[发明专利]基于素描结构的随机梯度贝叶斯SAR图像分割方法

权利要求书

1.一种基于素描结构的随机梯度贝叶斯SAR图像分割方法，包括如下步骤：

(1)SAR图像素描化：

(1a)输入合成孔径雷达SAR图像；

(1b)建立合成孔径雷达SAR图像的素描模型；

(1c)从素描模型提取合成孔径雷达SAR图像的素描图；

(2)划分像素子空间：

(2a)采用素描线区域化方法，对合成孔径雷达SAR图像的素描图进行区域化处理，得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图；

(2b)将包括聚集区域、无素描线区域和结构区域的区域图，映射到合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间；

(3)构建随机梯度变分贝叶斯网络模型：

(3a)按照下式，计算随机梯度变分贝叶斯网络模型的输入层到隐层的中间变量:

其中，h_φ表示随机梯度变分贝叶斯网络模型的输入层到隐层的中间变量，表示随机梯度变分贝叶斯网络模型的输入层到中间变量h_φ的连接权值，m表示隐层的神经元个数，m＝500，n表示输入层的神经元个数，n＝441，表示对应的偏置向量；

(3b)按照下式，计算随机梯度变分贝叶斯网络模型的近似后验概率：

其中，q_φ(z|x)表示随机梯度变分贝叶斯网络模型的近似后验概率，表示均值向量为μ_φ，协方差矩阵为的正态分布，表示随机梯度变分贝叶斯网络模型的输入层到隐层的中间变量h_φ与μ_φ的连接权值，表示对应的偏置向量，表示输入层到隐层的中间变量h_φ与σ_φ的连接权值，表示对应的偏置向量；

(3c)按照下式，计算随机梯度变分贝叶斯网络模型的隐层到重构层的中间变量：

其中，h_θ表示随机梯度变分贝叶斯网络模型的隐层到重构层的中间变量，隐层到中间变量h_θ的连接权值，表示对应的偏置向量；

(3d)按照下式，计算随机梯度变分贝叶斯网络模型的条件概率：

其中，p_θ(y|z)表示随机梯度变分贝叶斯网络模型的条件概率，表示均值向量为μ_θ，协方差矩阵为的正态分布，表示隐层到重构层的中间变量h_θ与μ_θ的连接权值，表示对应的偏置向量，表示隐层到重构层的中间变量h_θ与σ_θ的连接权值，表示对应的偏置向量；

(3e)按照下式，计算随机梯度变分贝叶斯网络模型的变分下界：

其中，J(θ，φ)表示随机梯度变分贝叶斯网络模型的变分下界，φ表示随机梯度变分贝叶斯网络模型的变分参数，θ表示随机梯度变分贝叶斯网络模型的生成参数，D_KL(q_φ(z|x)||p_θ(z))表示q_φ(z|x)和p_θ(z)之间的相对熵，z表示随机梯度变分贝叶斯网络模型的隐层变量，p_θ(z)表示隐层变量z的先验概率，∑(·)表示求和操作，L表示隐层变量z进行高斯采样的次数，log(·)表示对数操作，z^l表示对z的第l次高斯采样结果，其取值由公式得到，其中，⊙表示点乘运算，ε^l表示高斯采样辅助变量，ε^l～N(0,I)，表示高斯采样辅助变量满足标准正态分布；

(3f)按照下式，计算随机梯度变分贝叶斯网络模型的结构重构误差：

其中，G(θ,φ)表示随机梯度变分贝叶斯网络模型的结构重构误差，K表示输入图像块的总数，x_i表示第i个输入图像块，y_i表示x_i的重构图像块，SM(·)表示求素描块操作，C(·)表示求素描块中素描线长度操作；

(4)对混合聚集结构地物像素子空间进行特征学习：

(4a)对合成孔径雷达SAR图像的混合聚集结构地物像素子空间，按空间上的连通性进行区域划分，若只存在一个互不连通区域，执行(6)；

(4b)对每个互不连通区域，按21×21的窗口进行隔一采样，得到每个区域对应的多个图像块样本；

(4c)对每个图像块样本，在素描图中取与图像块样本一一对应的素描块样本；

(4d)对每个互不连通区域，产生出每个区域对应的一组符合不均匀地物分布G⁰分布的随机数；

(4e)对每个互不连通区域，用每个区域对应的一组随机数对随机梯度变分贝叶斯网络的连接权值进行初始化，得到初始化后的随机梯度变分贝叶斯网络；

(4f)对每个互不连通区域初始化后的随即梯度变分贝叶斯网络，将图像块样本作为随机梯度变分贝叶斯网络的输入层，采用素描结构约束的随机梯度变分贝叶斯推理的方法，对初始化后的随机梯度变分贝叶斯网络进行结构约束训练，得到训练后的随机梯度变分贝叶斯网络；

(4g)对每个互不连通区域，取其训练后的随机梯度变分贝叶斯网络的权值，作为该区域的特征集合；

(5)分割SAR图像混合聚集结构地物像素子空间：

(5a)将所有互不连通区域的特征集合拼接，将拼接后的特征集合作为码本；

(5b)对每个互不连通区域的所有特征，分别计算与码本中的每个特征的内积，得到每个区域的所有特征在码本上的投影向量；

(5c)对每个互不连通区域的所有投影向量进行最大值汇聚，得到每个区域对应的一个结构特征向量；

(5d)利用近邻传播AP聚类算法，对所有互不连通区域的结构特征向量进行聚类，得到混合聚集结构地物像素子空间的分割结果；

(6)分割结构像素子空间：

(6a)用视觉语义规则，分割线目标；

(6b)基于素描线的聚拢特征，分割独立目标；

(6c)对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果；

(7)分割匀质区域像素子空间：

采用基于多项式逻辑回归先验模型的匀质区域分割方法，对匀质区域像素子空间进行分割，得到匀质区域像素子空间的分割结果；

(8)合并分割结果：

将混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间的分割结果合并，得到合成孔径雷达SAR图像的最终分割结果。