[发明专利]基于层次视觉语义的SAR图像分割方法

摘要

本发明公开了一种基于层次视觉语义的SAR图像分割方法，主要解决现有技术很难保持区域一致性及边界、线目标定位不精确的问题。其实现步骤为1.根据SAR图像的素描图，提取SAR图像的区域图，构建层次视觉语义；2.根据区域图将SAR图像划分为聚集、结构和匀质区域；3.对聚集区域进行分割；4.对结构区域法进行分割；5.在结构区域中设计视觉语义规则定位线目标；6.对匀质区域进行分割；7.将聚集、结构、匀质区域和线目标的分割结果合并得到最终分割结果。本发明保持了SAR图像中区域的一致性，提高了边界和线目标的定位精度，实现了SAR图像良好的分割效果，可用于后续的目标分类、识别和跟踪。

主权项

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li与第j条素描线lj之间的距离为Dij，li的方向为Oi，lj的方向为Oj，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li和lj表示，li和lj之间的距离Dij小于T1且方向差(Oi‑Oj)小于10度，其中T1＝5；设定第s条素描线ls的几何结构窗ws内每一列的平均灰度为Ai，设定相邻列的灰度差为ADi＝|Ai‑Ai+1|，设定zs＝[zs1,zs2,...,zs9]为相邻列的灰度差ADi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ls表示，ls的几何结构窗ws内，计算相邻列的灰度差ADi，如果ADi>T2，则zsi＝1；否则zsi＝0，zs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Dij<T1并且|Oi‑Oj|<10，则li,lj∈L1；规则2：如果sum(zs)＝2，则ls∈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li和lj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ls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。