UiN 丄丄Λ -/·!·? -±/ O
[0045] 其中，Ns代表x s為中心的鄰域像素，β為模型參數(shù)，
[0046] (5. 2)Markov隨機場模型的似然概率公式如下：
[0047]
[0048] 其中，ys代表圖像的像素值，V i，μ :為模型參數(shù)，Γ (·)為Gamma分布。
[0049] (5. 3)Markov隨機場模型的后驗概率公式如下：
[0050]
[0051 ] (5. 4)根據(jù)Markov隨機場模型得到SAR圖像的第三類標iU>f.，其中L = 表示圖像的類別。
[0052] 步驟6,將SAR圖像的第三類標與超像素分割結(jié)果融合，得到該SAR圖像的第四類 標。
[0053] (6. 1)根據(jù)步驟（5)中得到的SAR圖像的第三類標，計算每個超像素內(nèi)各類別的像 素個數(shù)；
[0054] (6. 2)將每個超像素標記為該超像素內(nèi)像素個數(shù)最多的那個類別，得到該SAR圖 像的第四類標。
[0055] 步驟7,獲取SAR圖像梯度圖，將SAR圖像的第二類標和第四類標進行融合，得到最 終類標。
[0056] (7. 1)將比值算子r、十字交叉算子c和一階差分算子y進行融合，得到融合后的 操作算子f :
[0057]
[0058]
[0059] (7. 2)將融合后的操作算子f與SAR圖像進行卷積，得到SAR圖像梯度圖，并將像 素（X，y)的梯度記為G (X，y);
[0060] (7. 3)針對像素（X，y)的梯度G (X，y)設(shè)定閾值T = 185,并將G (X，y)與T進行比 較，如果G(x，y)多T，則將該像素的第二類標作為最終類標，否則，將該像素的第四類標作 為最終類標。
[0061] 本發(fā)明的效果可以通過以下仿真實驗進行說明：
[0062] 一 ·仿真條件
[0063] 第一組參數(shù)：圖像來源為X波段分辨率為1米的Noerdlinger Ries圖像，基于小 波池化的卷積神經(jīng)網(wǎng)絡(luò)的卷積核的大小為5*5, Markov隨機場模型中參數(shù)β = 1，每個像 素鄰域隊的大小為3*3 ;
[0064] 第二組參數(shù)：圖像來源為Ku波段分辨率為1米的Piperiver圖像，基于小波池化 的卷積神經(jīng)網(wǎng)絡(luò)的卷積核的大小為5*5, Markov隨機場模型中參數(shù)β = 1，每個像素鄰域 隊的大小為3*3。
[0065] 二.仿真內(nèi)容：
[0066] 仿真1，用本發(fā)明方法與現(xiàn)有的Markov隨機場模型、卷積神經(jīng)網(wǎng)絡(luò)和基于小波池 化的卷積神經(jīng)網(wǎng)絡(luò)分別對第一組參數(shù)的圖像進行分割，結(jié)果如圖5。其中圖5(a)為原圖，圖 5(b)為Markov隨機場模型的分割結(jié)果，圖5 (c)為卷積神經(jīng)網(wǎng)絡(luò)的分割結(jié)果，圖5(d)為基 于小波池化的卷積神經(jīng)網(wǎng)絡(luò)的分割結(jié)果，圖5(e)為本發(fā)明的結(jié)果，圖5(f)為真實標記圖， 圖5(g)為該SAR圖像相應(yīng)的光學(xué)圖像。
[0067] 仿真2,用本發(fā)明方法與現(xiàn)有的Markov隨機場模型、卷積神經(jīng)網(wǎng)絡(luò)和基于小波池 化的卷積神經(jīng)網(wǎng)絡(luò)分別對第二組參數(shù)的圖像進行分割，結(jié)果如圖6,其中圖6(a)為原圖，圖 6(b)為Markov隨機場模型的分割結(jié)果，圖6 (c)為卷積神經(jīng)網(wǎng)絡(luò)的分割結(jié)果，圖6(d)為基 于小波池化的卷積神經(jīng)網(wǎng)絡(luò)的分割結(jié)果，圖6(e)為本發(fā)明的結(jié)果，圖6(f)為真實標記圖， 圖6(g)為該SAR圖像相應(yīng)的光學(xué)圖像。
[0068] 三·仿真結(jié)果分析：
[0069] 從圖5和圖6可以看出，Markov隨機場模型較好地保持了圖像的邊界信息，但是容 易產(chǎn)生過分割的結(jié)果，這是由于預(yù)先定義的空間上下文模型造成的；卷積神經(jīng)網(wǎng)絡(luò)在異質(zhì) 區(qū)域的分割結(jié)果中一致性較好，這是因為卷積神經(jīng)網(wǎng)絡(luò)可以較好地學(xué)習(xí)圖像的結(jié)構(gòu)特征， 然而由于勻質(zhì)區(qū)域的結(jié)構(gòu)較弱，所以卷積神經(jīng)網(wǎng)絡(luò)在勻質(zhì)區(qū)域產(chǎn)生了錯分；基于小波池化 的卷積神經(jīng)網(wǎng)絡(luò)可以使學(xué)習(xí)到的特征保持更多的結(jié)構(gòu)，因此其在異質(zhì)區(qū)域的分割結(jié)果中一 致性比卷積神經(jīng)網(wǎng)絡(luò)更好；本發(fā)明結(jié)合了基于小波池化卷積神經(jīng)網(wǎng)絡(luò)和Markov兩個算法 的優(yōu)點，因此結(jié)果不僅具有較好的區(qū)域一致性而且可以精確的定位邊界。
[0070] 綜上所述，本發(fā)明實現(xiàn)了 SAR圖像分割中區(qū)域一致性和精確的邊界定位之間的平 衡，獲得了 SAR圖像良好的分割效果。
[0071] 本實施例沒有具體描述的部分都屬于本技術(shù)領(lǐng)域的公知常識和公知技術(shù)，且以上 例舉僅僅是對本發(fā)明的舉例說明，并不構(gòu)成對本發(fā)明的保護范圍的限制，凡是與本發(fā)明相 同或相似的設(shè)計均屬于本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 基于小波池化卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分割方法，包括： (1) 在卷積神經(jīng)網(wǎng)絡(luò)中，對特征圖進行小波變換并取其近似子帶構(gòu)成小波池化層，利用 小波池化層形成小波池化的卷積神經(jīng)網(wǎng)絡(luò)； (2) 根據(jù)SAR圖像標記圖，每類選取50 %的像素，并將以該像素為中心的圖像塊輸入到 小波池化的卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練； (3) 對SAR圖像的所有像素，選取以該像素為中心的圖像塊輸入到訓(xùn)練好的網(wǎng)絡(luò)中進 行測試，得到SAR圖像的第一類標； (4) 對SAR圖像進行超像素分割，得到SAR圖像的超像素分割結(jié)果，并將其與SAR圖像 的第一類標融合，得到SAR圖像的第二類標； (5) 根據(jù)Markov隨機場模型得到SAR圖像的第三類標，并將其與SAR圖像的超像素分 割結(jié)果融合，得到SAR圖像的第四類標； (6) 根據(jù)SAR圖像梯度圖，將SAR圖像的第二類標和第四類標進行融合，得到最終的分 割結(jié)果。2. 根據(jù)權(quán)利要求1所述的卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分割方法，其中所述步驟⑴中對 特征圖進行小波變換并取其近似子帶構(gòu)成小波池化層，按如下步驟進行： (I. 1)按照下式對特征圖CF1JJ行小波變換，其中k = 1，. . .，N，N為特征圖的個數(shù)，是特征圖CFk中以點（x，y)為中心的鄰 域塊，*代表卷積操作，力是小波基函數(shù)，down(*)代表下2采樣操作， CF/d經(jīng)過小波變換得到的各子帶中的點，a，h，v，d分別代表近似子帶、水平子帶、垂直子 帶和對角子帶； (1. 2)用近似子帶特征圖構(gòu)成小波池化層，其中k = 1，...，N，N為特征圖的個數(shù)。3. 根據(jù)權(quán)利要求1所述的SAR圖像分割方法，其中所述步驟（4)中將SAR圖像的超像 素分割結(jié)果與SAR圖像的第一類標融合，是先根據(jù)步驟（3)中得到的SAR圖像的第一類標， 計算每個超像素內(nèi)各類別的像素個數(shù)；再將每個超像素標記為該超像素內(nèi)像素個數(shù)最多的 那個類別，得到SAR圖像的第二類標。4. 根據(jù)權(quán)利要求1所述的基于小波池化卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分割方法，其中所述 步驟（6)中根據(jù)SAR圖像梯度圖，將SAR圖像的第二類標與第四類標進行融合，得到最終的 分割結(jié)果，按如下步驟進行： (6. 1)將比值算子r、十字交叉算子c和一階差分算子y進行融合，得到融合后的操作 算子f:(6. 2)將融合后的操作算子f?與SAR圖像進行卷積，得到SAR圖像梯度圖，并將像素 (X，y)的梯度記為G (X，y)。 (6. 3)針對像素（x，y)的梯度G(x，y)設(shè)定閾值T = 185,并將G(x，y)與T進行比較， 如果G (x，y)多T，則將該像素的第二類標作為最終類標，否則，將該像素的第四類標作為最 終類標。
【專利摘要】本發(fā)明公開了一種基于小波池化卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像分割方法。其方案為：1.構(gòu)建小波池化層并形成小波池化的卷積神經(jīng)網(wǎng)絡(luò)；2.選取圖像塊輸入到小波池化的卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練；3.將所有圖像塊輸入到訓(xùn)練好的網(wǎng)絡(luò)中進行測試，得到SAR圖像第一類標；4.對SAR圖像作超像素分割，將其結(jié)果與SAR圖像第一類標融合，得到SAR圖像第二類標；5.根據(jù)Markov隨機場模型得到SAR圖像第三類標，并將其與超像素分割結(jié)果融合，得到SAR圖像第四類標；6.根據(jù)SAR圖像梯度圖，將SAR圖像的第二類標和第四類標進行融合，得到最終的分割結(jié)果。本發(fā)明提高了SAR圖像的分割效果，可用于目標檢測和識別。
【IPC分類】G06T7/00
【公開號】CN105139395
【申請?zhí)枴緾N201510512535
【發(fā)明人】劉芳, 段一平, 郝紅俠, 焦李成, 李玲玲, 尚榮華, 馬文萍, 楊淑媛, 馬晶晶
【申請人】西安電子科技大學(xué)
【公開日】2015年12月9日
【申請日】2015年8月19日