本發(fā)明屬于圖像處理技術(shù)領域，更進一步涉及目標識別技術(shù)領域中的一種基于脊波濾波器和反卷積結(jié)構(gòu)模型的合成孔徑雷達SAR(Synthetic Aperture Radar)圖像分割方法。本發(fā)明能夠?qū)铣煽讖嚼走_SAR圖像具有不同特征的區(qū)域準確地進行分割，并且可用于后續(xù)的合成孔徑雷達SAR圖像的目標檢測與識別。

背景技術(shù)：

合成孔徑雷達SAR是遙感技術(shù)領域的重要進展，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度的影響，能夠全天時、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)、地理等許多領域具有重要指導意義。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互不相交的區(qū)域的過程。通過計算機對SAR圖像進行解譯是目前面臨的一個巨大挑戰(zhàn)，而SAR圖像分割又是其必要步驟，它對進一步的檢測、識別影響很大。

目前圖像分割常用的方法主要分為基于特征的方法和基于統(tǒng)計模型的方法。由于SAR獨特的成像機理，SAR圖像中含有許多相干斑噪聲，導致很多光學圖像的傳統(tǒng)方法都不能直接用于SAR圖像的分割。SAR圖像的傳統(tǒng)分割方法主要是有監(jiān)督和半監(jiān)督的方法。它們往往需要靠人工經(jīng)驗進行特征提取，然而提取的特征的好壞對于SAR圖像的分割結(jié)果有著關鍵作用。對于有監(jiān)督和半監(jiān)督的方法，需要有標簽數(shù)據(jù)，SAR圖像的標簽數(shù)據(jù)很少，獲取標簽數(shù)據(jù)的成本很高。機器學習作為無監(jiān)督特征學習的關鍵技術(shù)，可以用于SAR圖像分割任務。然而，傳統(tǒng)的深度學習方法往往只能到達特征層面，沒有更好的挖掘SAR圖像在語義層次上的信息，導致其無法有效完成對SAR圖像的分割。

華北電力大學在其申請的專利“一種基于深度卷積神經(jīng)網(wǎng)絡的特定目標輪廓圖像分割方法”(專利申請?zhí)朇N201610109536.6，公開號CN105787482A)中公布了一種基于深度卷積神經(jīng)網(wǎng)絡的特定目標輪廓的圖像分割方法。該方法將訓練圖像歸一化到相同像素大小，將得到的訓練圖像輸入到一個卷積神經(jīng)網(wǎng)絡中，經(jīng)過數(shù)層卷積層與全連接層，在全連接層的最后一層得到圖像表達，并與對應的標注圖像進行比較得到預測誤差。采用反向傳播算法和隨機梯度下降法來減小預測誤差以訓練該神經(jīng)網(wǎng)絡，得到特定目標輪廓圖像分割的訓練模型。這個方法雖然達到了自主學習圖像特征的目的，但是，該方法仍然存在的不足之處是，此方法為了處理上的方便，將輸入圖像進行了歸一化處理，這樣便破壞了圖像的原始結(jié)構(gòu)信息。同時，此方法還對圖像進行了標注，分為訓練樣本以及測試樣本，以達到訓練卷積網(wǎng)絡的目的。這樣有監(jiān)督的處理方式便增加了分割方法的復雜性。

西安電子科技大學在其申請的專利“基于脊波反卷積網(wǎng)絡和稀疏分類的SAR圖像分割方法”(專利申請?zhí)朇N201510675676.5，公開號CN105374033A)中公布了一種基于脊波反卷積網(wǎng)絡和稀疏分類的SAR圖像分割方法。該方法對SAR圖像的聚集區(qū)域和勻質(zhì)區(qū)域分別訓練脊波反卷積網(wǎng)絡RDN，得到脊波反卷積網(wǎng)絡中濾波器組的最優(yōu)值，并采用稀疏分類的方法完成SAR圖像的分割。此方法雖然達到了無監(jiān)督的學習圖像特征，但是，該方法仍然存在的不足之處是，在初始化濾波器時，采用的隨機初始化脊波濾波器的方法，而忽略了圖像的結(jié)構(gòu)信息，這樣便極大的降低了圖像分割的準確性。

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鄰域多項式隱模型的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鄰域多項式隱模型的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。基于該劃分，對不同特性的區(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聚集區(qū)域的表示，進而采用層次聚類的方法進行分割。對結(jié)構(gòu)區(qū)域，通過分析邊模型和線模型，設計了視覺語義規(guī)則定位邊界和線目標。另外，邊界和線目標包含了強烈的方向信息，因此設計了基于幾何結(jié)構(gòu)窗的多項式隱模型進行分割。對勻質(zhì)區(qū)域，為了能找到恰當?shù)泥徲蛉ケ硎局行南袼?，設計了基于自適應窗口的多項式隱模型進行分割。這三個區(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)域的分割中未對獨立目標進行處理。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于脊波濾波器和反卷積結(jié)構(gòu)模型的SAR圖像分割方法，以更加有效的完成SAR圖像的分割。

為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

(1)素描化SAR圖像：

(1a)對輸入的合成孔徑雷達SAR圖像，依據(jù)SAR圖像的像素起伏分布特點，得到其素描模型；

(1b)從素描模型提取素描圖，得到合成孔徑雷達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SAR圖像劃分像素子空間，得到合成孔徑雷達SAR圖像的區(qū)域圖；

(2b)將區(qū)域圖映射到輸入的合成孔徑雷達SAR圖像中，得到合成孔徑雷達SAR圖像中混合聚集結(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)建脊波濾波器集合：

(3a)從合成孔徑雷達SAR圖像的區(qū)域圖中提取混合聚集結(jié)構(gòu)地物像素子空間對應的聚集區(qū)域，在[0°，180°]區(qū)間內(nèi)以間隔為10°劃分為18個區(qū)間即18個方向，分別統(tǒng)計每個區(qū)間內(nèi)該聚集區(qū)域中素描線段的線段條數(shù)；

(3b)對該聚集區(qū)域中所有的素描線段，按照各個間隔內(nèi)的線段條數(shù)的多少進行排序，得到方向的排序序列，將方向的排序序列中前6個方向的度數(shù)分別作為脊波濾波器中的方向參數(shù)；

(3c)按照下式，依據(jù)參數(shù)a，θ和b計算9×9的脊波濾波器的脊波函數(shù)：

Y＝a×(y₁×cosθ+y₂×sinθ-b)

其中，Y表示脊波濾波器的脊波函數(shù)，a表示脊波濾波器的尺度參數(shù)，a的取值范圍為[0,3]，a的離散間隔為0.2，y₁表示脊波濾波器像素點的橫坐標位置，y₁的取值范圍為[0,8]，y₁的離散間隔為1，cos表示余弦操作，θ表示脊波濾波器的方向參數(shù)，y₂表示脊波濾波器像素點的縱坐標位置，y₂的取值范圍為[0,8]，y₂的離散間隔為1，sin表示正弦操作；b表示脊波濾波器的位移參數(shù)，當方向參數(shù)θ為[0°,90°)時，b在[0,9×(sinθ+cosθ)]區(qū)間內(nèi)以間隔為0.2進行離散化，當方向參數(shù)θ為[90°,180°)時，b在[9×cosθ,9×sinθ]區(qū)間內(nèi)以間隔為0.2進行離散化；

(3d)按照下式，計算每一個脊波波濾波器：

其中，c(Y)表示以脊波函數(shù)Y作為參數(shù)的脊波濾波器，K表示脊波濾波器frobenius范數(shù)的倒數(shù)，exp表示以自然常數(shù)e為底的指數(shù)操作；

(3e)將計算得到的每一個脊波濾波器組合成為脊波濾波器集合；

(4)構(gòu)造反卷積結(jié)構(gòu)模型：

(4a)對合成孔徑雷達SAR圖像中的混合聚集結(jié)構(gòu)地物像素子空間的每個互不連通的區(qū)域，按31×31的窗口進行隔一滑窗采樣，得到每個區(qū)域?qū)亩鄠€圖像塊，將多個圖像塊依次輸入到反卷積結(jié)構(gòu)模型中，得到反卷積結(jié)構(gòu)模型的輸入層；

(4b)利用特征圖和脊波濾波器進行卷積操作來重構(gòu)輸入層中的圖像塊，得到反卷積結(jié)構(gòu)模型的反卷積層；

(4c)按照下式，計算數(shù)據(jù)保真項：

其中,E(c)表示數(shù)據(jù)保真項，c表示反卷積結(jié)構(gòu)模型反卷積層中的脊波濾波器，N表示要學習的每個互不連通的區(qū)域包含的圖像塊的總個數(shù)，∑表示求和操作，||·||_F表示做frobenius范數(shù)操作，表示frobenius范數(shù)的平方操作，x_i表示待構(gòu)造反卷積結(jié)構(gòu)模型中第i個輸入圖像塊，M_i表示待構(gòu)造反卷積結(jié)構(gòu)模型中輸入的第i個圖像塊對應的脊波濾波器的總數(shù)，*表示卷積操作，表示待構(gòu)造反卷積結(jié)構(gòu)模型中第i個圖像塊對應的第j個特征圖，表示待構(gòu)造反卷積結(jié)構(gòu)模型中第i個圖像塊對應的第j個脊波濾波器；

(4d)按照下式，計算結(jié)構(gòu)保真項：

其中，G(c)表示結(jié)構(gòu)保真項，R(·)表示求素描圖中所有素描線總長度的操作，SM(·)表示提取與輸入圖像塊一一對應的素描圖塊的操作；

(4e)按照下式，計算目標函數(shù)：

其中，L(c)表示目標函數(shù)，表示在目標函數(shù)L(c)值最小時，求取脊波濾波器c的操作；

(4f)輸出由目標函數(shù)指導學習得到的脊波濾波器集合，得到反卷積結(jié)構(gòu)模型的輸出層；

(5)訓練反卷積結(jié)構(gòu)模型：

(5a)將結(jié)構(gòu)誤差閾值設置為0.1；

(5b)將步驟(4a)采樣得到圖像塊依次輸入到反卷積結(jié)構(gòu)模型中；

(5c)從脊波濾波器集合中，隨機選取六個濾波器，其方向參數(shù)由步驟(3b)中統(tǒng)計的6個方向得到，其位移參數(shù)和尺度參數(shù)隨機初始化，將這些初始六個濾波器組成的濾波器集合作為所選取的脊波濾波器集合；

(5d)用6個大小為39×39的零矩陣初始化6個大小為39×39的特征圖，將初始化后的6個大小為39×39的特征圖作為特征圖集合；

(5e)將特征圖集合和所選取的脊波濾波器集合進行卷積操作來重構(gòu)輸入圖像塊；

(5f)利用步驟(4d)中的結(jié)構(gòu)保真項公式，計算重構(gòu)輸入圖像塊的結(jié)構(gòu)保真項；

(5g)判斷當前重構(gòu)輸入圖像塊的結(jié)構(gòu)保真項是否小于結(jié)構(gòu)誤差閾值，若是，則執(zhí)行步驟(5j)，否則，執(zhí)行步驟(5h)；

(5h)利用尺度參數(shù)更新公式和位移參數(shù)更新公式，分別更新步驟(4c)數(shù)據(jù)保真項公式中脊波濾波器的尺度參數(shù)和位移參數(shù),得到更新后的脊波濾波器集合，利用特征圖更新公式，更新特征圖，得到更新后的特征圖集合；

(5i)將更新后的脊波濾波器集合作為所選取的脊波濾波器集合，將更新后的特征圖集合作為特征圖集合，返回步驟(5e)，對輸入圖像塊重新進行學習；

(5j)將學習得到的脊波濾波器保存至該重構(gòu)輸入圖像塊學習好的脊波濾波器集合中，完成對該輸入圖像塊特征的學習，并輸出該輸入圖像塊學習好的脊波濾波器集合；

(5k)判斷所有圖像塊是否通過反卷積結(jié)構(gòu)模型完成了特征的學習，若是，結(jié)束程序，否則，輸入下一個圖像塊并執(zhí)行步驟(5c)；

(6)分割SAR圖像混合聚集結(jié)構(gòu)地物像素子空間：

(6a)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)域訓練的脊波濾波器集合拼接成碼本；

(6b)將互不連通的混合聚集結(jié)構(gòu)地物像素子空間區(qū)域訓練的脊波濾波器集合中所有的脊波濾波器，向碼本進行投影，得到投影向量；

(6c)對每個互不連通的混合聚集結(jié)構(gòu)地物像素子空間區(qū)域的投影向量進行最大池化，得到一個結(jié)構(gòu)特征向量；

(6d)利用近鄰傳播AP聚類算法，對結(jié)構(gòu)特征向量進行聚類，得到與結(jié)構(gòu)特征向量相對應的混合聚集結(jié)構(gòu)地物像素子空間的分割結(jié)果；

(7)分割結(jié)構(gòu)像素子空間：

(7a)用視覺語義規(guī)則，分割線目標；

(7b)基于素描線的聚攏特征，分割獨立目標；

(7c)對線目標和獨立目標分割的結(jié)果進行合并，得到結(jié)構(gòu)像素子空間的分割結(jié)果。

(8)分割勻質(zhì)區(qū)域像素子空間：

采用基于多項式邏輯回歸先驗模型的勻質(zhì)區(qū)域分割方法，對勻質(zhì)區(qū)域像素子空間進行分割，得到勻質(zhì)區(qū)域像素子空間的分割結(jié)果。

(9)合并分割結(jié)果：

將混合聚集結(jié)構(gòu)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：

第一，本發(fā)明對合成孔徑雷達SAR圖像中的混合聚集結(jié)構(gòu)地物像素子空間的每個互不連通的區(qū)域，按31×31的窗口進行隔一滑窗采樣，得到多個圖像塊，將得到的圖像塊輸入到反卷積結(jié)構(gòu)模型中，不需要對輸入的合成孔徑雷達SAR圖像進行歸一化處理，克服了現(xiàn)有技術(shù)在輸入前需要對合成孔徑雷達SAR圖像進行歸一化處理而的不足，使得本發(fā)明具有可以直接利用采樣后得到的圖像塊作為輸入，而不會破壞輸入圖像塊的原始結(jié)構(gòu)信息的優(yōu)點。

第二，本發(fā)明利用合成孔徑雷達SAR圖像素描圖，采用素描線區(qū)域化方法，得到合成孔徑雷達SAR圖像的區(qū)域圖，將區(qū)域圖映射到輸入的合成孔徑雷達SAR圖像，得到合成孔徑雷達SAR圖像中的混合聚集結(jié)構(gòu)地物像素子空間、勻質(zhì)結(jié)構(gòu)像素子空間和結(jié)構(gòu)像素子空間，在混合聚集結(jié)構(gòu)地物的像素子空間中進行采樣和特征學習，不需要對圖像塊的類型進行標示，克服了現(xiàn)有技術(shù)在學習圖像特征時將輸入圖像標示為訓練圖像和標注圖像的不足，使得本發(fā)明具有不需要對輸入圖像進行標示，而降低了反卷積結(jié)構(gòu)模型復雜性的優(yōu)點。

第三、在本發(fā)明構(gòu)造的反卷積結(jié)構(gòu)模型中，采用輸入圖像塊的能量誤差函數(shù)和輸入圖像塊的結(jié)構(gòu)誤差函數(shù)來提取輸入圖像塊的結(jié)構(gòu)信息，克服了現(xiàn)有技術(shù)采用隨機初始化脊波濾波器而忽略了合成孔徑雷達SAR圖像的結(jié)構(gòu)信息的不足，使得本發(fā)明具有能夠更好的利用SAR圖像的結(jié)構(gòu)信息來完成合成孔徑雷達SAR圖像的分割，提高了合成孔徑雷達SAR圖像分割準確性。

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)明中提取的具有聚攏特征的素描線圖；

圖4是本發(fā)明仿真結(jié)果示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步的描述。

參考附圖1，本發(fā)明的具體步驟如下。

步驟1，SAR圖像素描化。

輸入合成孔徑雷達SAR圖像，將其素描化，得到合成孔徑雷達SAR圖像的素描圖。

第1步，構(gòu)造具有不同方向和尺度的由像素點組成的邊、線的一個模板，利用模板的方向和尺度信息構(gòu)造各向異性高斯函數(shù)來計算該模板中每一點的加權(quán)系數(shù)，其中尺度個數(shù)取值為3～5，方向個數(shù)取值為18。

第2步，按照下式，計算與模板區(qū)域位置相對應的合成孔徑雷達SAR圖像中像素的均值和方差值：

其中，μ表示與模板區(qū)域位置相對應的合成孔徑雷達SAR圖像中像素的均值，∑表示求和操作，g表示模板第Ω個區(qū)域中一個像素點的位置，∈表示屬于符號，w_g表示模板第Ω個區(qū)域中像素點在g位置處的權(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個區(qū)域中像素點在g位置處對應的合成孔徑雷達SAR圖像中的像素值，ν表示與模板區(qū)域位置相對應的合成孔徑雷達SAR圖像中像素的方差值。

第3步，按照下式，計算合成孔徑雷達SAR圖像中每個像素對比值算子的響應值：

其中，R表示合成孔徑雷達SAR圖像中每個像素對比值算子的響應值，min{·}表示求最小值操作，a和b分別表示模板中的兩個不同區(qū)域，μ_a和μ_b分別表示與模板區(qū)域a和模板區(qū)域b位置對應的合成孔徑雷達SAR圖像中像素的均值。

第4步，按照下式，計算合成孔徑雷達SAR圖像中每個像素對相關性算子的響應值：

其中，C表示合成孔徑雷達SAR圖像中每個像素對相關性算子的響應值，a和b分別表示模板中兩個不同區(qū)域，ν_a和ν_b分別表示與模板區(qū)域a和模板區(qū)域b位置對應的合成孔徑雷達SAR圖像中像素的方差值，μ_a和μ_b分別表示與模板區(qū)域a和模板區(qū)域b位置對應的合成孔徑雷達SAR圖像中像素的均值，表示平方根操作。

第5步，按照下式，融合合成孔徑雷達SAR圖像中像素對比值算子的響應值和合成孔徑雷達SAR圖像中像素對相關性算子的響應值，計算合成孔徑雷達SAR圖像中每個像素對各個模板的響應值：

其中，F(xiàn)表示合成孔徑雷達SAR圖像中每個像素對各個模板的響應值，R和C分別表示合成孔徑雷達SAR圖像中像素對比值算子和合成孔徑雷達SAR圖像中像素對相關性算子的響應值，表示平方根操作。

第6步，選擇具有最大響應值的模板作為合成孔徑雷達SAR圖像中像素的模板，并將最大響應值作為該像素的強度，將具有最大響應值的模板的方向作為該像素的方向，獲得合成孔徑雷達SAR圖像的邊線響應圖和方向圖。

第7步，利用合成孔徑雷達SAR圖像中每個像素所選擇的模板，獲得合成孔徑雷達SAR圖像的梯度圖。

第8步，按照下式，將歸一化到[0,1]的邊線響應圖與歸一化到[0,1]的梯度圖進行融合，得到強度圖：

其中，I表示強度圖中的強度值，x表示邊線響應圖中的值，y表示梯度圖中的值。

第9步，采用非極大值抑制方法，對強度圖進行檢測，得到建議草圖。

第10步，選取建議草圖中具有最大強度的像素，將建議草圖中與該最大強度的像素連通的像素連接形成建議線段，得到建議素描圖。

第11步，按照下式，計算建議素描圖中素描線的編碼長度增益CLG：

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，m表示當前素描線鄰域中像素的個數(shù)，t表示當前素描線鄰域中像素的編號，A_t表示當前素描線鄰域中第t個像素的觀測值，A_t,0表示在當前素描線不能表示結(jié)構(gòu)信息的假設下，該素描線鄰域中第t個像素的估計值，ln(·)表示以e為底的對數(shù)操作，A_t,1表示在當前素描線能夠表示結(jié)構(gòu)信息的假設下，該素描線鄰域中第t個像素的估計值。

第12步，設定閾值T，T的取值范圍為5～50，選擇CLG>T的建議素描線作為最終素描圖中的素描線，獲得輸入合成孔徑雷達SAR圖像對應的素描圖。

本發(fā)明使用的合成孔徑雷達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。

第1步，按照合成孔徑雷達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、線目標以及孤立目標的素描線。

第2步，根據(jù)素描線段聚集度的直方圖統(tǒng)計，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號，m表示種子線段的總條數(shù)，{·}表示集合操作。

第3步，將未被選取添加進某個種子線段集和的線段作為基點，以此基點遞歸求解新的線段集合。

第4步，構(gòu)造一個半徑為最優(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行膨脹，對膨脹后的線段集合由外向內(nèi)進行腐蝕，在素描圖上得到以素描點為單位的聚集區(qū)域。

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

第6步，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。

第7步，將素描圖中的聚集區(qū)域、結(jié)構(gòu)區(qū)域和不可素描區(qū)域，分別映射到合成孔徑雷達SAR圖像上，得到合成孔徑雷達SAR圖像的混合聚集結(jié)構(gòu)地物像素子空間、結(jié)構(gòu)像素子空間和勻質(zhì)結(jié)構(gòu)像素子空間。

步驟3，構(gòu)建脊波濾波器集合。

第1步，從合成孔徑雷達SAR圖像的區(qū)域圖中提取混合聚集結(jié)構(gòu)地物像素子空間對應的聚集區(qū)域，在[0°，180°]區(qū)間內(nèi)以間隔為10°劃分為18個區(qū)間即18個方向，分別統(tǒng)計每個區(qū)間內(nèi)該聚集區(qū)域中素描線段的線段條數(shù)。

第2步，對該聚集區(qū)域中所有的素描線段，按照各個間隔內(nèi)的線段條數(shù)的多少進行排序，得到方向的排序序列，將方向的排序序列中前6個方向的度數(shù)分別作為脊波濾波器中的方向參數(shù)。

第3步，按照下式，依據(jù)參數(shù)a，θ和b計算9×9的脊波濾波器的脊波函數(shù)：

Y＝a×(y₁×cosθ+y₂×sinθ-b)

其中，Y表示脊波濾波器的脊波函數(shù)，a表示脊波濾波器的尺度參數(shù)，a的取值范圍為[0,3]，a的離散間隔為0.2，y₁表示脊波濾波器像素點的橫坐標位置，y₁的取值范圍為[0,8]，y₁的離散間隔為1，cos表示余弦操作，θ表示脊波濾波器的方向參數(shù)，y₂表示脊波濾波器像素點的縱坐標位置，y₂的取值范圍為[0,8]，y₂的離散間隔為1，sin表示正弦操作；b表示脊波濾波器的位移參數(shù)，當方向參數(shù)θ為[0°,90°)時，b在[0,9×(sinθ+cosθ)]區(qū)間內(nèi)以間隔為0.2進行離散化，當方向參數(shù)θ為[90°,180°)時，b在[9×cosθ,9×sinθ]區(qū)間內(nèi)以間隔為0.2進行離散化。

第4步，按照下式，計算每一個脊波波濾波器：

其中，c(Y)表示以脊波函數(shù)Y作為參數(shù)的脊波濾波器，K表示脊波濾波器frobenius范數(shù)的倒數(shù)，exp表示以自然常數(shù)e為底的指數(shù)操作。

第5步，將計算得到的每一個脊波濾波器組合成為脊波濾波器集合。

步驟4，構(gòu)造反卷積結(jié)構(gòu)模型。

第1步，對合成孔徑雷達SAR圖像中的混合聚集結(jié)構(gòu)地物像素子空間的每個互不連通的區(qū)域，按31×31的窗口進行隔一滑窗采樣，得到每個區(qū)域?qū)亩鄠€圖像塊，將多個圖像塊依次輸入到反卷積結(jié)構(gòu)模型中，得到反卷積結(jié)構(gòu)模型的輸入層。

第2步，利用特征圖和脊波濾波器進行卷積操作來重構(gòu)輸入層中的圖像塊，得到反卷積結(jié)構(gòu)模型的反卷積層。

第3步，按照下式，計算數(shù)據(jù)保真項：

其中,E(c)表示數(shù)據(jù)保真項，c表示反卷積結(jié)構(gòu)模型反卷積層中的脊波濾波器，N表示要學習的每個互不連通的區(qū)域包含的圖像塊的總個數(shù)，∑表示求和操作，||·||_F表示做frobenius范數(shù)操作，表示frobenius范數(shù)的平方操作，x_i表示待構(gòu)造反卷積結(jié)構(gòu)模型中第i個輸入圖像塊，M_i表示待構(gòu)造反卷積結(jié)構(gòu)模型中輸入的第i個圖像塊對應的脊波濾波器的總數(shù)，*表示卷積操作，表示待構(gòu)造反卷積結(jié)構(gòu)模型中第i個圖像塊對應的第j個特征圖，表示待構(gòu)造反卷積結(jié)構(gòu)模型中第i個圖像塊對應的第j個脊波濾波器。

第4步，按照下式，計算結(jié)構(gòu)保真項：

其中，G(c)表示結(jié)構(gòu)保真項，R(·)表示求素描圖中所有素描線總長度的操作，SM(·)表示提取與輸入圖像塊一一對應的素描圖塊的操作。

第5步，按照下式，計算目標函數(shù)：

其中，L(c)表示目標函數(shù)，表示在目標函數(shù)L(c)值最小時，求取脊波濾波器c的操作。

第6步，輸出由目標函數(shù)指導學習得到的脊波濾波器，得到反卷積結(jié)構(gòu)模型的輸出層。

步驟5，訓練反卷積結(jié)構(gòu)模型。

第1步，將結(jié)構(gòu)誤差閾值設置為0.1。

第2步，將步驟4采樣得到圖像塊依次輸入到反卷積結(jié)構(gòu)模型中。

第3步，從脊波濾波器集合中，隨機選取六個濾波器，其方向參數(shù)由步驟3中統(tǒng)計的6個方向得到，其位移參數(shù)和尺度參數(shù)隨機初始化，將這些初始六個濾波器組成的濾波器集合作為所選取的脊波濾波器集合。

第4步，用6個大小為39×39的零矩陣初始化6個大小為39×39的特征圖，將初始化的6個大小為39×39的特征圖作為特征圖集合；

第5步，將特征圖集合和脊波濾波器集合進行卷積操作來重構(gòu)輸入圖像塊；

第6步，利用結(jié)構(gòu)保真項公式，計算重構(gòu)輸入圖像塊的結(jié)構(gòu)保真項。

第7步，判斷當前重構(gòu)輸入圖像塊的結(jié)構(gòu)保真項是否小于結(jié)構(gòu)誤差閾值，若是，則執(zhí)行第10步，否則，執(zhí)行第8步。

第8步，利用尺度參數(shù)更新公式和位移參數(shù)更新公式，分別更新數(shù)據(jù)保真項公式中脊波濾波器的尺度參數(shù)和位移參數(shù),得到更新后的脊波濾波器集合，利用特征圖更新公式，更新特征圖，得到更新后的特征圖集合。

尺度參數(shù)的更新公式如下：

其中a表示脊波濾波器的尺度參數(shù)，a^t為第t步求得的尺度，a^t-1為第t-1步求得的尺度，δ表示系數(shù)，取值范圍為[0,1]，∑表示相加，x_i為第i塊31×31的SAR圖像采樣塊，表示第i個圖像塊對應的第j個脊波濾波器，表示第i個圖像塊對應的第j個特征圖塊，γ＝(a,b,θ)，K(γ)表示脊波濾波器frobenius范數(shù)的倒數(shù)，e表示自然常數(shù)，Y表示脊波濾波器的脊波函數(shù)，y₁表示9×9的脊波濾波器像素點的橫坐標位置，y₂表示9×9的脊波濾波器像素點的縱坐標位置，θ表示脊波濾波器的方向參數(shù)。

位移參數(shù)的更新公式如下：

其中b^t表示第t次迭代求得的脊波濾波器的位移參數(shù)，b^t-1為t-1次求得的位移參數(shù)，δ表示系數(shù)，取值范圍為[0,1]，∑表示相加，x_i為第i塊31×31的SAR圖像采樣塊，表示第i個圖像塊對應的第j個脊波濾波器，表示第i個圖像塊對應的第j個特征圖塊，γ＝(a,b,θ)，K(γ)表示脊波濾波器frobenius范數(shù)的倒數(shù)，e表示自然常數(shù)，Y表示脊波濾波器的脊波函數(shù)。

特征圖更新公式如下：

其中表示第t次迭代求得的特征圖，為t-1次迭代求得的特征圖，δ表示步長，取值范圍為[0,1]，∑表示求和操作，x_i表示第i個輸入圖像塊，表示第i個圖像塊對應的第j個脊波濾波器，表示t-1次迭代中第i個圖像塊對應的第j個特征圖。

第9步，將更新后的脊波濾波器集合作為所選取的脊波濾波器集合，返回第4步，對輸入圖像塊重新進行學習。

第10步，將學習得到的脊波濾波器保存至該輸入圖像塊學習好的脊波濾波器集合中，完成對該輸入圖像塊特征的學習，并輸出該輸入圖像塊學習好的脊波濾波器集合。

第11步，判斷所有圖像塊是否通過反卷積結(jié)構(gòu)模型完成了特征的學習，若是，結(jié)束程序，否則，輸入下一個圖像塊并執(zhí)行第3步。

步驟6，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。

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

對每個互不連通區(qū)域的投影向量進行最大池化，得到每個區(qū)域?qū)囊粋€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7，分割結(jié)構(gòu)像素子空間。

用視覺語義規(guī)則，分割線目標。

設第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的方向為O_i，l_j的方向為O_j，i,j∈[1,2,...,S]，S為素描線的總條數(shù)。

將寬度大于3個像素的線目標用兩條素描線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，設相鄰列的灰度差為AD_i＝|A_i-A_i+1|，設z_s＝[z_s1,z_s2,...,z_s9]為相鄰列的灰度差AD_i的標記向量。

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

設L₁,L₂是表示線目標的素描線的集合，如果D_ij<T₁并且|O_i-O_j|<10，則l_i,l_j∈L₁；如果sum(z_s)＝2，則l_s∈L₂，其中sum(·)表示參量元素的和。

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

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

基于素描線的聚攏特征，分割獨立目標的具體步驟如下：

第1步，在區(qū)域圖的結(jié)構(gòu)區(qū)域中，將不表示線目標的所有素描線標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選取一條素描線，以所選取的素描線的一個端點為中心，構(gòu)造大小為5×5的一個幾何結(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，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端點，若是，將該端點所在素描線和當前素描線進行連接；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端點的幾何結(jié)構(gòu)窗內(nèi)是否存在其他素描線的端點，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，選出素描線對應的n-1個頂點的角度值都在[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條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端點坐標，確定兩個端點間的距離，若該端點距離在[0,20]范圍內(nèi)，則將所選取素描線作為表示獨立目標的素描線；

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SAR圖像中表示獨立目標的素描線周圍的像素進行超像素分割，將分割后超像素的灰度值在[0,45]或[180,255]內(nèi)的超像素作為獨立目標超像素；

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

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

步驟8，分割勻質(zhì)區(qū)域像素子空間。

第1步，從勻質(zhì)區(qū)域像素子空間中任意選取一個像素點，以所選取的像素點為中心建立3×3的方形窗口，計算該窗口的標準差σ₁。

第2步，將方形窗口的邊長增加2，得到新的方形窗口，計算新方形窗口的標準差σ₂。

第3步，設標準差閾值T₃＝3，如果|σ₁-σ₂|<T₃，則將標準差為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，計算方形窗口內(nèi)中心像素的先驗概率：

其中，p′₁表示方形窗口內(nèi)中心像素的先驗概率，exp(·)表示指數(shù)函數(shù)操作，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'類的像素個數(shù)。

第5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6步，將先驗概率p₁'與似然概率p₂'相乘，得到后驗概率p₁₂'。

第7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，若有，執(zhí)行第1步；否則，執(zhí)行第9步。

第8步，根據(jù)最大后驗概率準則，得到勻質(zhì)區(qū)域像素子空間的分割結(jié)果。

步驟9，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)果進行合并，得到合成孔徑雷達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驗室圖形工作站；本發(fā)明仿真所使用的合成孔徑雷達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)明的仿真實驗是對SAR圖像中的Piperiver圖進行分割，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，其中顏色較深的素描線為表示線目標和獨立目標得素描線。

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)中的白色空間表示混合聚集結(jié)構(gòu)語義空間，其他的為勻質(zhì)結(jié)構(gòu)語義空間和結(jié)構(gòu)語義空間。將圖2(c)所示區(qū)域圖映射到圖2(a)所示原SAR圖像，得到如圖2(d)所示的SAR圖像混合聚集結(jié)構(gòu)地物像素子空間圖。

采用本發(fā)明的基于素描線的聚攏特征分割獨立目標步驟，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)乃孛杈€。圖3(b)所示的結(jié)構(gòu)區(qū)域?qū)乃孛杈€中，黑色為代表線目標的素描線，圖3(c)所示的結(jié)構(gòu)區(qū)域?qū)乃孛杈€中，黑色為代表獨立目標的素描線。圖2(a)所示的Piperiver圖進行獨立目標的分割，得到圖3(d)所示的獨立目標的分割結(jié)果圖，其中黑色區(qū)域表示獨立目標。

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行分割，得到圖4(a)所示的混合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，不同顏色的區(qū)域表示不同的地物。

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)果和勻質(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(b)，圖4(b)是圖2(a)Piperiver圖像的最終分割結(jié)果,圖4(c)是基于層次視覺語義和自適應鄰域多項式隱模型的SAR圖像分割方法對Piperiver圖像的最終分割結(jié)果圖。

3.仿真效果分析：

圖4(c)是本發(fā)明方法對Piperiver圖像的最終分割結(jié)果圖，圖4(d)是基于層次視覺語義和自適應鄰域多項式隱模型的SAR圖像分割方法對Piperiver圖像的最終分割結(jié)果圖，通過分割結(jié)果圖的對比，可得出結(jié)論，本發(fā)明方法對于混合聚集結(jié)構(gòu)地物像素子空間的邊界確定更精確，對于勻質(zhì)區(qū)域像素子空間的分割，區(qū)域一致性明顯較好，類別數(shù)更加合理，且對結(jié)構(gòu)像素子空間中的獨立目標進行了較好的分割處理。使用本發(fā)明方法對合成孔徑雷達SAR圖像進行分割，有效的將SAR圖像進行了分割，并提高了SAR圖像分割的準確性。