[发明专利]基于曲线波滤波器和卷积结构学习的SAR图像分割方法

摘要

本发明公开了一种基于曲线波滤波器和卷积结构学习的SAR图像分割方法，主要解决现有技术分割SAR图像不准确的问题。其实现步骤是：(1)SAR图像素描化，得到素描图；(2)根据SAR图像的区域图，划分SAR图像的像素子空间；(3)构建曲线波滤波器集合；(4)构造卷积结构学习模型；(5)采用基于曲线波滤波器和卷积结构学习模型的SAR图像分割方法，分割混合聚集结构地物像素子空间；(6)基于素描线聚拢特征的独立目标分割；(7)基于视觉语义规则的线目标分割；(8)采用基于多项式逻辑回归先验模型对匀质区域像素子空间进行分割；(9)合并分割结果，得到SAR图像分割结果。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。

主权项

1.一种基于曲线波滤波器和卷积结构学习的SAR图像分割方法，包括如下步骤：(1)SAR图像素描化：(1a)对输入的合成孔径雷达SAR图像，根据SAR图像的分布特点得到其素描模型；(1b)利用SAR图像素描模型，对输入的合成孔径雷达SAR图像进行素描化处理，获得输入的合成孔径雷达SAR图像对应的素描图；(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)构建曲线波滤波器集合：(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的对应的聚集区域，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)对该聚集区域所有的素描线段条数，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曲线波滤波器中的方向参数；(3c)将曲线波滤波器的尺度参数在[‑4,0]区间内，以间隔为0.2进行离散化，得到离散化后的尺度参数；将曲线波滤波器的位移参数在[0，9]区间内以间隔为0.5进行离散化，得到离散化后的位移参数；(3d)按照下式，计算曲线波滤波器的曲线波函数：其中，t表示曲线波滤波器的曲线波函数，b表示曲线波滤波器中的尺度参数，D_b表示将尺度参数b作为参数的曲线波滤波器中的尺度算子，θ表示曲线波滤波器中的方向参数，R_θ表示将方向参数θ作为参数的曲线波滤波器中的旋转算子，(m,n)表示曲线波滤波器中像素点的坐标位置，m₀表示水平方向的位移参数，n₀表示垂直方向的位移参数，表示将水平方向的位移参数m₀和垂直方向的位移参数n₀作为参数的曲线波滤波器中的的位移参数；(3e)按照下式，计算每一个曲线波滤波器：其中，c(t)表示以曲线波函数t作为参数的曲线波滤波器，cos表示余弦操作，exp表示以自然常数e为底的指数操作；(3f)将计算得到的每一个曲线波滤波器组合成为曲线波滤波器集合；(4)构造卷积结构学习模型：(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卷积结构学习模型中，得到卷积结构学习模型的输入层；(4b)采用曲线波滤波器，对卷积结构学习模型的输入层中的图像块进行卷积操作，得到卷积结构学习模型的卷积层；(4c)按照下式，计算数据保真项：其中，E(c)表示数据保真项，c表示卷积结构学习模型卷积层中的滤波器，N表示卷积结构学习模型中要学习的每个互不连通的区域包含的图像块的总个数，||·||_F表示做frobenius范数操作，表示frobenius范数的平方操作，x_i表示卷积结构学习模型中输入的第i个图像块，表示提取x_i中间的大小为n×n的特征图像块，M_i表示卷积结构学习模型中输入的第i个图像块对应的曲线波滤波器的总数，∑表示求和操作，*表示卷积操作，表示卷积结构学习模型中输入的第i个图像块对应的第j个曲线波滤波器；(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，求取曲线波滤波器c的操作；(4f)输出由目标函数指导学习得到的曲线波滤波器，得到卷积结构模型的输出层；(5)训练卷积结构学习模型：(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卷积结构学习模型中；(5c)从曲线波滤波器集合中，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曲线波滤波器集合；(5d)将当前输入的图像块与所选取的曲线波滤波器集合中的每个曲线滤波器进行卷积操作,得到与每个曲线滤波器对应的特征图；(5e)利用步骤(4d)中的结构保真项公式，计算输入图像块的结构保真项；(5f)判断当前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(5i)，否则，执行步骤(5g)；(5g)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)数据保真项公式中曲线波滤波器的尺度参数和位移参数,得到更新后的曲线波滤波器；(5h)将更新后的曲线波滤波器集合作为所选取的曲线波滤波器集合，返回步骤(5d)，对输入图像块重新进行训练；(5i)将学习得到的曲线波滤波器保存至该输入图像块学习好的曲线波滤波器集合中，完成对该输入图像块的特征的学习，并输出该输入图像块学习好的曲线波滤波器集合；(5j)判断所有图像块是否通过卷积结构学习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)将所有互不连通区域的特征集合拼接，将拼接后的特征集合作为码本；(6b)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，得到每个区域所有特征在码本上的投影向量；(6c)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；(6d)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；(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无素描线区域分割方法，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进行合并，得到合成孔径雷达SAR图像的最终分割结果。