圖像中像素對比值算子的響應(yīng)值和極 化合成孔徑雷達(dá)SAR圖像中像素對相關(guān)性算子的響應(yīng)值，計算極化合成孔徑雷達(dá)SAR圖像中 每個像素對各個模板的響應(yīng)值：
[0044]
[0045] 其中，F(xiàn)表示極化合成孔徑雷達(dá)SAR圖像中每個像素對各個模板的響應(yīng)值，R和C分 別表示極化合成孔徑雷達(dá)SAR圖像中像素對比值算子和極化合成孔徑雷達(dá)SAR圖像中像素 對相關(guān)性算子的響應(yīng)值，，表示平方根操作；
[0046] (If)選擇具有最大響應(yīng)值的模板作為極化合成孔徑雷達(dá)SAR圖像中像素的模板， 并將最大響應(yīng)值作為該像素的功率，將具有最大響應(yīng)值的模板的方向作為該像素的方向， 獲得極化合成孔徑雷達(dá)SAR圖像的邊線響應(yīng)圖和方向圖；
[0047] (lg)利用極化合成孔徑雷達(dá)SAR圖像中每個像素所選擇的模板，獲得極化合成孔 徑雷達(dá)SAR圖像的梯度圖；
[0048] (lh)按照下式，將歸一化到[0，1]的邊線響應(yīng)圖與歸一化到[0，1]的梯度圖進(jìn)行融 合，得到功率圖：
[0049]
[0050] 其中，I表示功率圖中的功率值，X表示邊線響應(yīng)圖中的值，y表示梯度圖中的值；
[0051] (Π )采用非極大值抑制方法，對功率圖進(jìn)行檢測，得到建議草圖；
[0052] (lj)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功率的像素連 通的像素連接形成建議線段，得到建議素描圖；
[0053] (lk)按照下式，計算建議素描圖中素描線的編碼長度增益CLG:
[0054]
[0055] 其中，CLG表示建議素描圖中素描線的編碼長度增益，Σ表示求和操作，m表示當(dāng)前 素描線鄰域中像素的個數(shù)，t表示當(dāng)前素描線鄰域中像素的編號，A t表示當(dāng)前素描線鄰域中 第t個像素的觀測值，At,〇表示在當(dāng)前素描線不能表示結(jié)構(gòu)信息的假設(shè)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，At,i表示在當(dāng)前素描線能夠表示結(jié)構(gòu) 信息的假設(shè)下，該素描線鄰域中第t個像素的估計值；
[0056] (1L)設(shè)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，獲得輸入極化合成孔徑雷達(dá)SAR圖像對應(yīng)的素描圖。
[0057] 步驟2,提取極化合成孔徑雷達(dá)SAR圖像的區(qū)域。
[0058] 本發(fā)明使用的提取極化合成孔徑雷達(dá)SAR圖像區(qū)域的方法，參見袁嘉林等人的專 利《基于區(qū)域標(biāo)記與灰度統(tǒng)計的SAR圖像目標(biāo)檢測方法》，其具體步驟如：
[0059] (2a)將兩素描線線段之間的距離定義為兩線段中點的歐式距離，用線段K近鄰的 平均距離表示素描線的聚集度，并根據(jù)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)以及孤立目標(biāo)的素描線；
[0060] (2b)對素描線段的聚集度進(jìn)行直方圖統(tǒng)計，將直方圖統(tǒng)計波峰的值定義為最優(yōu)聚 集度；
[0061] (2c)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{Ek，k=l，2，...， m}，其中Ek表;^種子線段集中的任一條素描線段，k表;^種子線段集中任一條素描線段的標(biāo) 號，m為線段的總條數(shù)，{·}表示集合操作；
[0062] (2d)對種子線段集{Ek，k=l，2, . . .，m}中的素描線段依次采用遞歸的區(qū)域生長的 策略，求解出新的素描線段集合{Lk，k=l，2,. . .，n}，其中Lk表示新的素描線段集合中任一 條素描線段，k表示新的素描線段集合中任一條素描線段的標(biāo)號，η為線段的總條數(shù)，{·}表 示集合操作；
[0063] (2.5)使用半徑為最優(yōu)聚集度區(qū)間上界的圓形基元，對素描線段集合Lk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，得到區(qū)域圖中的聚集區(qū)域；
[0064] (2.6)對表示邊界、線目標(biāo)以及孤立目標(biāo)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5X5的幾何結(jié)構(gòu)窗獲得結(jié)構(gòu)區(qū)域，并標(biāo)記該區(qū)域為區(qū)域圖中的結(jié)構(gòu)區(qū)域；
[0065] (2.7)將素描圖中除去聚集區(qū)域和結(jié)構(gòu)區(qū)域以外的部分作為無素描的線段，并標(biāo) 記該部分為區(qū)域圖中的不可素描區(qū)域；
[0066] (2.8)將區(qū)域圖中的聚集區(qū)域、結(jié)構(gòu)區(qū)域和不可素描區(qū)域映射到極化合成孔徑雷 達(dá)SAR圖像功率圖上，得到極化合成孔徑雷達(dá)SAR圖像功率圖的聚集區(qū)域、結(jié)構(gòu)區(qū)域和勻質(zhì) 區(qū)域。
[0067]步驟3,對聚集區(qū)域中的各個互不連通的區(qū)域分別進(jìn)行采樣。
[0068] (3.1)輸入極化SAR圖像，對極化SAR圖像進(jìn)行Pauli分解，得到表示極化SAR圖像相 干矩陣對角線三個通道幅度值和上三角陣三個通道相位值的圖像；
[0069] (3.2)制定21 X 21的窗口大小，在每個聚集區(qū)域?qū)?yīng)的極化SAR三個通道幅度圖像 和相位圖像中用逐點劃窗的方式提取樣本。
[0070]步驟4,利用每個聚集區(qū)域的樣本對反卷積網(wǎng)絡(luò)進(jìn)行無監(jiān)督訓(xùn)練，得到表征各個互 不連通區(qū)域結(jié)構(gòu)特征的濾波器集合。
[0071 ] 所述的訓(xùn)練反卷積網(wǎng)絡(luò)的方法，參見Matthew D.Zeiler等人于2010年發(fā)表在會議 Computer Vision and Pattern Recognition上的文章 《Deconvolutional Networks》，其 具體步驟如：
[0072] (4.1)構(gòu)造一個4層反卷積網(wǎng)絡(luò)，其中第1層為輸入層，第2層為反卷積層，包含9個7 X 7大小的濾波器以及9個37 X 37大小的特征圖，9個7 X 7大小的濾波器組成一個濾波器組， 第3層為反卷積層，包含45個7 X 7大小的濾波器和45個43 X43大小的特征圖，45個7 X 7大小 的濾波器組成一個濾波器組，第4層為反卷積層，包含100個7 X 7大小的濾波器和100個49 X 49大小的特征圖，100個7 X 7大小的濾波器組成一個濾波器組；
[0073] (4.2)將聚集區(qū)域中各個互不連通區(qū)域的三通道的幅度圖采樣樣本和相位圖采樣 樣本分別輸入到反卷積網(wǎng)絡(luò)中；
[0074] (4.3)固定反卷積網(wǎng)絡(luò)中特征圖和濾波器的值，通過解決一個一維最優(yōu)化問題，得 到反卷積網(wǎng)絡(luò)中輔助變量的值，一維最優(yōu)化問題描述為：
[0075]
[0076 ]其中Y代表輔助變量的值，Z代表特征圖的值，β為參數(shù)；
[0077] (4.4)固定反卷積網(wǎng)絡(luò)中輔助變量和濾波器的值，通過使用共輒梯度法進(jìn)行求解， 得到反卷積網(wǎng)絡(luò)中特征圖的值；
[0078] (4.5)固定反卷積網(wǎng)絡(luò)中特征圖和輔助變量的值，通過使用梯度下降法進(jìn)行求解， 得到反卷積網(wǎng)絡(luò)中濾波器的值。
[0079] 步驟5,利用提取到的各個互不連通區(qū)域的濾波器集合構(gòu)造字典，結(jié)合字典構(gòu)造相 似性矩陣。
[0080] (5.1)提取聚集區(qū)域最后一層的100個7X7大小的幅度濾波器和相位濾波器進(jìn)行 融合，將兩組濾波器進(jìn)行對應(yīng)相加，得到表示該聚集區(qū)域的一個濾波器組，將所有聚集區(qū)域 的濾波器組進(jìn)行組合得到整個聚集區(qū)域的字典D;
[0081] (5.2)按照投影公式，將一個聚集區(qū)域的濾波器組中的100個濾波器分別對字典進(jìn) 行投影，得到濾波器對字典的投影值d，對100個濾波器對字典的投影值求取平均值，得到表 示該聚集區(qū)域的向量X:
[0082] X = (XI，X2，X3，· · · Xi · · · X100)，
[0083] 其中Xi代表第i個濾波器對字典投影值的平均值，i = 1，2··· 100:
[0084] 所述的投影公式如下： _]扣S
[0086] 其中，d表示濾波器對字典的投影值，d的取值范圍為[0，1]，F(xiàn)表示聚集區(qū)域的一個 濾波器，D表不字典，?表不點積操作，| | · | |表不求模操作；
[0087] (5.3)計算每兩個聚集K域向量之間的余弦距離cosei,」：
[0088]
[0089] 其中XdPyi*別代表兩個聚集區(qū)域的向量表示。
[0090] 步驟6,利用相似性矩陣合并相似的聚集區(qū)域，得到聚集區(qū)