[发明专利]基于素描结构特征聚类的SAR图像样本块选择方法

说明书

本发明公开了一种基于素描结构特征聚类的SAR图像样本块选择方法，主要解决现有技术SAR图像混合聚集结构地物像素子空间分割中隔1滑窗样本集冗余样本过多的问题。其实现方案是：根据SAR图像的素描模型提取素描图；将素描图区域化得到区域图，根据区域图获得SAR图像混合聚集结构地物像素子空间；对每个极不匀质区域及其对应素描图采样，得到图像块集合与素描块集合；从每个极不匀质区域素描块集合中获取聚类中心集合，并对素描块集合中的样本块进行聚类；按比例从聚类结果中选择出样本块标号，并从图像块集合中选择出相应样本块。本发明能构建出SAR图像极不匀质区域的样本集，且构建的样本集能更全面代表极不匀质区域的结构特征。

技术领域

本发明属于图像处理技术领域，特别涉及一种SAR图像样本块选择方法，可应用于合成孔径雷达SAR图像混合像素子空间中互不连通的极不匀质区域训练样本集的确定，进一步用于SAR图像中的极不匀质区域的特征学习。

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特别适合大面积的地标成像，其能够穿透云雾、雨雪，具有全天候工作能力。随着SAR图像技术的快速发展，越来越多的SAR图像数据被获得，通过计算机自动解译SAR图像成为了一个亟需解决的问题。而SAR图像分割是SAR图像解译的前提，其分割结果对进一步的检测、识别影响很大。

SAR图像的极不匀质区域地物结构复杂，其可通过机器学习模型训练样本集学习到的特征来表征，然后利用每个极不匀质区域的特征对这些区域进行聚类，从而达到分割的目的。输入到机器学习模型中样本集的规模与质量会影响到特征学习的好坏，而提取到的特征的好坏对于SAR图像分割结果有起着关键作用。对于每个极不匀质区域来说，隔1滑窗会采集到大量重叠的样本，这就存在许多冗余的信息，在此基础上构建一个高质量的样本集用于特征学习，显得尤为重要。

西安电子科技大学在其申请的专利“基于反卷积网络与映射推理网络的SAR图像分割方法”(专利申请号CN201510679181.X，公开号CN105389798 A)中公开了一种反卷积网络与映射推理网络的SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图，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中各个互不连通的区域进行无监督训练，得到表征各个互不连通区域结构特征的滤波器集合。分别对两类区域中的互不连通区域间的结构特征进行比较推理，得到聚集和匀质区域的分割结果。对结构区域在素描线段指导下使用超像素合并进行分割。合并各区域分割结果完成SAR图像分割。该方法存在的不足之处是，在对聚集区域中互不连通区域进行结构特征学习时，没有对送入反卷积学习网络的样本块进行选择，这就使得样本规模大，导致网络训练时间长，且空间复杂度高，使得网络学习特征的成本较大。

西安电子科技大学在其申请的专利“基于G⁰分布的随机梯度变分贝叶斯SAR图像分割方法”(专利申请号201710702367.1)中公开了一种基于G⁰分布的随机梯度变分贝叶斯SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图，将区域图映射到原图得到聚集、匀质和结构区域。然后使用基于随机梯度变分贝叶斯网络模型的方法对混合聚集结构地物像素子空间分割，使用基于素描线聚拢特征的方法进行独立目标分割，使用基于视觉语义规则进行线目标分割，使用基于多项式逻辑回归先验模型进行匀质区域像素子空间分割，最后合并分割结果，并得到SAR图像的分割结果。该方法存在的不足之处是，在对混合聚集结构地物像素子空间中互不连通的极不匀质区域进行特征学习时，该方法是对每个极不匀质区域隔1滑窗采集到的样本块进行随机选样，这使得通过机器学习模型学到的特征具有随机性，即可能需要通过多次随机选样，并通过多次的特征学习，才可能在某一次中学习到极不匀质区域良好的特征表示，影响了SAR图像混合聚集结构地物像素子空间分割的准确性，且增加了训练成本。

发明内容