[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

说明书

本发明公开了一种基于素描结构的随机梯度贝叶斯SAR图像分割方法，主要解决现有技术合成孔径雷达SAR图像分割不准确的问题。其实现步骤如下：(1)SAR图像素描化，得到SAR图像的素描图；(2)根据SAR图像的区域图，划分SAR图像的像素子空间；(3)基于随机梯度变分贝叶斯网络模型的方法的混合聚集结构地物像素子空间分割；(4)基于素描线聚拢特征的独立目标分割；(5)基于视觉语义规则的线目标分割；(6)基于多项式逻辑回归先验模型的匀质区域像素子空间分割；(7)合并分割结果，得到SAR图像的分割结果。本发明获得了SAR图像的良好分割效果，可用于SAR图像的语义分割。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分割技术领域中的一种基于素描结构的随机梯度贝叶斯的合成孔径雷达SAR(Synthetic Aperture Radar)图像分割方法。本发明可应用于对合成孔径雷达SAR的不同区域准确地进行分割，可进一步用于SAR图像中的目标检测与识别。

背景技术

合成孔径雷达SAR是遥感技术领域的重要进展，用来获取地球表面的高分辨图像。与其他类型的成像技术相比，SAR有着非常重要的优势，它不受云层、降雨或者大雾等大气条件以及光照强度的影响，能够全天时、全天候地获取高分辨遥感数据。SAR技术对于军事、农业、地理等许多领域具有重要指导意义。

图像分割是指根据颜色、灰度和纹理等特征将图像划分成若干个互不相交的区域的过程。目前图像分割常用的方法有：基于边缘检测的方法、基于阈值的方法、基于区域生长和分水岭的方法及基于聚类的方法等。由于SAR独特的成像机理，SAR图像中含有许多相干斑噪声，导致很多光学图像的传统方法都不能直接用于SAR图像的分割。SAR图像的传统分割方法包括一些基于聚类如K-means、FCM等的方法，以及其他一些有监督和半监督的方法。它们往往需要靠人工经验进行特征提取，然而提取的特征的好坏对于SAR图像的分割结果有着重要影响。对于有监督和半监督的方法，需要有标签数据，SAR图像的标签数据很少，获取标签数据的成本很高。贝叶斯网络在不确定性知识的表达和推理方面具有独特优势，变分贝叶斯推理网络既可以无需标签数据进行无监督地训练，也可以有效地学习各个像素空间隐含的结构特征，对于SAR图像的有效分割具有很大意义。

武汉大学在其发表的论文“一种有效的MSTAR SAR图像分割方法”(武汉大学学报：信息科学版2015年第10月1377页—1380页)中提出了一种MSTAR SAR图像分割方法。该方法首先对待处理图像进行过分割操作，得到过分割图像区域。其次对过分割后的图像进行图像区域级和像素级的特征提取，得到用于表示图像的特征向量，对MSTARSAR图像使用空间隐含狄利克雷分配模型(sLDA)和马尔科夫随机场(MRF)建立该方法所提出的模型，得到能量泛函。最后运用Graph-Cut算法和Branch-and-Bound算法对能量泛函进行优化，得到最终的分割结果。该方法存在的不足之处是，在求得SAR图像的特征向量时，用到SAR图像的像素级特征，而没有自动地去学习SAR图像中由于像素之间的相关性而特有的结构特征，使得真正表示SAR图像地物特点的结构特征利用不充分，导致分割结果不够准确。