[发明专利]基于层次视觉语义的SAR图像分割方法

说明书

技术领域

本发明属于图像处理技术领域，涉及SAR图像分割方法，可用于后续目标识别和跟踪。

背景技术

合成孔径雷达SAR具有全天候全天时、穿透性、远距离、高分辨率等成像特点，在国防建设、国民经济与社会发展的各个领域获得了广泛的应用。SAR图像分割是SAR图像解译中一个基本而关键的问题，它是将人们感兴趣的目标从图像背景中提取出来，为后续的分类、跟踪、识别等处理提供基础。

现有的SAR图像分割方法主要分为基于特征的方法和基于模型的方法两大类。

基于特征的方法，其主要强调图像的特征，比如灰度共生矩阵特征、SAR-sift特征、Gabor特征等，这些特征很容易受SAR图像相干斑噪声的影响，使分割结果的一致性很难保持。

基于模型的方法，其由于考虑了图像的上下文信息，因此受到了很大的关注，例如Markov随机场方法、基于区域的Markov随机场方法和多项式隐模型方法等。Markov随机场方法是最基本的上下文方法，它用图像的灰度特征作为似然模型，并用Gibbs分布作为图像的先验模型，根据最大后验准则得到图像的分割结果。该方法没有考虑SAR图像的纹理特征，并且使用了尺度较小的上下文窗口，容易造成SAR图像过分割。基于区域的Markov随机场方法首先把图像分割成超像素，在超像素上用Markov随机场方法得到分割结果。该方法虽然能在一定程度上提高区域一致性，但是仍然不能得到语义上一致性的区域。多项式隐模型方法同时考虑图像的灰度特征和纹理特征作为似然模型，并用具有聚集特性的多项式逻辑回归模型作为图像的先验模型，再用分类的期望最大化方法得到图像的分割结果，然而预先定义的上下文窗口不能满足SAR图像内容多尺度的需求，在分割过程中容易造成边界定位不精确和线目标的丢失。

发明内容

本发明的目的在于针对上述已有方法的不足，提出了一种基于层次视觉语义的SAR图像分割方法，以提升SAR图像的分割效果。

本发明技术方案是这样实现的：

一.技术原理

上述基于模型的方法由于没有考虑图像的语义信息，因此很难把SAR图像分割成语义上一致性的区域。这是由于SAR成像机制决定了SAR图像在刻画地物上的目标时会出现与目标对应的阴影，如一颗树的亮斑和阴影，一栋房子的亮斑和阴影等。当许多树、房子聚集在一起组成森林、城区时，在SAR图像中森林、城区这些场景会出现许多成对的明区域和暗区域。现有的许多无监督分割方法都会把明区域分成一类，暗区域分成另一类，而不会把他们分成一致性的区域。事实上，SAR图像是一些有意义的区域的组合，而低层的特征很难满足高层语义上的需求。因此，本发明是在SAR图像分割中引入语义信息，并用语义信息作为指导，使不同特性的区域能用适合区域特性的方法进行分割，在保持图像分割结果一致性的同时精确的定位图像的边界和线目标，实现SAR图像语义分割。

二.技术方案

根据上述原理，本发明的技术方案包括如下步骤：

(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，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；