[发明专利]基于深度自编码器和区域图的SAR图像分割方法

说明书

技术领域

本发明属于图像处理技领域，特别涉及深度学习方法中的深度自编码器和SAR图像的区域图进行SAR图像分割的方法，可用于进一步对SAR图像的识别与分类。

背景技术

合成孔径雷达SAR就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达，其具有全天候全天时稳定的高分辨率成像的特点；而SAR图像则是通过雷达孔径合成的方式形成较大的雷达天线所成的图像，其特点导致其成为普遍应用于军事、农业、导航、地理等诸多领域非常有价值的图像。图像分割是按照其灰度、纹理、结构、聚集性等其他特征把图像分为具有独特性质互相连接且不相交的若干区域的技术和过程，是进一步对图像进行识别与分类的关键环节。SAR图像分割作为图像分割中的一个重要应用领域显得尤为重要。

传统的用于SAR图像分割方法中，有Kmeans、FCM、谱聚类等聚类算法，由于SAR图像本身独特的成像机理及其复制性，其所成图像中含有大量的相干斑噪声，导致其可分性极差，传统聚类算法的分割结果不够理想；还有一些半监督特征提取后进行的分割方法，分割结果优于前面所述的聚类分割算法，但它需要人机交互进行标签数据指导数据的划分，而SAR图源比较稀缺且覆盖范围广，所以标记过的数据很少，而标记新的代价又很高。受斑点噪声的影响，现有的SAR图像分割方法很难抑制其影响，很难获得理想的结果，无法满足SAR图像普遍应用的要求。为减少人工参与的程度，无监督特征学习方法成了特征提取方式的主流，用于SAR图像分割中的特征提取方式，使用无监督特征学习也成了发展必然。SAR图像分割中特征的选取很关键，既是无监督提取方式又能获得较好的特征很困难。

深度学习作为无监督特征学习方法中的新兴技术，在各领域的成功应用使其受到了强烈关注。深度学习能够学习数据本身固有特征，不仅可以无监督方式进行特征学习，而且学到的特征优于其他绝大部分是以假定其分布为基础提取的特征，在SAR图像分割领域引入深度学习方法理论上可以获得更好的SAR图像分割结果。然而在实际应用中，首先会因无法获取较为理想的训练数据而陷入困境，其次对学习到的特征很难应用到区域中进行分割表示，因此，如何有效结合深度学习方法应用到SAR图像分割中并获得非常理想的效果是个很困难的问题，而且本身基于这种技术的研究非常少。

发明内容

本发明的目的在于克服上述已有技术与方法的不足，提出了一种基于深度学习中深度自编码器和区域图的SAR图像分割方法，以提升SAR图像分割的效果。

实现本发明的技术方案是：根据初始素描模型得到SAR图像素描图，补全素描图中的素描线段得到区域图，将区域图映射到原图得到聚集、匀质和结构区域；分别对聚集和匀质区域使用不同的深度自编码器训练；用训练好的深度自编码器得到对应所有点的表示，级联编码层最后两层的表示作为该点的特征；根据词袋模型，分别对聚集和匀质区域构建字典，将各点特征投影至相应字典得到相应子区域特征；分别对两类区域的子区域特征聚类；将结构区域分割成超像素在素描线段指导下合并，并与匀质区域合并；将各区域的分割结果进行合并，完成SAR图像分割。具体步骤包括如下：

(1)根据初始素描模型得到SAR图像素描图，补全素描图中素描线段得到区域图，将区域图映射到原图得到聚集区域a、匀质区域b和结构区域c；

(2)根据聚集区域a和匀质区域b各自特性，分别对聚集区域a和匀质区域b构建两个不同的深度自编码器Sa和Sb；

(3)依照区域图中聚集区域a和匀质区域b的位置，分别在聚集区域a和匀质区域b上取样并训练相应的深度自编码器Sa和Sb；

(4)使用训练好的两个深度自编码器Sa和Sb，得到对应区域类型中的区域所有点各自的多层编码层表示，并级联每个点的最后两层编码层表示作为该点的特征；

(5)根据词袋模型，分别由聚集区域a和匀质区域b的所有点的特征构建聚集区域a和匀质区域b的字典，各点特征投影至相应字典并汇聚出各个子区域的区域特征；

(6)分别对聚集区域a和匀质区域b的所有子区域特征进行聚类，得到聚集区域a和匀质区域b的分割结果；

(7)将结构区域c使用分水岭算法分割成许多超像素，并在素描图中的素描线指导下对超像素进行一次合并，得到线目标和边界，再对其他超像素进行二次合并，并把二次合并后的超像素与匀质区域b的子区域进行三次合并，三次合并后剩余的超像素为独立目标，完成对结构区域c的分割；

(8)将聚集区域a、匀质区域b和结构区域c的分割结果进行合并，得到最终的SAR图像分割结果。