[发明专利]基于层次视觉语义的SAR图像分割方法

权利要求书

1.一种基于层次视觉语义的SAR图像分割方法，其特征在于：包括如下步骤：

(1)根据SAR图像的素描图，提取SAR图像的区域图，构建第一层为素描图第二层为区域图的层次视觉语义信息；

(2)根据区域图，将SAR图像划分为聚集、结构和匀质这三个区域；

(3)对聚集区域用水平集方法定位边界，并用基于局部线性约束编码的层次聚类方法进行分割；

(4)在结构区域中进行分割：

4a)对结构区域中的每个像素点，根据素描线的方向建立几何结构窗，并建立基于该几何结构窗的多项式逻辑回归先验模型，根据该模型，计算几何结构窗内中心像素的先验概率p₁；

4b)对结构区域中的每个像素点，将其像素灰度的概率密度和纹理的概率密度相乘得到似然概率p₂，其中灰度的概率密度由Nakagami分布得到，纹理的概率密度由t分布得到；

4c)将先验概率p₁和似然概率p₂相乘得到后验概率p₁₂，根据最大后验概率准则，得到结构区域分割结果；

(5)根据SAR图像中的线目标和素描线的关系设计视觉语义规则：

5a)设定线目标与素描线两者之间的关系：

设第i条素描线l_i与第j条素描线l_j之间的距离为D_ij，l_i的方向为O_i，l_j的方向为O_j，i,j∈[1,2,...,S]，S为素描线的总条数；

将宽度大于3个像素的线目标用两条素描线l_i和l_j表示，l_i和l_j之间的距离D_ij小于T₁且方向差(O_i-O_j)小于10度，其中T₁＝5；

设定第s条素描线l_s的几何结构窗w_s内每一列的平均灰度为A_i，设定相邻列的灰度差为AD_i＝|A_i-A_i+1|，设定z_s＝[z_s1,z_s2,...,z_s9]为相邻列的灰度差AD_i的标记向量；

将宽度小于3个像素的线目标用第s条素描线l_s表示，l_s的几何结构窗w_s内，计算相邻列的灰度差AD_i，如果AD_i>T₂，则z_si＝1；否则z_si＝0，z_s中有两个元素的值为1，其余为0，其中T₂＝34；

5b)根据上述关系，设计视觉语义规则如下：

设L₁,L₂是表示线目标的素描线的集合；

规则1：如果D_ij<T₁并且|O_i-O_j|<10，则l_i,l_j∈L₁；

规则2：如果sum(z_s)＝2，则l_s∈L₂，其中sum(·)表示参量元素的和；

(6)对线目标进行分割：

在结构区域的分割结果上，根据线目标的素描线的集合L₁，标记l_i和l_j之间的区域为线目标；

在结构区域的分割结果上，根据线目标的素描线的集合L₂，标记覆盖l_s的区域为线目标；

(7)对匀质区域进行分割：

7a)对匀质区域中的每个像素点，建立3×3的方形窗口，并计算该窗口的标准差σ₁；

7b)将窗口增加两行两列，计算当前窗口的标准差σ₂；

7c)设标准差阈值T₃＝3，如果|σ₁-σ₂|<T₃，则把当前窗口作为最终的窗口大小，执行7d)；否则返回到7b)；

7d)对匀质区域的中每个像素点，根据步骤7c)得到的窗口大小，建立基于该窗口的多项式逻辑回归先验模型，根据该模型，计算该窗口内中心像素的先验概率p₁′；

7e)对匀质区域中的每个像素点，将其像素灰度的概率密度和纹理的概率密度相乘得到似然概率p₂'，其中灰度的概率密度由Nakagami分布得到，纹理的概率密度由t分布得到；

7f)将先验概率p₁'与似然概率p₂'相乘得到后验概率p₁₂'，根据最大后验概率准则，得到匀质区域分割结果；

(8)将聚集区域、结构区域、线目标和匀质区域的分割结果合并，得到最终分割结果。