聚集結(jié)構(gòu)地物像素子空間、勻質(zhì)區(qū)域像素子空間和結(jié)構(gòu)像素子空間的分割結(jié)果合并，得到合成孔徑雷達(dá)SAR圖像的最終分割結(jié)果。

下面結(jié)合仿真圖對本發(fā)明的效果做進(jìn)一步的描述。

1.仿真條件：

本發(fā)明仿真的硬件條件為：智能感知與圖像理解實(shí)驗(yàn)室圖形工作站；本發(fā)明仿真所使用的合成孔徑雷達(dá)SAR圖像為：Ku波段分辨率為1米的Piperiver圖。

2.仿真內(nèi)容：

本發(fā)明的仿真實(shí)驗(yàn)是對SAR圖像中的Piperiver圖進(jìn)行分割，如圖2(a)所示的Piperiver圖。該圖來源于Ku波段分辨率為1米的合成孔徑雷達(dá)SAR圖像。

采用本發(fā)明的SAR圖像素描化步驟，對圖2(a)所示的Piperiver圖素描化，得到如圖2(b)所示的素描圖。

采用本發(fā)明的劃分像素子空間步驟，對圖2(b)所示的素描圖區(qū)域化，得到如圖2(c)所示的區(qū)域圖。圖2(c)中的白色空間表示聚集區(qū)域，其他的為無素描線區(qū)域和結(jié)構(gòu)區(qū)域。將圖2(c)所示區(qū)域圖映射到圖2(a)所示Piperiver圖，得到如圖2(d)所示的Piperiver圖像混合聚集結(jié)構(gòu)地物像素子空間圖。將圖2(c)所示區(qū)域圖中結(jié)構(gòu)區(qū)域映射到圖2(b)所示素描圖，得到圖3(a)所示的結(jié)構(gòu)區(qū)域?qū)?yīng)的素描線。圖3(b)所示的結(jié)構(gòu)區(qū)域?qū)?yīng)的素描線中，黑色為代表線目標(biāo)的素描線，圖3(c)所示的結(jié)構(gòu)區(qū)域?qū)?yīng)的素描線中，黑色為代表獨(dú)立目標(biāo)的素描線。

采用本發(fā)明的分割SAR圖像混合聚集結(jié)構(gòu)地物像素子空間步驟，對圖2(d)所示的Piperiver圖的混合聚集結(jié)構(gòu)地物像素子空間圖進(jìn)行分割，得到圖4(a)所示的混合聚集結(jié)構(gòu)地物像素子空間分割結(jié)果圖，其中灰色區(qū)域表示未處理的地物空間，其余相同顏色的區(qū)域表示同一種地物空間，不同顏色的區(qū)域表示不同的地物空間。

采用本發(fā)明的基于素描線的聚攏特征分割獨(dú)立目標(biāo)步驟，得到圖4(b)所示的獨(dú)立目標(biāo)的分割結(jié)果。

采用本發(fā)明的合并分割結(jié)果步驟，合并圖4(a)所示的混合聚集結(jié)構(gòu)地物像素子空間分割結(jié)果、勻質(zhì)區(qū)域像素子空間分割結(jié)果和結(jié)構(gòu)像素子空間分割結(jié)果，得到圖4(c)，圖4(c)是圖2(a)Piperiver圖像的最終分割結(jié)果圖，其中黑色線狀區(qū)域表示線目標(biāo)的分割結(jié)果。

3.仿真效果分析：

圖3(c)是本發(fā)明方法對Piperiver圖像的最終分割結(jié)果圖，圖3(d)是基于層次視覺語義和自適應(yīng)鄰域多項(xiàng)式隱模型的SAR圖像分割方法對Piperiver圖像的最終分割結(jié)果圖，通過對比分割結(jié)果圖，可得出本發(fā)明方法對混合聚集結(jié)構(gòu)地物像素子空間的邊界確定更加精確，對于勻質(zhì)區(qū)域像素子空間的分割，類別數(shù)更加合理，區(qū)域一致性明顯較好，并對結(jié)構(gòu)像素子空間中的獨(dú)立目標(biāo)進(jìn)行了較好的分割處理。使用本發(fā)明方法對合成孔徑雷達(dá)SAR圖像進(jìn)行分割，獲得了SAR圖像的良好分割效果，可用于SAR圖像的語義分割。