[发明专利]基于脊波滤波器和反卷积结构模型的SAR图像分割方法

权利要求书

1.一种基于脊波滤波器和反卷积结构模型的SAR图像分割方法，包括如下步骤：

(1)素描化SAR图像：

(1a)对输入的合成孔径雷达SAR图像，依据SAR图像的像素起伏分布特点，得到其素描模型；

(1b)从素描模型提取素描图，得到合成孔径雷达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图像划分像素子空间，得到合成孔径雷达SAR图像的区域图；

(2b)将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像中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)构建脊波滤波器集合：

(3a)从合成孔径雷达SAR图像的区域图中提取混合聚集结构地物像素子空间对应的聚集区域，在[0°，180°]区间内以间隔为10°划分为18个区间即18个方向，分别统计每个区间内该聚集区域中素描线段的线段条数；

(3b)对该聚集区域中所有的素描线段，按照各个间隔内的线段条数的多少进行排序，得到方向的排序序列，将方向的排序序列中前6个方向的度数分别作为脊波滤波器中的方向参数；

(3c)按照下式，依据参数a，θ和b计算9×9的脊波滤波器的脊波函数：

Y＝a×(y₁×cosθ+y₂×sinθ-b)

其中，Y表示脊波滤波器的脊波函数，a表示脊波滤波器的尺度参数，a的取值范围为[0,3]，a的离散间隔为0.2，y₁表示脊波滤波器像素点的横坐标位置，y₁的取值范围为[0,8]，y₁的离散间隔为1，cos表示余弦操作，θ表示脊波滤波器的方向参数，y₂表示脊波滤波器像素点的纵坐标位置，y₂的取值范围为[0,8]，y₂的离散间隔为1，sin表示正弦操作；b表示脊波滤波器的位移参数，当方向参数θ为[0°,90°)时，b在[0,9×(sinθ+cosθ)]区间内以间隔为0.2进行离散化，当方向参数θ为[90°,180°)时，b在[9×cosθ,9×sinθ]区间内以间隔为0.2进行离散化；

(3d)按照下式，计算每一个脊波波滤波器：

其中，c(Y)表示以脊波函数Y作为参数的脊波滤波器，K表示脊波滤波器frobenius范数的倒数，exp表示以自然常数e为底的指数操作；

(3e)将计算得到的每一个脊波滤波器组合成为脊波滤波器集合；

(4)构造反卷积结构模型：

(4a)对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间的每个互不连通的区域，按31×31的窗口进行隔一滑窗采样，得到每个区域对应的多个图像块，将多个图像块依次输入到反卷积结构模型中，得到反卷积结构模型的输入层；

(4b)利用特征图和脊波滤波器进行卷积操作来重构输入层中的图像块，得到反卷积结构模型的反卷积层；

(4c)按照下式，计算数据保真项：

其中,E(c)表示数据保真项，c表示反卷积结构模型反卷积层中的脊波滤波器，N表示要学习的每个互不连通的区域包含的图像块的总个数，∑表示求和操作，||·||_F表示做frobenius范数操作，表示frobenius范数的平方操作，x_i表示待构造反卷积结构模型中第i个输入图像块，M_i表示待构造反卷积结构模型中输入的第i个图像块对应的脊波滤波器的总数，*表示卷积操作，表示待构造反卷积结构模型中第i个图像块对应的第j个特征图，表示待构造反卷积结构模型中第i个图像块对应的第j个脊波滤波器；

(4d)按照下式，计算结构保真项：

其中，G(c)表示结构保真项，R(·)表示求素描图中所有素描线总长度的操作，SM(·)表示提取与输入图像块一一对应的素描图块的操作；

(4e)按照下式，计算目标函数：

其中，L(c)表示目标函数，表示在目标函数L(c)值最小时，求取脊波滤波器c的操作；

(4f)输出由目标函数指导学习得到的脊波滤波器集合，得到反卷积结构模型的输出层；

(5)训练反卷积结构模型：

(5a)将结构误差阈值设置为0.1；

(5b)将步骤(4a)采样得到图像块依次输入到反卷积结构模型中；

(5c)从脊波滤波器集合中，随机选取六个滤波器，其方向参数由步骤(3b)中统计的6个方向得到，其位移参数和尺度参数随机初始化，将这些初始六个滤波器组成的滤波器集合作为所选取的脊波滤波器集合；

(5d)用6个大小为39×39的零矩阵初始化6个大小为39×39的特征图，将初始化后的6个大小为39×39的特征图作为特征图集合；

(5e)将特征图集合和所选取的脊波滤波器集合进行卷积操作来重构输入图像块；

(5f)利用步骤(4d)中的结构保真项公式，计算重构输入图像块的结构保真项；

(5g)判断当前重构输入图像块的结构保真项是否小于结构误差阈值，若是，则执行步骤(5j)，否则，执行步骤(5h)；

(5h)利用尺度参数更新公式和位移参数更新公式，分别更新步骤(4c)数据保真项公式中脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器集合，利用特征图更新公式，更新特征图，得到更新后的特征图集合；

(5i)将更新后的脊波滤波器集合作为所选取的脊波滤波器集合，将更新后的特征图集合作为特征图集合，返回步骤(5e)，对输入图像块重新进行学习；

(5j)将学习得到的脊波滤波器保存至该重构输入图像块学习好的脊波滤波器集合中，完成对该输入图像块特征的学习，并输出该输入图像块学习好的脊波滤波器集合；

(5k)判断所有图像块是否通过反卷积结构模型完成了特征的学习，若是，结束程序，否则，输入下一个图像块并执行步骤(5c)；

(6)分割SAR图像混合聚集结构地物像素子空间：

(6a)将所有互不连通的混合聚集结构地物像素子空间区域训练的脊波滤波器集合拼接成码本；

(6b)将互不连通的混合聚集结构地物像素子空间区域训练的脊波滤波器集合中所有的脊波滤波器，向码本进行投影，得到投影向量；

(6c)对每个互不连通的混合聚集结构地物像素子空间区域的投影向量进行最大池化，得到一个结构特征向量；

(6d)利用近邻传播AP聚类算法，对结构特征向量进行聚类，得到与结构特征向量相对应的混合聚集结构地物像素子空间的分割结果；

(7)分割结构像素子空间：

(7a)用视觉语义规则，分割线目标；

(7b)基于素描线的聚拢特征，分割独立目标；

(7c)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；

(8)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；

(9)合并分割结果：

将混合聚集结构像素子空间、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。