基於素描結構的平均場變分貝葉斯SAR圖像分割方法與流程

2023-10-31 20:52:07

本發明屬於圖像處理技術領域，更進一步涉及圖像分割技術領域中的一種基於素描結構的平均場變分貝葉斯合成孔徑雷達SAR(Synthetic Aperture Radar)圖像分割方法。本發明可應用於SAR圖像分割，能夠對SAR圖像的不同區域準確地進行分割。

背景技術：

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有著非常重要的優勢，它不受雲層、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據。SAR技術對於軍事、農業、地理等許多領域具有重要指導意義。圖像分割是指根據顏色、灰度和紋理等特徵將圖像劃分成若干個互不相交的區域的過程。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，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。

由於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方法都不能直接用於SAR圖像的分割。SAR圖像的傳統分割方法往往需要靠人工經驗進行特徵提取，然而提取的特徵的好壞對於SAR圖像的分割結果有著關鍵作用。貝葉斯機器學習作為無監督特徵學習的關鍵技術，可以用於SAR圖像分割任務。然而，一般的貝葉斯機器學習方法往往只能進行迭代次數一定的網絡推理過程，缺乏針對SAR圖像的推理，導致其無法有效完成對SAR圖像的分割。

武漢大學在其發表的論文「一種有效的MSTAR SAR圖像分割方法」(武漢大學學報：信息科學版2015年第10月1377頁—1380頁)中提出了一種MSTAR SAR圖像分割方法。該方法首先對待處理圖像進行過分割操作，得到過分割圖像區域。其次對過分割後的圖像進行圖像區域級和像素級的特徵提取，得到用於表示圖像的特徵向量，對MSTAR SAR圖像使用空間隱含狄利克雷分配模型(sLDA)和馬爾科夫隨機場(MRF)建立本文所提出的模型，得到能量泛函。最後運用Graph-Cut算法和Branch-and-Bound算法對能量泛函進行優化，得到最終的分割結果。該方法存在的不足之處是，在求得SAR圖像的特徵向量時，用到SAR圖像的像素級特徵，而沒有學習SAR圖像中由於像素之間的相關性而特有的結構特徵，導致分割結果不夠準確。

西安電子科技大學在其申請的專利「基於深度自編碼和區域圖的SAR圖像分割方法」(專利申請號201410751944.2，公開號CN104392456A)中公開了一種基於深度自編碼和區域圖的SAR圖像分割方法。該方法根據合成孔徑雷達SAR圖像的素描圖得到劃分的區域圖，將區域圖映射到原圖得到聚集、勻質和結構區域；分別對聚集、勻質區域用不同的深度自編碼器訓練，得到聚集和勻質區域每個點的特徵；分別對聚集和勻質區域構建字典，各點投影至相應字典並匯聚出各子區域的區域特徵，分別對兩類區域的子區域特徵進行聚類；對結構區域在素描線段指導下使用超像素合併進行分割；合併各區域分割結果完成SAR圖像分割。該方法存在的不足之處是，所用的自動提取圖像特徵的深度自編碼網絡的權值初始化為隨機初始化，沒有利用SAR圖像的特有分布，且在訓練網絡時沒有加入SAR圖像的素描結構約束，因此，不能有效提取圖像的本質特徵，降低了SAR圖像分割的精度。

西安電子科技大學在其申請的專利「基於反卷積網絡與映射推理網絡的SAR圖像分割方法」(專利申請號CN201510679181.X，公開號CN105389798A)中公開了一種反卷積網絡與映射推理網絡的SAR圖像分割方法。該方法根據合成孔徑雷達SAR圖像的素描圖得到劃分的區域圖，將區域圖映射到原圖得到聚集、勻質和結構區域。分別對聚集和勻質區域中各個互不連通的區域進行無監督訓練，得到表徵各個互不連通區域結構特徵的濾波器集合。分別對兩類區域的中互不連通區域間的結構特徵進行比較推理，得到聚集和勻質區域的分割結果。對結構區域在素描線段指導下使用超像素合併進行分割。合併各區域分割結果完成SAR圖像分割。該方法存在的不足之處是，在對聚集區域中互不連通區域間的結構特徵進行比較推理的時候，該方法採用的是自組織特徵映射SOM網絡的推理方法，這種推理方法需要人為確定聚類數，且聚類時間較久，導致聚類準確性降低，影響了SAR圖像分割的準確性。

劉芳，段一平，李玲玲，焦李成等在其發表的論文「基於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.)中提出了一種基於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，該方法根據合成孔徑雷達SAR圖像的素描模型提取出SAR圖像的素描圖，採用素描線區域化方法，得到SAR圖像的區域圖，並將區域圖映射到SAR圖像中，最終將合成孔徑SAR圖像劃分為聚集區域、勻質區域和結構區域。基於該劃分，對不同特性的區域採用了不同的分割方法。對於聚集區域，提取了灰度共生矩陣特徵，並採用局部線性約束編碼的方法得到每個聚集區域的表示，進而採用層次聚類的方法進行分割。對結構區域，通過分析邊模型和線模型，設計了視覺語義規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，因此設計了基於幾何結構窗的多項式隱模型進行分割。對勻質區域，為了能找到恰當的鄰域去表示中心像素，設計了基於自適應窗口的多項式隱模型進行分割。這三個區域的分割結果被整合到一起得到最後的分割結果。該方法的不足之處是，對聚集區域邊界定位不夠精確，對於勻質區域的類別數確定不夠合理，分割結果的區域一致性較差，而結構區域的分割結果中未對獨立目標進行處理。

技術實現要素：

本發明的目的在於針對上述已有技術的不足，提出一種基於素描結構的平均場變分貝葉斯SAR圖像分割方法，以提高SAR圖像分割的準確性。

為實現上述目的，包括如下步驟：

(1)SAR圖像素描化：

(1a)輸入合成孔徑雷達SAR圖像；

(1b)建立合成孔徑雷達SAR圖像的素描模型；

(1c)從素描模型中提取合成孔徑雷達SAR圖像的素描圖；

(2)劃分像素子空間：

(2a)採用素描線區域化方法，對合成孔徑雷達SAR圖像的素描圖進行區域化處理，得到包括聚集區域、無素描線區域和結構區域的合成孔徑雷達SAR圖像的區域圖；

(2b)將包括聚集區域、無素描線區域和結構區域的區域圖，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構地物像素子空間、勻質區域像素子空間和結構像素子空間；

(3)構建平均場變分貝葉斯推理網絡模型：

(3a)將平均場變分貝葉斯推理網絡模型的輸入層、隱層和重構層均設置為441個神經元，將輸入層與隱層、隱層與重構層之間的連接均設置為全連接；

(3b)按照下式，計算平均場變分貝葉斯推理網絡模型的變分下界：

其中，L(Q)表示平均場變分貝葉斯推理網絡模型的變分下界，log表示以10為底的對數操作，P(V|W,H,c)表示V關於W，H，c的條件概率，V表示平均場變分貝葉斯推理網絡模型中的輸入層，W表示平均場變分貝葉斯推理網絡模型的連接權值，H表示平均場變分貝葉斯推理網絡模型中的隱層，c表示平均場變分貝葉斯推理網絡模型中隱層的偏置，b表示平均場變分貝葉斯推理網絡模型中輸入層的偏置，P(W)表示W的先驗概率，P(H|b)表示H關於b的條件概率，Q(W)表示W的變分分布概率,Q(H)表示H的變分分布概率；

(3c)按照下式，計算結構重構誤差：

其中，G表示結構重構誤差，M表示輸入圖像塊的總數，表示第i個輸入圖像塊的重構圖像塊，si表示第i個素描塊，SM(·)表示求素描塊操作，C(·)表示求素描線長度操作；

(4)對混合聚集結構地物像素子空間進行特徵學習：

(4a)對合成孔徑雷達SAR圖像中的混合聚集結構地物像素子空間，按空間上的連通性進行區域劃分，若得到多個互不連通區域，執行(4b)；

(4b)對每個互不連通區域，按21×21的窗口進行隔一採樣，得到多個圖像塊樣本；

(4c)對每個圖像塊樣本，在素描圖中取與圖像塊樣本一一對應的素描塊樣本；

(4d)對每個互不連通區域，產生出每個區域對應的一組符合不均勻地物分布G0分布的隨機數；

(4e)對每個互不連通區域，用得到的每個區域對應的一組隨機數對平均場變分貝葉斯推理網絡的權值和偏置進行初始化，得到初始化後的平均場變分貝葉斯推理網絡；

(4f)對每個互不連通區域初始化後的平均場變分貝葉斯推理網絡，將圖像塊樣本作為平均場變分貝葉斯推理網絡的輸入層，用素描結構約束的平均場變分貝葉斯推理的方法，對平均場變分貝葉斯推理網絡進行結構約束訓練，得到訓練後的平均場變分貝葉斯推理網絡；

(4g)對每個互不連通區域，取其訓練後的平均場變分貝葉斯推理網絡的權值，作為該區域的特徵集合；

(5)分割SAR圖像混合聚集結構地物像素子空間：

(5a)將所有互不連通區域的特徵集合拼接，將拼接後的特徵集合作為碼本；

(5b)對每個互不連通區域的所有特徵，分別計算與碼本中的每個特徵的內積，得到每個區域所有特徵在碼本上的投影向量；

(5c)對每個互不連通區域的投影向量進行最大池化，得到每個區域對應的一個結構特徵向量；

(5d)利用近鄰傳播AP聚類算法，對所有互不連通區域的結構特徵向量進行聚類，得到混合聚集結構地物像素子空間的分割結果；

(6)分割結構像素子空間：

(6a)用視覺語義規則，分割線目標；

(6b)基於素描線的聚攏特徵，分割獨立目標；

(6c)對線目標和獨立目標分割的結果進行合併，得到結構像素子空間的分割結果。

(7)分割勻質區域像素子空間：

採用基於多項式邏輯回歸先驗模型的勻質區域分割方法，對勻質區域像素子空間進行分割，得到勻質區域像素子空間的分割結果。

(8)合併分割結果：

將混合聚集結構地物像素子空間、勻質區域像素子空間和結構像素子空間的分割結果進行合併，得到合成孔徑雷達SAR圖像的最終分割結果。

本發明與現有技術相比具有以下優點：

第一，由於本發明設置一個可視層單元數和隱層單元數數量相同、且可視層向隱層方向的全連接的平均場變分貝葉斯推理網絡，對混合聚集結構地物像素子空間各個區域進行無監督訓練，將平均場變分貝葉斯推理網絡的權值作為學到的圖像特徵，克服了現有技術用SAR圖像的像素級特徵求取SAR圖像的特徵向量，而沒有學習SAR圖像中由於像素之間的相關性而特有的結構特徵的缺點，使得本發明可以自動提取SAR圖像的結構特徵，獲得更好的區域一致性。

第二，由於本發明對每個互不連通的混合聚集結構地物像素子空間區域產生一組符合SAR圖像分布的隨機數，對平均場變分貝葉斯推理網絡的權值和偏置進行初始化，克服了現有技術自動提取圖像特徵的深度自編碼網絡中，用隨機分布對網絡初始化而沒有抓住SAR圖像本質特徵的缺點，使得本發明可以有效學到表徵SAR圖像地物的本質特徵，提高了SAR圖像分割的準確性。

第三，由於本發明採用素描結構約束的平均場變分貝葉斯推理的方法，克服了現有技術自動提取圖像特徵的深度自編碼網絡中，沒有利用SAR圖像素描結構進行約束的缺點，使得本發明可以抓住表徵SAR圖像地物的重要的結構特徵，進一步提高了SAR圖像分割的準確性。

第四，由於本發明將每個互不連通的混合聚集結構地物像素子空間區域的特徵作為字典基原子組成碼本，得到的特徵向量較為稀疏，進行特徵比較時有時間效率上的提升，克服了現有技術基於反卷積網絡與映射推理網絡中的人為確定聚類數目且聚類時間久的缺點，使得本發明可以更精確地得到SAR圖像的分割結果且在時間上提高SAR圖像分割的效率。

附圖說明

圖1是本發明的流程圖；

圖2是本發明的仿真圖；

圖3是本發明仿真結果示意圖。

具體實施方式

下面結合附圖對本發明做進一步的描述。

參照附圖1，本發明的具體步驟如下。

步驟1，SAR圖像素描化。

輸入合成孔徑雷達SAR圖像。

建立合成孔徑雷達SAR圖像的素描模型。

第1步，在[100,150]範圍內，任意選取一個數，作為模板的總數。

第2步，構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造各向異性高斯函數，通過該高斯函數，計算模板中每個像素點的加權係數，統計模板中所有像素點的加權係數，其中，尺度個數取值為3～5，方向個數取值為18。

第3步，按照下式，計算與模板區域坐標相對應的合成孔徑雷達SAR圖像中像素點的均值：

其中，μ表示與模板區域坐標相對應的合成孔徑雷達SAR圖像中所有像素點的均值，∑表示求和操作，g表示模板第Ω個區域中任意一個像素點對應的坐標，∈表示屬於符號，wg表示模板第Ω個區域中像素點在坐標g處的權重係數，wg的取值範圍為wg∈[0,1]，Ag表示與模板第Ω個區域中像素點在坐標g處對應的合成孔徑雷達SAR圖像中的像素點的值。

第4步，按照下式，計算與模板區域坐標相對應的合成孔徑雷達SAR圖像中像素點的方差值：

其中，ν表示與模板區域坐標相對應的合成孔徑雷達SAR圖像中所有像素點的方差值。

第5步，按照下式，計算合成孔徑雷達SAR圖像中每個像素點針對比值算子的響應值：

其中，R表示合成孔徑雷達SAR圖像中每個像素點針對比值算子的響應值，min{·}表示最小值操作，a和b分別表示模板中的兩個不同的區域，μa表示模板區域a中所有像素點的均值，μb表示模板區域b中所有像素點的均值。

第6步，按照下式，計算合成孔徑雷達SAR圖像中每個像素針對相關性算子的響應值：

其中，C表示合成孔徑雷達SAR圖像中每個像素針對相關性算子的響應值，表示平方根操作，a和b分別表示模板中兩個不同區域，νa表示模板區域a中所有像素點的方差值，νb表示模板區域b中所有像素點的方差值，μa表示模板區域a中所有像素點的均值，μb表示模板區域b中所有像素點的均值。

第7步，按照下式，計算合成孔徑雷達SAR圖像中每個像素點針對各個模板的響應值：

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

第8步，判斷所構造的模板是否等於所選取模板的總數，若是，則執行第2步，否則，執行第9步。

第9步，從各個模板中選擇具有最大響應值的模板，作為合成孔徑雷達SAR圖像的模板，並將該模板的最大響應值作為合成孔徑雷達SAR圖像中像素點的強度，將該模板的方向作為合成孔徑雷達SAR圖像中像素點的方向，獲得合成孔徑雷達SAR圖像的邊線響應圖和梯度圖。

第10步，按照下式，計算合成孔徑雷達SAR圖像強度圖的強度值，得到強度圖：

其中，I表示合成孔徑雷達SAR圖像強度圖的強度值，r表示合成孔徑雷達SAR圖像邊線響應圖中的值，t表示合成孔徑雷達SAR圖像梯度圖中的值。

第11步，採用非極大值抑制方法，對強度圖進行檢測，得到建議草圖。

第12步，選取建議草圖中具有最大強度的像素點，將建議草圖中與該最大強度的像素點連通的像素點連接形成建議線段，得到建議素描圖。

第13步，按照下式，計算建議素描圖中素描線的編碼長度增益：

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,J表示當前素描線鄰域中像素點的個數，Aj表示當前素描線鄰域中第j個像素點的觀測值，Aj,0表示在當前素描線不能表示結構信息的情況下，該素描線鄰域中第j個像素點的估計值，ln(·)表示以e為底的對數操作，Aj,1表示在當前素描線能夠表示結構信息的情況下，該素描線鄰域中第j個像素點的估計值。

第14步，在[5,50]範圍內，任意選取一個數，作為閾值T。

第15步，選出所有建議素描線中CLG>T的建議素描線，將其組合成合成孔徑雷達SAR圖像的素描圖。

從素描模型中提取合成孔徑雷達SAR圖像的素描圖。

本發明使用的合成孔徑雷達SAR圖像素描模型是Jie-Wu等人於2014年發表在IEEE Transactions on Geoscience and Remote Sensing雜誌上的文章《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。

採用素描線區域化方法，對合成孔徑雷達SAR圖像的素描圖進行區域化處理，得到包括聚集區域、無素描線區域和結構區域的合成孔徑雷達SAR圖像的區域圖。

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、孤立目標的邊界素描線、線目標素描線、孤立目標素描線。

根據素描線段聚集度的直方圖統計，選取聚集度等於最優聚集度的素描線段作為種子線段集{Ek,k＝1,2,...,m}，其中，Ek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，{·}表示集合操作。

以未被選取添加進種子線段集和的線段作為基點，以此基點遞歸求解線段集合。

構造一個半徑為最優聚集度區間上界的圓形基元，用該圓形基元對線段集合中的線段進行膨脹，對膨脹後的線段集合由外向內進行腐蝕，在素描圖上得到以素描點為單位的聚集區域。

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造大小為5×5的幾何結構窗，得到結構區域。

將素描圖中除去聚集區域和結構區域以外的部分作為不可素描區域。

將素描圖中的聚集區域、結構區域和不可素描區域合併，得到包括聚集區域、結構區域和無素描線區域的合成孔徑雷達SAR圖像的區域圖。

將包括聚集區域、無素描線區域和結構區域的區域圖，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構地物像素子空間、勻質區域像素子空間和結構像素子空間。

步驟3，構建平均場變分貝葉斯推理網絡模型。

將平均場變分貝葉斯推理網絡模型的輸入層、隱層和重構層均設置為441個神經元，將輸入層與隱層、隱層與重構層之間的連接均設置為全連接。

按照下式，計算平均場變分貝葉斯推理網絡模型的變分下界：

其中，L(Q)表示平均場變分貝葉斯推理網絡模型的變分下界，log表示以10為底的對數操作，P(V|W,H,c)表示V關於W，H，c的條件概率，V表示平均場變分貝葉斯推理網絡模型中的輸入層，W表示平均場變分貝葉斯推理網絡模型的連接權值，H表示平均場變分貝葉斯推理網絡模型中的隱層，c表示平均場變分貝葉斯推理網絡模型中隱層的偏置，b表示平均場變分貝葉斯推理網絡模型中輸入層的偏置，P(W)表示W的先驗概率，P(H|b)表示H關於b的條件概率，Q(W)表示W的變分分布概率,Q(H)表示H的變分分布概率。

按照下式，計算結構重構誤差：

其中，G表示結構重構誤差，M表示輸入圖像塊的總數，表示第i個輸入圖像塊的重構圖像塊，si表示第i個素描塊，SM(·)表示求素描塊操作，C(·)表示求素描線長度操作。

步驟4，對混合聚集結構地物像素子空間進行特徵學習。

對合成孔徑雷達SAR圖像中的混合聚集結構地物像素子空間，按空間上的連通性進行區域劃分，若只有一個區域，執行步驟6。

對每個互不連通區域，按21×21的窗口進行隔一採樣，得到多個圖像塊樣本。

對每個圖像塊樣本，在素描圖中取與圖像塊樣本一一對應的素描塊樣本。

對每個互不連通區域，產生出每個區域對應的一組符合不均勻地物分布G0分布的隨機數。

對每個互不連通區域，用得到每個區域對應一組隨機數對平均場變分貝葉斯推理網絡的權值和偏置進行初始化，得到初始化後的平均場變分貝葉斯推理網絡。

用以冪函數為核的一種積分變換，梅林變換的方法，估計不均勻地物分布G0分布概率密度公式中的參數，得到α，γ，n三個參數的值。

按照下式，計算合成孔徑雷達SAR圖像的不均勻地物分布G0分布的概率密度：

其中，P(I(x,y))表示合成孔徑雷達SAR圖像的不均勻地物分布的概率密度，I(x,y)表示坐標為(x,y)的像素點的強度值，n表示合成孔徑雷達SAR圖像的等效視數，α表示合成孔徑雷達SAR圖像的形狀參數，γ表示合成孔徑雷達SAR圖像的尺度參數，Γ(·)表示伽馬函數，其取值由下式得到：

其中，u表示自變量，∫表示積分操作，t表示積分變量。

從符合不均勻地物分布G0分布的隨機矩陣A中選取前441列，作為平均場變分貝葉斯推理網絡的權值的初始值。

從符合不均勻地物分布G0分布的隨機矩陣A中任意選取兩列，分別作為平均場變分貝葉斯推理網絡中可視層偏置初始值和平均場變分貝葉斯推理網絡中隱層偏置的初始值，完成對平均場變分貝葉斯推理網絡的初始化。

對每個互不連通區域初始化後的平均場變分貝葉斯推理網絡，用素描結構約束的平均場變分貝葉斯推理的方法，對平均場變分貝葉斯推理網絡進行結構約束訓練，得到訓練後的平均場變分貝葉斯推理網絡。

第1步，按照下式，更新平均場變分貝葉斯推理網絡的權值：

其中，Q(W)表示W的變分分布概率，W表示平均場變分貝葉斯推理網絡的權值，N(·)表示正態分布概率密度函數，D表示正態分布概率密度函數的協方差參數，K表示平均場變分貝葉斯推理網絡輸入層神經元個數，vn表示平均場變分貝葉斯推理網絡的第n個輸入樣，cj表示平均場變分貝葉斯推理網絡隱層中第j個神經元偏置的值，γ表示平均場變分貝葉斯推理網絡的數據擴張參數，其值由得到，hn表示平均場變分貝葉斯推理網絡的第n個輸入樣本的隱層，H表示平均場變分貝葉斯推理網絡所有樣本的隱層，T表示轉置操作，δ表示平均場變分貝葉斯推理網絡的權值，其值由以下公式得到：表示點乘操作，besselk(·)表示第二類修正貝塞爾函數，ξk表示ξ的第k列，其值由公式得到，φk表示φ的第k個元素,其值由公式得到。

第2步，按照下式，計算平均場變分貝葉斯推理網絡的權值的第k列：

其中，wk表示平均場變分貝葉斯推理網絡的權值的第k列。

第3步，按照下式，更新平均場變分貝葉斯推理網絡的輸入層的偏置：

第4步，按照下式，更新平均場變分貝葉斯推理網絡的隱層的偏置：

第5步，根據更新後的偏置和權值，得到與樣本圖像塊數量相同的重構圖像塊。

第6步，對每個重構圖像塊求其素描圖，作為重構素描塊。

第7步，利用權利要求1步驟(3c)中的結構重構誤差公式，求結構誤差G。

第8步，判斷均值G是否大於閾值0.2，若是,則執行第1步，否則，執行第9步。

第9步，完成平均場變分貝葉斯推理網絡結構約束訓練。

對每個互不連通區域，取其訓練後的平均場變分貝葉斯推理網絡的權值，作為該區域的特徵集合。

步驟5，分割SAR圖像混合聚集結構地物像素子空間。

將所有互不連通區域的特徵集合拼接，將拼接後的特徵集合作為碼本。

對每個互不連通區域的所有特徵，分別計算與碼本中的每個特徵的內積，得到每個區域所有特徵在碼本上的投影向量。

對每個互不連通區域的投影向量進行最大池化，得到每個區域對應的一個結構特徵向量。

利用近鄰傳播AP聚類算法，對所有互不連通區域的結構特徵向量進行聚類，得到混合聚集結構地物像素子空間的分割結果。

步驟6，分割結構像素子空間。

用視覺語義規則，分割線目標。

設第i條素描線li與第j條素描線lj之間的距離為Dij，li的方向為Oi，lj的方向為Oj，i,j∈[1,2,...,S]，S為素描線的總條數。

將寬度大於3個像素的線目標用兩條素描線li和lj表示，li和lj之間的距離Dij小於T1且方向差(Oi-Oj)小於10度，其中T1＝5。

設第s條素描線ls的幾何結構窗ws內每一列的平均灰度為Ai，設相鄰列的灰度差為ADi＝|Ai-Ai+1|，設zs＝[zs1,zs2,...,zs9]為相鄰列的灰度差ADi的標記向量。

將寬度小於3個像素的線目標用單個素描線ls表示，ls的幾何結構窗ws內，計算相鄰列的灰度差ADi，如果ADi>T2，則zsi＝1；否則zsi＝0，zs中有兩個元素的值為1，其餘為0，其中T2＝34。

設L1,L2是表示線目標的素描線的集合，如果Dij<T1並且|Oi-Oj|<10，則li,lj∈L1；如果sum(zs)＝2，則ls∈L2，其中sum(·)表示對向量的所有分量求和的操作。

在結構像素子空間，根據線目標的素描線的集合L1，將li和lj之間的區域作為線目標。

在結構像素子空間，根據線目標的素描線的集合L2，將覆蓋ls的區域作為線目標。

基於素描線的聚攏特徵，分割獨立目標。

第1步，在區域圖的結構區域中，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，構造大小為5×5的一個幾何結構窗。

第3步，判斷幾何結構窗內是否存在其它素描線的端點，若存在，執行第4步；否則，執行第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構窗內是否存在其他素描線的端點，若存在，執行第4步；否則，執行第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，統計所選取素描線中包含素描線段的條數n，其中n≥2。

第8步，判斷素描線的條數n是否等於2，若是，則執行第9步；否則，執行第10步。

第9步，將素描線頂點的角度值在[10°,140°]的範圍內的素描線作為具有聚攏特徵的素描線。

第10步，選出素描線對應的n-1個頂點的角度值都在[10°,140°]範圍內的素描線。

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，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，則標記該素描線為具有聚攏特徵的素描線。

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，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，而有一條素描線段與其相鄰線段在非同一側，也標記該素描線為具有聚攏特徵的素描線。

第12步，在具有聚攏特徵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]範圍內，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徵的素描線是否全部選完，若是，執行第12步；否則，執行第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，將分割後超像素的灰度值在[0,45]或[180,255]內的超像素作為獨立目標超像素。

第15步，合併獨立目標超像素，將合併後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果。

對線目標和獨立目標分割的結果進行合併，得到結構像素子空間的分割結果。

步驟7，分割勻質區域像素子空間。

將混合聚集結構地物像素子空間、勻質區域像素子空間和結構像素子空間的分割結果進行合併，得到合成孔徑雷達SAR圖像的最終分割結果。

第1步，從勻質區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，執行第4步；否則，執行第2步。

第4步，按照下式，計算方形窗口內中心像素的先驗概率：

其中，p1'表示方形窗口內中心像素的先驗概率，exp(·)表示指數函數操作，η'表示概率模型參數，η'取值為1，xk」表示方形窗口內屬於第k'類的像素個數，k'∈[1,...,K']，K'表示分割的類別數，K'取值為5，xi'表示第3步得到的方形窗口內屬於第i'類的像素個數。

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，得到後驗概率p12'。

第7步，判斷勻質區域像素子空間中是否還有未處理的像素點，若有，執行第1步；否則，執行第9步。

第8步，根據最大後驗概率準則，得到勻質區域像素子空間的分割結果。

步驟8，合併分割結果。

將混合聚集結構地物像素子空間、勻質區域像素子空間和結構像素子空間的分割結果進行合併，得到合成孔徑雷達SAR圖像的最終分割結果。

下面結合仿真圖對本發明的效果做進一步的描述。

1.仿真條件：

本發明仿真的硬體條件為：智能感知與圖像理解實驗室圖形工作站；本發明仿真所使用的合成孔徑雷達SAR圖像為：Ku波段解析度為1米的Piperiver圖。

2.仿真內容：

本發明的仿真實驗是對SAR圖像中的Piperiver圖進行分割，如圖2(a)所示的Piperiver圖。該圖來源於Ku波段解析度為1米的合成孔徑雷達SAR圖像。

採用本發明的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。

採用本發明的劃分像素子空間步驟，對圖2(b)所示的素描圖區域化，得到如圖2(c)所示的區域圖。圖2(c)中的白色空間表示聚集區域，其他的為無素描線區域和結構區域。將圖2(c)所示區域圖映射到圖2(a)所示Piperiver圖，得到如圖2(d)所示的Piperiver混合聚集結構地物像素子空間圖。

採用本發明的分割SAR圖像混合聚集結構地物像素子空間步驟，對圖2(d)所示的Piperiver混合聚集結構地物像素子空間圖進行分割，得到圖3(a)所示的混合聚集結構地物像素子空間分割結果圖，其中灰色區域表示未處理的地物空間，其餘相同顏色的區域表示同一種地物空間，不同顏色的區域表示不同的地物空間。將圖2(c)所示區域圖中結構區域映射到圖2(b)所示素描圖，得到圖2(e)所示的結構區域對應的素描線。圖2(f)所示的結構區域對應的素描線中，黑色為代表線目標的素描線，圖2(g)所示的結構區域對應的素描線中，黑色為代表獨立目標的素描線。

採用本發明的基於素描線的聚攏特徵分割獨立目標步驟，得到圖3(b)所示的獨立目標的分割結果。

採用本發明的合併分割結果步驟，合併圖3(a)所示的混合聚集結構地物像素子空間分割結果、勻質區域像素子空間分割結果和結構像素子空間分割結果，得到圖3(c)，圖3(c)是圖2(a)Piperiver圖像的最終分割結果圖。

3.仿真效果分析：

圖3(c)是本發明方法對Piperiver圖像的最終分割結果圖，圖3(d)是基於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圖像的最終分割結果圖，通過對比分割結果圖，可得出結論，本發明方法對於混合聚集結構地物像素子空間的邊界定位更加精確，對於勻質區域像素子空間的類別數確定更加合理，分割結果的區域一致性明顯較好，且對結構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，並提高了SAR圖像分割的準確性。