基于反卷積網(wǎng)絡與映射推理網(wǎng)絡的sar圖像分割方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，涉及一種SAR圖像分割方法，可進一步用于SAR圖 像中的目標檢測與識別。
【背景技術】
[0002] 合成孔徑雷達SAR是遙感技術領域的重要進展，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技術對于 軍事、農業(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。
[0003] 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)分割方法包括一些基于聚類如Kmeans、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。深度學習作為無監(jiān)督特征學習的關鍵技術，可以用于SAR 圖像分割任務。然而，無監(jiān)督的深度學習方法往往只能到達特征層面，缺乏進一步的推理， 導致其無法有效完成對SAR圖像的分割。

【發(fā)明內容】

[0004] 本發(fā)明的目的在于針對上述已有技術的不足，提出一種基于反卷積網(wǎng)絡與映射推 理網(wǎng)絡的SAR圖像分割方法，以提高SAR圖像分割的準確性。
[0005] 為實現(xiàn)上述目的，本發(fā)明的技術方案如下：
[0006] (1)根據(jù)SAR圖像的素描模型提取SAR圖像的素描圖，補全素描圖中的素描線段得 到區(qū)域圖，并將區(qū)域圖映射到原SAR圖像，得到聚集區(qū)域A、勻質區(qū)域B和結構區(qū)域C;
[0007] (2)對于聚集區(qū)域A和勻質區(qū)域B中的各個互不連通區(qū)域分別進行采樣，并用反卷 積網(wǎng)絡對采樣獲得的樣本進行無監(jiān)督訓練，得到表征各個互不連通區(qū)域結構特征的濾波器 集合；
[0008] (3)采用如下映射推理網(wǎng)絡對聚集區(qū)域A和勻質區(qū)域B中互不連通區(qū)域間的結構 特征進行相似性比較推理，得到聚集區(qū)域A和勻質區(qū)域B的分割結果：
[0009] (3a)在自組織網(wǎng)絡基礎上，加入自組織測試網(wǎng)絡、映射比較模塊和規(guī)則推理模塊 形成推理網(wǎng)絡；
[0010] (3b)選取第一區(qū)域D，將步驟⑵得到的濾波器集合輸入自組織網(wǎng)絡中進行訓練， 得到η個濾波器子集，每個濾波器子集對應一個類別，權值是η個聚類中心的集合，訓練完 成后將推理網(wǎng)絡中自組織測試網(wǎng)絡的權值設置為自組織網(wǎng)絡的權值，其中，對于聚集區(qū)域Α，η= 20,對于勾質區(qū)域Β，η= 3 ;
[0011] (3c)選取與第一區(qū)域D不連通的第二區(qū)域F，將步驟（2)得到的濾波器集合輸入 推理網(wǎng)絡中進行映射；
[0012] (3d)根據(jù)映射結果，判定第一區(qū)域D與第二區(qū)域F之間的結構相似性；
[0013] (3e)根據(jù)各個互不連通區(qū)域間的結構相似性，得到聚集區(qū)域A和勻質區(qū)域B的分 割結果；
[0014] (4)采用基于超像素的方法對結構區(qū)域C進行分割，得到結構區(qū)域C的分割結果；
[0015] (5)合并聚集區(qū)域A、勻質區(qū)域B和結構區(qū)域C的分割結果，得到SAR圖像的最終 分割結果。
[0016] 本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點：
[0017] 第一、本發(fā)明在用無監(jiān)督的深度學習方法學習特征的基礎上進行了拓展，加入了 特征推理，有效的完成了SAR圖像的分割任務。
[0018] 第二、本發(fā)明有效地利用了SAR的素描模型和區(qū)域圖，根據(jù)區(qū)域圖將原SAR圖像映 射為聚集區(qū)域、勻質區(qū)域和結構區(qū)域，在聚集區(qū)域和勻質區(qū)域內進行采樣和特征學習。
[0019] 第三、本發(fā)明利用反卷積網(wǎng)絡模型能有效的學習到SAR圖像的結構特征。
【附圖說明】
[0020] 圖1是本發(fā)明的實現(xiàn)流程圖；
[0021] 圖2是本發(fā)明中使用的原SAR圖像；
[0022] 圖3是本發(fā)明中根據(jù)SAR圖像的素描模型提取的素描圖；
[0023] 圖4是本發(fā)明中根據(jù)素描圖提取的區(qū)域圖：
[0024] 圖5是本發(fā)明中反卷積網(wǎng)絡的結構圖；
[0025] 圖6是本發(fā)明中推理映射網(wǎng)絡的結構圖：
[0026] 圖7是本發(fā)明中對聚集區(qū)域的分割結果圖；
[0027] 圖8是本發(fā)明中對勻質區(qū)域的分割結果圖；
[0028] 圖9是本發(fā)明中對SAR圖像的最終分割結果圖。
【具體實施方式】
[0029] 以下結合實施例附圖對本發(fā)明做進一步說明。
[0030] 參照圖1，本發(fā)明的具體實施步驟如下：
[0031] 步驟1，根據(jù)SAR圖像的素描模型提取SAR圖像的素描圖，補全素描圖中的素描線 段得到區(qū)域圖，并將區(qū)域圖映射到原SAR圖像，得到聚集區(qū)域A、勻質區(qū)域B和結構區(qū)域C。
[0032] (1. 1)輸入圖2所示的SAR圖像，根據(jù)SAR圖像的素描模型得到SAR圖像的素描 圖，如圖3所不；
[0033] 所述的SAR圖像的素描模型，參見Jie-Wu等人于2014年發(fā)表在IEEE TransactionsonGeoscienceandRemoteSensing雜志上的文章《Localmaximal homogenousregionsearchforSARspecklereductionwithsketch-based geometricalkernelfunction》，根據(jù)該SAR圖像的素描模型得到SAR圖像的素描圖步驟 如下：
[0034] (1.la)構造具有不同方向和尺度的邊、線模板，并利用模板的方向和尺度信息構 造各向異性高斯函數(shù)來計算該模板中每一點的加權系數(shù)，其中尺度個數(shù)取值為3~5,方向 個數(shù)取值為18 ;
[0035] (1.lb)計算模板不同區(qū)域對應在合成孔徑雷達SAR圖像中像素的均值和方差：
[0036]
[0037] ；?'
[0038] 其中，μ表示區(qū)域Ω對應在合成孔徑雷達SAR圖像中像素的均值，Ω表示模板 中的一個區(qū)域，g表示區(qū)域Ω中一個像素點的位置，e表示屬于符號，Σ表示求和操作，Wg 表示區(qū)域0中位置8處的權重系數(shù)，'的取值范圍為￥^[0，1]4彥示區(qū)域〇中位置8 對應在合成孔徑雷達SAR圖像中的像素值，v表示區(qū)域Ω與合成孔徑雷達SAR圖像中對應 像素的方差；
[0039] (1.lc)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：
[0040]
[0041] 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分別表示模板中任意兩個不同區(qū)域的編號，μ3和μb分別為根據(jù) (1.lb)得到的表示區(qū)域a和區(qū)域b的合成孔徑雷達SAR圖像中對應像素的均值；
[0042] (1.Id)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：
[0043]
[0044] 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 別表示模板中任意兩個不同區(qū)域的編號，分別為根據(jù)（1.lb)得到的表示區(qū)域a和 區(qū)域b對應在合成孔徑雷達SAR圖像中像素的方差，μ3和μb分別為根據(jù)（1.lb)得到的 表示區(qū)域a和區(qū)域b與合成孔徑雷達SAR圖像中對應像素的均值；
[0045] (1.le)根據(jù)（1.lc)和（1.Id)得到結果，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：
[0046]
[0047] 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；
[0048] (1.If)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；
[0049] (1.lg)利用孔徑雷達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；
[0050] (1.lh)按照下式，將邊線響應圖和梯度圖歸一化到[0, 1]并進行融合，得到強度 圖：
[0051]
[0052] 其中，I表示強度圖中的強度值，X表示邊線響應