基于反卷積網(wǎng)絡和稀疏分類的極化sar圖像分割方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理和遙感技術領域，涉及極化SAR圖像的分割方法?？捎糜诤罄m(xù) 的極化合成孔徑雷達SAR圖像的目標檢測與識別。
【背景技術】
[0002] 極化合成孔徑雷達SAR圖像分割是指將圖像劃分成若干個特定的、具有獨特性質(zhì) 的區(qū)域的過程。極化合成孔徑雷達SAR圖像分割的目的是提取出感興趣的目標和區(qū)域并用 于后續(xù)的目標檢測和識別。極化合成孔徑雷達SAR圖像分割是圖像理解與解譯的基礎，分割 質(zhì)量的好壞直接影響到后續(xù)的分析和識別的工作。
[0003] 現(xiàn)有的極化合成孔徑雷達SAR圖像分割方法主要分為三種：第一種是基于極化統(tǒng) 計分布特性的分割方法;第二種是基于極化電磁波散射特性的分割方法;第三種是結(jié)合極 化統(tǒng)計分布特性和極化電磁波散射特性的分割方法。基于極化統(tǒng)計分布特性的分割方法主 要有：1988年，Kong等人提出了單視極化SAR圖像的極大似然ML分類器；1994年，Lee等人根 據(jù)極化協(xié)方差矩陣滿足復wishart分布的特點，提出了有監(jiān)督的極化SAR圖像分割方法。基 于極化電磁波散射特性的分割方法主要有：1989年，VanZyl等人提出了一種基于奇次散射、 偶次散射和體散射三種散射機理的非監(jiān)督分類方法；1999年，Lee等人在Η/α分類方法的基 礎上結(jié)合統(tǒng)計分布引入了Wishart分類器。結(jié)合極化統(tǒng)計分布特性和極化電磁波散射特性 的分割方法有:2004年，Lee等人提出了利用Freeman分解得到的3種極化散射機理成分的功 率進行初始分類，并通過Wishart迭代進行合并與類別修正的分割方法。
[0004] 上述方法雖然都能夠很好的利用極化SAR數(shù)據(jù)的統(tǒng)計特征和散射機理進行圖像分 害J，但是由于這些方法采用的都是人為指定的基于像素的特征并不能自動提取極化SAR數(shù) 據(jù)空間的關系特征來進行圖像的分割。因此，上述傳統(tǒng)的極化SAR圖像的分割方法存在很多 的缺陷:一是人為指定的特征不能夠代表極化SAR數(shù)據(jù)最本質(zhì)的特征，沒有挖掘地物之間所 具有的更深層次的結(jié)構關系；二是同一地物的區(qū)域一致性不好，對具有明暗相間的地物很 難將其分為一類。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服上述已有技術的不足，提出一種基于反卷積網(wǎng)絡和稀疏分 類的極化SAR圖像分割方法，以提高極化合成孔徑雷達SAR圖像的分割效果。
[0006] 為實現(xiàn)上述目的，本發(fā)明的技術方案如下：
[0007] (1)輸入待分割的極化SAR圖像的數(shù)據(jù)，對該極化SAR圖像進行Pauli分解，得到極 化SAR圖像相干矩陣對角線三個通道的幅度值，將三個通道幅度值相加得到極化SAR圖像的 功率圖，對極化SAR圖像功率圖進行素描化；
[0008] (2)根據(jù)極化SAR圖像功率圖的素描圖提取區(qū)域圖，并根據(jù)區(qū)域圖將極化SAR圖像 映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構區(qū)域；
[0009] (3)對聚集區(qū)域進行分割：
[0010] (3a)對聚集區(qū)域中的各個互不連通的區(qū)域分別進行采樣，并利用采樣得到的樣本 對反卷積網(wǎng)絡進行無監(jiān)督的訓練，得到表征各個互不連通區(qū)域結(jié)構特征的濾波器集合；
[0011] (3b)利用提取到的各個互不連通區(qū)域的濾波器集合構造字典，結(jié)合字典構造相似 性矩陣；
[0012] (3c)利用相似性矩陣合并相似的聚集區(qū)域，得到聚集區(qū)域的分割結(jié)果；
[0013] (4)對勻質(zhì)區(qū)域進行分割；
[0014] (5)對結(jié)構區(qū)域進行分割，提取出孤立目標和邊界；
[0015] (6)將聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構區(qū)域的分割結(jié)果進行合并，得到分割后的極化 SAR圖像。
[0016] 本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點：
[0017] 1.本發(fā)明由于利用極化SAR圖像功率圖的素描圖對線段包含的語義信息進行分 析，提出了基于線段語義信息分析的區(qū)域劃分技術，在素描圖上能有效的提取線段的聚集 區(qū)域，克服了現(xiàn)有技術對聚集區(qū)域分割結(jié)果區(qū)域一致性不好的問題，提高了極化SAR圖像的 分割精度。
[0018] 2.本發(fā)明由于構造了一個4層的反卷積網(wǎng)絡提取特征，克服了現(xiàn)有技術對極化合 成孔徑雷達SAR圖像進行分割使用的特征都是人為指定的缺點，使得本發(fā)明能自動提取圖 像的特征，比人工提取更加省時省力。
[0019] 3.本發(fā)明由于對空間上不連通的各個區(qū)域分別訓練一個反卷積網(wǎng)絡，使用極化 SAR三通道的數(shù)據(jù)作為輸入，克服了現(xiàn)有技術提取圖像特征沒有關注圖像中像素間的空間 關系并且沒有充分利用極化信息的缺點，使得本發(fā)明所提取的特征更能代表圖像中物體的 本質(zhì)特征，提高了分割的精度。
【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)明實驗使用的原始圖像；
[0022] 圖3是用本發(fā)明方法從圖2中提取的區(qū)域圖；
[0023]圖4是用本發(fā)明對圖3的聚集區(qū)域的分割結(jié)果圖；
[0024]圖5是用本發(fā)明對圖3的勻質(zhì)區(qū)域的分割結(jié)果圖；
[0025]圖6是用本發(fā)明對圖2的最終分割結(jié)果圖。
【具體實施方式】
[0026]下面結(jié)合附圖對本發(fā)明的實施例和效果做進一步的詳細描述。
[0027] 參照附圖1，本發(fā)明的實現(xiàn)步驟如下。
[0028] 步驟1，素描化極化合成孔徑雷達SAR圖像。
[0029] 輸入待分類的極化SAR圖像的數(shù)據(jù)對極化SAR數(shù)據(jù)進行處理，得到協(xié)方差矩陣;融
[0030] 合協(xié)方差矩陣對角線元素三個通道幅度值，得到極化SAR圖像的功率圖；
[0031 ] 根據(jù)SAR素描模型采用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，提取極化SAR圖像功率圖的素描圖。其提取步驟如下：
[0032] (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;
[0033] (lb)按照下式，計算模板不同區(qū)域?qū)跇O化合成孔徑雷達SAR圖像中像素的均 值和方差：
[0034]
[0035]
[0036] 其中，μ表示區(qū)域Ω對應在極化合成孔徑雷達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，^表 示區(qū)域Ω中位置g處的權重系數(shù)，w g的取值范圍為wge [0，1]，Ag表示區(qū)域Ω中位置g對應在 極化合成孔徑雷達SAR圖像中的像素值，v表示區(qū)域Ω與極化合成孔徑雷達SAR圖像中對應 像素的方差；
[0037] (lc)按照下式，計算極化合成孔徑雷達SAR圖像中每個像素對比值算子的響應值：
[0038]
[0039]其中，R表示極化合成孔徑雷達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，分別表示區(qū)域a 和區(qū)域b與極化合成孔徑雷達SAR圖像中對應像素的均值；
[0040] (Id)按照下式，計算極化合成孔徑雷達SAR圖像中每個像素對相關性算子的響應 值：
[0041]
[0042] 其中，C表示極化合成孔徑雷達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，v4Pvb分別表示區(qū)域a和區(qū)域b對應在極化合成 孔徑雷達SAR圖像中像素的方差，分別表示區(qū)域a和區(qū)域b與極化合成孔徑雷達SAR圖 像中對應像素的均值，#表示平方根操作；
[0043] (le)按照下式，融合極化合成孔徑雷達SAR