[发明专利]基于结构学习和素描特性推理网络的SAR图像分割方法

说明书

本发明公开了一种基于结构学习和素描特性推理网络的SAR图像分割方法，主要解决现有技术分割SAR图像不准确的问题。其实现步骤是：1.根据SAR图像的素描模型，提取素描图；2.根据SAR图像的素描图，得到区域图，并将区域图映射到SAR图像中，得到SAR图像的混合像素子空间、结构像素子空间和匀质像素子空间；3.对混合像素子空间进行特征学习；4.构造素描特性推理网络并对混合像素子空间进行分割；5.对结构像素子空间和匀质像素子空间依次进行相应的分割；6.合并各个像素空间的分割结果，得到最终分割结果。本发明提高了SAR图像分割的准确性，可用于合成孔径雷达SAR图像的目标检测与识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达SAR图像分割方法，可用于后续的合成孔径雷达SAR图像的目标检测与识别。

背景技术

合成孔径雷达SAR图像分割是指根据灰度、纹理、结构、聚集性等特征将合成孔径雷达SAR图像划分成若干个互不相交的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性的过程。合成孔径雷达SAR图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。合成孔径雷达SAR图像分割是图像理解与解译的基础，分割质量的好坏直接影响后续的分析、识别等。通常，分割越准确，识别越成功。

现有的合成孔径雷达SAR图像分割方法主要分为基于特征的方法和基于统计模型的方法。基于特征的方法主要是提取一些合成孔径雷达SAR图像的特征进行分割，比如纹理特征、边特征以及混合特征等。基于统计模型的方法将合成孔径雷达SAR图像分割问题用概率的方式表达，将图像的特征描述为一些经验的分布，例如Nakagami分布、Gamma分布、K分布、G分布等。

刘芳，段一平等在其发表的论文“基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割”(IEEE Trancactions on Geoscience and Remote Sensing，2016,54(7):4287-4301.)中提出了一种基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法，该方法根据合成孔径雷达SAR图像的素描模型提取出SAR图像的素描图，采用素描线区域化方法，得到SAR图像的区域图，并将区域图映射到SAR图像中，最终将合成孔径SAR图像划分为聚集区域、匀质区域和结构区域。基于该划分，对不同特性的区域采用了不同的分割方法。对于聚集区域，提取了灰度共生矩阵特征，并采用局部线性约束编码的方法得到每个聚集区域的表示，进而采用层次聚类的方法进行分割。对结构区域，通过分析边模型和线模型，设计了视觉语义规则定位边界和线目标。另外，边界和线目标包含了强烈的方向信息，因此设计了基于几何结构窗的多项式隐模型进行分割。对匀质区域，为了能找到恰当的邻域去表示中心像素，设计了基于自适应窗口的多项式隐模型进行分割。这三个区域的分割结果被整合到一起得到最后的分割结果。该方法的不足之处是，对于聚集区域边界定位不够精确；对于匀质区域的分割结果区域一致性较差，且类别数不够合理；而结构区域的分割结果中未对独立目标进行处理。

林达，徐新，潘雪峰，张海涛在其发表的论文“一种新的MSTAR SAR图像分割方法”(武汉大学学报，2014,3,9)中提出了一种新的MSTAR SAR图像分割方法。该方法首先根据地物的散射机制进行属性散射中心特征提取，构造属性散射中心特征向量，然后使用马尔科夫随机场结合属性散射中心特征对MSTAR SAR图像进行空间邻域关系描述，最后运用标号代价能量优化算法得到最终的分割结果。该方法存在的不足之处是对合成孔径雷达SAR图像进行分割所使用的特征是人工提取的，人工选取特征是一件非常费力、需要专业知识的方法，能不能选取到好的特征很大程度上靠经验和运气，因此人工选取的特征的好坏往往成为整个系统性能的瓶颈。