CN105374033A - 基于脊波反卷积网络和稀疏分类的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于脊波反卷积网络和稀疏分类的SAR图像分割方法。主要解决现有技术需要人工经验提取图像特征的问题。其实现步骤如下：(1)素描化合成孔径雷达SAR图像；(2)划分SAR图像为不同语义的区域；(3)对聚集区域和匀质区域分别训练脊波反卷积网络RDN；(4)合并相似的聚集区域；(5)合并相似的匀质区域；(6)基于分水岭方法，对步骤(2)获得的结构区域进行分割；(7)得到分割后的合成孔径雷达SAR图像。本发明的分割结果具有较好的区域一致性,且提高了合成孔径雷达SAR图像的分割效果,可用于目标检测和识别。

Description

基于脊波反卷积网络和稀疏分类的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于脊波反卷积网络和稀疏分类的合成孔径雷达(SyntheticApertureRadar，SAR)图像分割方法。本发明能够对合成孔径雷达SAR图像的不同区域准确地进行分割，并且可用于后续的合成孔径雷达SAR图像的目标检测与识别。

背景技术

合成孔径雷达SAR图像分割是指根据灰度、纹理、结构、聚集性等特征将合成孔径雷达SAR图像划分成若干个互不相交的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性的过程。合成孔径雷达SAR图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。合成孔径雷达SAR图像分割是图像理解与解译的基础，分割质量的好坏直接影响后续的分析、识别等。通常，分割越准确，识别越成功。

现有的合成孔径雷达SAR图像分割方法主要分为基于特征的方法和基于统计模型的方法。基于特征的方法主要是提取一些合成孔径雷达SAR图像的特征进行分割，比如纹理特征、边特征以及混合特征等。基于统计模型的方法将合成孔径雷达SAR图像分割问题用概率的方式表达，将图像的特征描述为一些经验的分布，例如Nakagami分布、Gamma分布、K分布、G分布等。

林达，徐新，潘雪峰，张海涛在其发表的论文“一种新的MSTARSAR图像分割方法，2014,39(11)”中提出了一种新的MSTARSAR图像分割方法。该方法首先根据地物的散射机制进行属性散射中心特征提取，构造属性散射中心特征向量，然后使用马尔科夫随机场结合属性散射中心特征对MSTARSAR图像进行空间邻城关系描述，最后运用标号代价能量优化算法得到最终的分割结果。该方法存在的不足之处是，该方法对合成孔径雷达SAR图像进行分割所使用的特征是人工提取的，人工选取特征是一件非常费力、需要专业知识的方法，能不能选取到好的特征很大程度上靠经验和运气，因此人工选取的特征的好坏往往成为整个***性能的瓶颈。

西安电子科技大学在其申请的专利“基于深度自编码和区域图的SAR图像分割方法”(专利申请号201410751944.2，公开号CN104392456A)中公开了一种基于深度自编码和区域图的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、匀质区域用不同的深度自编码器训练，得到聚集和匀质区域每个点的特征；分别对聚集和匀质区域构建字典，各点投影至相应字典并汇聚出各子区域的区域特征，分别对两类区域的子区域特征进行聚类；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，所用的自动提取图像特征的深度自编码器的输入为一维向量，破坏了图像的空间结构特征，因此，不能提取图像的本质特征，降低了SAR图像分割的精度。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于脊波反卷积神经网络和稀疏分类的(SyntheticApertureRadar，SAR)图像分割方法。该方法基于脊波反卷积神经网络，不仅可以自动学习样本的特征，冲破了人工提取特征的瓶颈，而且可以学习合成孔径雷达SAR图像中像素间的空间关系，提取合成孔径雷达SAR图像的本质特征，提高了合成孔径雷达SAR图像的分割效果。

为实现上述目的，本发明具体实现步骤包括如下：

(1)素描化SAR图像：

对输入的合成孔径雷达SAR图像素描化，得到合成孔径雷达SAR图像的素描图；

(2)划分SAR图像为不同语义的区域：

利用射线补全区域图，将合成孔径雷达SAR图像划分为聚集区域、匀质区域和结构区域；

(3)对聚集区域和匀质区域分别训练脊波反卷积网络RDN：

(3a)构造一个4层脊波反卷积网络RDN；

(3b)利用脊波函数，分别对已构造的4层脊波反卷积网络RDN中的3个反卷积层的滤波器组进行初始化；

(3c)对空间上不连通的各个聚集区域和空间上不连通的各个匀质区域，分别训练一个4层脊波反卷积网络RDN，得到脊波反卷积网络中滤波器组的最优值；

(4)合并相似的聚集区域：

(4a)用空间上不连通的各个聚集区域训练所得脊波反卷积网络最后一层的滤波器组的最优值表示空间上不连通的各个聚集区域；

(4b)采用稀疏分类的方法，计算表示空间上不连通的各个聚集区域间结构特征相似性的测度；

(4c)将聚集区域结构特征相似性测度大于其阈值τ的对应区域作为相似的聚集区域，合并所有相似的聚集区域，其中，τ表示聚集区域结构特征相似性测度的阈值，τ的取值范围为τ∈[0,1]；

(5)合并相似的匀质区域：

(5a)用空间上不连通的各个匀质区域训练所得脊波反卷积网络最后一层的滤波器组的最优值表示空间上不连通的各个匀质区域；

(5b)采用稀疏分类的方法，计算表示空间上不连通的各个匀质区域间结构特征相似性的测度；

(5c)将匀质区域结构特征相似性测度大于其阈值σ的对应区域作为相似的匀质区域，合并所有相似的匀质区域，其中，σ表示匀质区域结构特征相似性测度的阈值，σ的取值范围为σ∈[0,1]；

(6)对结构区域进行分割：

对步骤(2)获得的结构区域进行分割，得到结构区域的分割结果；

(7)得到分割后的SAR图像：

利用步骤(4)得到的聚集区域和步骤(5)得到的匀质区域，以及步骤(6)得到的结构区域，得到分割后的合成孔径雷达SAR图像。

本发明与现有技术相比具有以下优点：

第一，由于本发明构造一个4层脊波反卷积网络RDN，克服了现有技术对合成孔径雷达SAR图像进行分割所使用的特征是人工提取的缺点，使得采用本发明可以自动提取图像的特征，比人工提取特征更加省时省力，并且自动提取的图像特征比人工提取的特征更加准确。

第二，由于本发明利用脊波函数，分别对已构造的4层脊波反卷积网络RDN中的3个反卷积层的滤波器组进行初始化，克服了现有技术自动提取图像特征的深度自编码器没有关注图像的结构特性的缺点，使得采用本发明可以自动提取图像的结构特异性特征，提高了SAR图像分割的精度。

第三，由于本发明对空间上不连通的各个聚集区域和空间上不连通的各个匀质区域分别训练一个4层脊波反卷积网络RDN，克服了现有技术自动提取图像特征的深度自编码器没有关注图像中像素间的空间关系的缺点，使得采用本发明可以自动提取图像的本质特征，因此，获得更好的区域分割一致性。

附图说明

图1是本发明的流程图；

图2(a)是Ku波段分辨率为1米的合成孔径雷达SAR图像Piperiver图；

图2(b)是Piperiver图对应的区域图；

图2(c)是Piperiver图聚集区域分割结果图；

图2(d)是Piperiver图匀质区域分割结果图；

图2(e)是Piperiver图像最终分割结果图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照附图1，本发明的具体步骤如下。

步骤1，素描化合成孔径雷达SAR图像。

输入合成孔径雷达SAR图像，将其素描化，得到合成孔径雷达SAR图像的素描图。

本发明使用的合成孔径雷达SAR图像素描模型是Jie-Wu等人于2014年发表在IEEETransactionsonGeoscienceandRemoteSensing杂志上的文章《LocalmaximalhomogenousregionsearchforSARspecklereductionwithsketch-basedgeometricalkernelfunction》中所提出的模型。

构造具有不同方向和尺度的边、线模板，并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数，其中尺度个数取值为3～5，方向个数取值为18。

按照下式，计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值和方差：

$\mathrm{\μ}=\frac{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g{A}_g}{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g}$

$v=\frac{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g{(A_g-\mathrm{\μ})}^2}{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g}$

其中，μ表示区域Ω对应在合成孔径雷达SAR图像中像素的均值，Ω表示模板中的一个区域，g表示区域Ω中一个像素点的位置，∈表示属于符号，∑表示求和操作，w_g表示区域Ω中位置g处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示区域Ω中位置g对应在合成孔径雷达SAR图像中的像素值，ν表示区域Ω对应在合成孔径雷达SAR图像中像素的方差。

按照下式，计算合成孔径雷达SAR图像中每个像素对比值算子的响应值：

$R=1-min\{\frac{{\mathrm{\μ}}_a}{{\mathrm{\μ}}_b},\frac{{\mathrm{\μ}}_b}{{\mathrm{\μ}}_a}\}$

其中，R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值，min{·}表示求最小值操作，a和b分别表示模板中任意两个不同区域的编号，μ_a和μ_b分别表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值。

按照下式，计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值：

$C=\sqrt{\frac{1}{1+2\·\frac{v_a^2+v_b^2}{{({\mathrm{\μ}}_a+{\mathrm{\μ}}_b)}^2}}}$

其中，C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值，a和b分别表示模板中任意两个不同区域的编号，ν_a和ν_b分别表示区域a和区域b对应在合成孔径雷达SAR图像中像素的方差，μ_a和μ_b分别表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值，表示平方根操作。

按照下式，融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值，计算合成孔径雷达SAR图像中每个像素对各个模板的响应值：

$F=\sqrt{\frac{R^2+C^2}{2}}$

其中，F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值，表示平方根操作。

选择具有最大响应值的模板作为合成孔径雷达SAR图像中像素的模板，并将最大响应值作为该像素的强度，将具有最大响应值的模板的方向作为该像素的方向，获得合成孔径雷达SAR图像的边线响应图和方向图。

利用合成孔径雷达SAR图像中每个像素所选择的模板，获得合成孔径雷达SAR图像的梯度图。

按照下式，将归一化到[0,1]的边线响应图与归一化到[0,1]的梯度图进行融合，得到强度图：

$I=\frac{xy}{1-x-y+2xy}$

其中，I表示强度图中的强度值，x表示边线响应图中的值，y表示梯度图中的值。

采用非极大值抑制方法，对强度图进行检测，得到建议草图。

选取建议草图中具有最大强度的像素，将建议草图中与该最大强度的像素连通的像素连接形成建议线段，得到建议素描图。

按照下式，计算建议素描图中素描线的编码长度增益CLG：

$CLG=\underset{t}{\overset{m}{\Σ}}\[\frac{A_t^2}{A_{t,0}^2}+ln\left(A_{t,0}^2\right)-\frac{A_t^2}{A_{t,1}^2}-ln\left(A_{t,1}^2\right)\]$

其中，CLG表示建议素描图中素描线的编码长度增益，∑表示求和操作，m表示当前素描线邻域中像素的个数，t表示当前素描线邻域中像素的编号，A_t表示当前素描线邻域中第t个像素的观测值，A_t,0表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第t个像素的估计值，ln(·)表示以e为底的对数操作，A_t,1表示在当前素描线能够表示结构信息的假设下，该素描线邻域中第t个像素的估计值。

设定阈值T，T的取值范围为5～50，选择CLG>T的建议素描线作为最终素描图中的素描线，获得输入合成孔径雷达SAR图像对应的素描图。

步骤2，划分SAR图像为不同语义的区域。

按照合成孔径雷达SAR图像的素描图中素描线段的聚集度，将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线；

根据素描线段聚集度的直方图统计，选取聚集度等于最优聚集度的素描线段作为种子线段集{E_k,k＝1,2,...,m}，其中E_k表示种子线段集中的任一条素描线段，k为种子线段集中任一条素描线段的标号，m为线段的总条数，{·}表示集合操作；

如果种子线段集{E_k,k＝1,2,...,m}中的素描线段E_k没有被添加进某个线段集合，则以素描线段E_k为基点递归的求解新的线段集合；

使用半径为最优聚集度区间上界的圆形基元，先对线段集合中的线段进行膨胀，对膨胀后的线段集合由外向内进行腐蚀，在素描图上得到以素描点为单位的聚集区域；

计算表示边界、线目标以及孤立目标的素描线中每一根素描线的长度，按照长度由长到短对这些素描线进行排序，得到排序后的素描线集合；

将计数器的初始值设置为1，将计数器α的阈值E的值设置为21；

判断计数器是否小于阈值，如果是，则执行第8步，否则，执行第13步；

在排序后的第α根素描线上选择3个种子点，用这3个种子点将素描线分为4等分线段，如果某个种子点恰好是素描线的端点，则将该种子点移动到所在素描线段的中点处；

在第α根素描线两侧，以第α根素描线上的每一个种子点为起点，沿着与素描线之间的夹角为1～180度的180个方向向外延伸，对延伸时所遇到表示边界、线目标以及孤立目标的素描线，聚集区域的边界，其它素描线补全得到的封闭区域的边界三种情况中的任意一种，停止延伸，得到以种子点为起点的射线，每个种子点在第α根素描线两侧各产生180条射线，按照射线与素描线夹角的大小对产生的这些射线排序；

计算所有射线的长度，用第一条射线生成第一个射线簇，对于剩余的179条射线，判断其中每一条射线的长度与其相邻的前一条射线的长度之比是否在1.25～1.5之间，若是则将该射线加入其前一条射线所在的射线簇，否则，用该射线生成一个新的射线簇；

对包含射线数目小于5的射线簇以及长度突变的射线进行修正；

连接当前素描线的端点和与其在空间位置上最近邻的射线终点，得到种子点的射线封闭圈；

合并3个种子点的射线封闭圈，得到素描线的射线封闭圈，并利用该射线封闭圈得到补全的素描线，得到当前素描线的封闭区域，将计数器α的值增加1，执行第7步；

对表示边界、线目标以及孤立目标的素描线以及其补全的素描线，以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域；

将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域；

将素描图中的聚集区域、结构区域和不可素描区域对应到合成孔径雷达SAR图像上，得到合成孔径雷达SAR图像的聚集区域、结构区域和匀质区域。

步骤3，对聚集区域和匀质区域分别训练脊波反卷积网络RDN。

第1步，构造一个4层脊波反卷积网络RDN。

将脊波反卷积网络的第1层设置为输入层；将脊波反卷积网络的第2层设置为反卷积层，反卷积层包含9个7×7大小的滤波器以及9个37×37大小的特征图，9个7×7大小的滤波器组成一个滤波器组；将脊波反卷积网络的第3层设置为反卷积层，反卷积层包含45个7×7大小的滤波器以及45个43×43大小的特征图，45个7×7大小的滤波器组成一个滤波器组；将脊波反卷积网络的第4层设置为反卷积层，反卷积层包含100个7×7大小的滤波器以及100个49×49大小的特征图，100个7×7大小的滤波器组成一个滤波器组。

第2步，利用脊波函数，分别对已构造的4层脊波反卷积网络RDN中的3个反卷积层的滤波器组进行初始化。

对连续脊波函数的参数进行离散化，得到脊波函数的离散化参数，所述连续脊波函数式如下：

$A=a^{-1/2}\mathrm{\ψ}\left(\frac{x_{1}cos\mathrm{\θ}+x_{2}sin\mathrm{\θ}-b}{a}\right)$

其中，A表示连续脊波函数，a表示连续脊波函数的尺度参数，a的取值范围为a∈(0,3]，离散化间隔为1，∈表示属于符号，ψ(·)表示小波函数，x₁和x₂分别表示反卷积层滤波器组中的滤波器中像素点的横坐标和纵坐标，θ表示连续脊波函数的方向参数，θ的取值范围为θ∈[0,π)，离散化间隔为π/18，b表示连续脊波函数的位移参数，当方向参数θ在θ∈[0,π/2)范围内取值时，b的取值范围为b∈[0,n×(sinθ+cosθ)]，当方向参数θ在θ∈[π/2,π)范围内取值时，b的取值范围为b∈[n×cosθ,n×sinθ]，n表示位移参数b的阈值参数，n的取值范围为n∈(0,1]，sin表示正弦函数，cos表示余弦函数，b的离散化间隔为1。

任取9组离散化的脊波函数参数值，利用第1步中的连续脊波函数式，对脊波反卷积网络第2层的滤波器组进行初始化。

任取45组离散化的脊波函数参数值，利用第1步中的连续脊波函数式，对脊波反卷积网络第3层的滤波器组进行初始化。

任取100组离散化的脊波函数参数值，利用第1步中的连续脊波函数式，对脊波反卷积网络的第4层滤波器组进行初始化。

第3步，对空间上不连通的各个聚集区域和空间上不连通的各个匀质区域分别训练一个4层脊波反卷积网络RDN，得到脊波反卷积网络中滤波器组的最优值。

所述的训练反卷积网络的方法，参见MatthewD.Zeiler等人于2010年发表在会议ComputerVisionandPatternRecognition上的文章《DeconvolutionalNetworks》，这是一种无监督层次提取图像特征的方法。

分别对聚集区域和匀质区域进行密集滑窗采样，采样窗口大小分别为31×31像素和17×17像素，得到聚集区域或匀质区域采样的样本。

分别将聚集区域和匀质区域的采样样本，输入到4层脊波反卷积网络RDN中。

固定脊波反卷积网络中特征图和滤波器组的值，通过解决一个一维最优化问题，得到脊波反卷积网络中辅助变量的最优值。

固定脊波反卷积网络中辅助变量和滤波器组的值，通过解决一个线性***最优化问题，得到脊波反卷积网络中特征图的最优值。

固定脊波反卷积网络中特征图和辅助变量的值，通过使用梯度下降法，得到脊波反卷积网络中滤波器组的最优值。

步骤4，合并相似的聚集区域。

第1步，用各个聚集区域训练所得脊波反卷积网络最后一层的滤波器组的最优值表示各个聚集区域。

第2步，用稀疏分类的方法，得到表示各个聚集区域间结构特征相似性测度。

任取一个聚集区域设为投影聚集区域，任取一个与投影聚集区域不同的聚集区域设为被投影聚集区域。

将表示投影聚集区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的投影聚集区域滤波器组，将被投影聚集区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的被投影聚集区域滤波器组。

所述的投影公式如下：

$d=\frac{F_1*F_2}{\left|\right|F_1\left|\right|\left|\right|F_2\left|\right|}$

其中，d表示投影聚集区域滤波器或投影匀质区域滤波器投影到被投影聚集区域滤波器或被投影匀质区域滤波器的投影值，d的取值范围为d∈[0,1]，∈表示属于符号，F₁表示投影聚集区域滤波器或投影匀质区域滤波器，F₂表示被投影聚集区域滤波器或被投影匀质区域滤波器，*表示点积操作，||·||表示求模操作；

第3步，将聚集区域结构特征相似性测度大于其阈值τ的对应区域作为相似的聚集区域，合并所有相似的聚集区域，其中，τ表示聚集区域结构特征相似性测度的阈值，τ的取值范围为τ∈[0,1]。

步骤5，合并相似的匀质区域。

第1步，用各个区域训练所得脊波反卷积网络最后一层的滤波器组的最优值表示各个匀质区域。

第2步，用稀疏分类的方法，得到表示各个匀质区域间结构特征相似性测度。

任取一个匀质区域设为投影匀质区域，任取一个与投影匀质区域不同的匀质区域设为被投影匀质区域。

将表示投影匀质区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的投影匀质区域滤波器组，将被投影匀质区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的被投影匀质区域滤波器组。

所述的投影公式如下：

$d=\frac{F_1*F_2}{\left|\right|F_1\left|\right|\left|\right|F_2\left|\right|}$

其中，d表示投影匀质区域滤波器投影到被投影匀质区域滤波器的投影值，d的取值范围为d∈[0,1]，∈表示属于符号，F₁表示投影匀质区域滤波器，F₂表示被投影匀质区域滤波器，*表示点积操作，||·||表示求模操作；

第3步，将匀质区域结构特征相似性测度大于其阈值σ的对应区域作为相似的匀质区域，合并所有相似的匀质区域，其中，σ表示匀质区域结构特征相似性测度的阈值，σ的取值范围为σ∈[0,1]。

步骤6，对结构区域进行分割。

采用分水岭算法，将结构区域分割成超像素。

在合成孔径雷达SAR图像的素描图中，将平行且距离小于7个像素的两条素描线确定为第一类线目标素描线，将第一类线目标素描线之间的超像素进行合并，作为第一类线目标。

在合成孔径雷达SAR图像的初始素描图中，将素描线两边属于同一区域的素描线确定为第二类线目标素描线，将第二类线目标素描线两边各扩一个像素作为第二类线目标，将其它素描线作为刻画边界的素描线。

对除了线目标和边界所覆盖的超像素以外的各个超像素，将与其相邻且灰度均值之差小于25的超像素进行合并，直到不存在相邻且灰度均值之差小于25的两个超像素为止。

将第4步中合并后的各个超像素，分别合并到与该超像素灰度值均值之差最小且小于25的匀质区域中，得到对结构区域分割后的结果。

步骤7，得到分割后的合成孔径雷达SAR图像。

利用步骤4得到的聚集区域和步骤5得到的匀质区域，以及步骤6得到的结构区域，得到分割后的合成孔径雷达SAR图像。

下面结合仿真图对本发明做进一步的描述。

1.仿真条件：

本发明仿真的硬件条件为：window7，CPUPentium(R)4，基本频率为3.0GHZ；软件平台为：MatlabR2012a；本发明仿真所使用的合成孔径雷达SAR图像为：Ku波段分辨率为1米的Piperiver图。

2.仿真内容：

本发明的仿真实验是对Piperiver图进行分割，如图2(a)所示的Piperiver图是来源于Ku波段分辨率为1米的合成孔径雷达SAR图像，对图2(a)进行区域提取，得到如图2(b)所示的区域图。

采用本发明的方法对Piperiver图的聚集区域进行分割，得到图2(c)所示的聚集区域分割结果图，其中相同颜色的区域表示同一种地物，不同颜色的区域表示不同的地物。采用本发明的方法对Piperiver图的匀质区域进行分割，得到图2(d)所示的匀质区域的分割结果图，其中颜色相同的区域表示同一种地物，颜色不同的区域表示不同的地物。采用本发明的方法对Piperiver图的结构区域进行分割，并将结构区域分割结果合并到匀质区域的分割结果中，得到如图2(e)所示的最终的合成孔径雷达SAR图像分割结果图，其中颜色相同的区域表示同一种地物，颜色不同的区域表示不同的地物。

3.仿真效果分析：

通过上述图2(e)所示的Piperiver图的分割结果可以看到，使用本发明方法对合成孔径雷达SAR图像进行分割可以提高分割的精度，分割结果中的区域一致性更好。

Claims (8)

1.一种基于脊波反卷积网络和稀疏分类的SAR图像分割方法，包括如下步骤：

(1)素描化SAR图像：

对输入的合成孔径雷达SAR图像素描化，得到合成孔径雷达SAR图像的素描图；

(2)划分SAR图像为不同语义的区域：

利用射线补全区域图，将合成孔径雷达SAR图像划分为聚集区域、匀质区域和结构区域；

(3)对聚集区域和匀质区域分别训练脊波反卷积网络RDN：

(3a)构造一个4层脊波反卷积网络RDN；

(3b)利用脊波函数，分别对已构造的4层脊波反卷积网络RDN中的3个反卷积层的滤波器组进行初始化；

(3c)对空间上不连通的各个聚集区域和空间上不连通的各个匀质区域，分别训练一个4层脊波反卷积网络RDN，得到脊波反卷积网络中滤波器组的最优值；

(4)合并相似的聚集区域：

(4a)用空间上不连通的各个聚集区域训练所得脊波反卷积网络最后一层的滤波器组的最优值表示空间上不连通的各个聚集区域；

(4b)采用稀疏分类的方法，计算表示空间上不连通的各个聚集区域间结构特征相似性的测度；

(4c)将聚集区域结构特征相似性测度大于其阈值τ的对应区域作为相似的聚集区域，合并所有相似的聚集区域，其中，τ表示聚集区域结构特征相似性测度的阈值，τ的取值范围为τ∈[0,1]；

(5)合并相似的匀质区域：

(5a)用空间上不连通的各个匀质区域训练所得脊波反卷积网络最后一层的滤波器组的最优值表示空间上不连通的各个匀质区域；

(5b)采用稀疏分类的方法，计算表示空间上不连通的各个匀质区域间结构特征相似性的测度；

(5c)将匀质区域结构特征相似性测度大于其阈值σ的对应区域作为相似的匀质区域，合并所有相似的匀质区域，其中，σ表示匀质区域结构特征相似性测度的阈值，σ的取值范围为σ∈[0,1]；

(6)对结构区域进行分割：

对步骤(2)获得的结构区域进行分割，得到结构区域的分割结果；

(7)得到分割后的SAR图像：

利用步骤(4)得到的聚集区域和步骤(5)得到的匀质区域，以及步骤(6)得到的结构区域，得到分割后的合成孔径雷达SAR图像。

2.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(1)所述素描化的具体步骤如下：

第1步，构造具有不同方向和尺度的边、线模板，并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数，其中尺度个数取值为3～5，方向个数取值为18；

第2步，按照下式，计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值和方差：

$\mathrm{\μ}=\frac{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g{A}_g}{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g}$

$v=\frac{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g{(A_g-\mathrm{\μ})}^2}{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g}$

其中，μ表示区域Ω对应在合成孔径雷达SAR图像中像素的均值，Ω表示模板中的一个区域，g表示区域Ω中一个像素点的位置，∈表示属于符号，∑表示求和操作，w_g表示区域Ω中位置g处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示区域Ω中位置g对应在合成孔径雷达SAR图像中的像素值，ν表示区域Ω对应在合成孔径雷达SAR图像中像素的方差；

第3步，按照下式，计算合成孔径雷达SAR图像中每个像素对比值算子的响应值：

$R=1-min\{\frac{{\mathrm{\μ}}_a}{{\mathrm{\μ}}_b},\frac{{\mathrm{\μ}}_b}{{\mathrm{\μ}}_a}\}$

其中，R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值，min{·}表示求最小值操作，a和b分别表示模板中任意两个不同区域的编号，μ_a和μ_b分别表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值；

第4步，按照下式，计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值：

$C=\sqrt{\frac{1}{1+2\·\frac{{\mathrm{\ν}}_a^2+{\mathrm{\ν}}_b^2}{{({\mathrm{\μ}}_a+{\mathrm{\μ}}_b)}^2}}}$

其中，C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值，a和b分别表示模板中任意两个不同区域的编号，ν_a和ν_b分别表示区域a和区域b对应在合成孔径雷达SAR图像中像素的方差，μ_a和μ_b分别表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值，表示平方根操作；

第5步，按照下式，融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值，计算合成孔径雷达SAR图像中每个像素对各个模板的响应值：

$F=\sqrt{\frac{R^2+C^2}{2}}$

其中，F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值，表示平方根操作；

第6步，选择具有最大响应值的模板作为合成孔径雷达SAR图像中像素的模板，并将最大响应值作为该像素的强度，将具有最大响应值的模板的方向作为该像素的方向，获得合成孔径雷达SAR图像的边线响应图和方向图；

第7步，利用合成孔径雷达SAR图像中每个像素所选择的模板，获得合成孔径雷达SAR图像的梯度图；

第8步，按照下式，将归一化到[0,1]的边线响应图与归一化到[0,1]的梯度图进行融合，得到强度图：

$I=\frac{xy}{1-x-y+2xy}$

其中，I表示强度图中的强度值，x表示边线响应图中的值，y表示梯度图中的值；

第9步，采用非极大值抑制方法，对强度图进行检测，得到建议草图；

第10步，选取建议草图中具有最大强度的像素，将建议草图中与该最大强度的像素连通的像素连接形成建议线段，得到建议素描图；

第11步，按照下式，计算建议素描图中素描线的编码长度增益CLG：

$CLG=\underset{t}{\overset{m}{\Σ}}\[\frac{A_t^2}{A_{t,0}^2}+ln\left(A_{t,0}^2\right)-\frac{A_t^2}{A_{t,1}^2}-ln\left(A_{t,1}^2\right)\]$

其中，CLG表示建议素描图中素描线的编码长度增益，∑表示求和操作，m表示当前素描线邻域中像素的个数，t表示当前素描线邻域中像素的编号，A_t表示当前素描线邻域中第t个像素的观测值，A_t,0表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第t个像素的估计值，ln(·)表示以e为底的对数操作，A_t,1表示在当前素描线能够表示结构信息的假设下，该素描线邻域中第t个像素的估计值；

第12步，设定阈值T，T的取值范围为5～50，选择CLG>T的建议素描线作为最终素描图中的素描线，获得输入合成孔径雷达SAR图像对应的素描图。

3.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(2)所述的划分SAR图像为不同语义的区域的具体步骤如下：

第1步，按照合成孔径雷达SAR图像的素描图中素描线段的聚集度，将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线；

第2步，根据素描线段聚集度的直方图统计，选取聚集度等于最优聚集度的素描线段作为种子线段集{E_k,k＝1,2,...,m}，其中E_k表示种子线段集中的任一条素描线段，k为种子线段集中任一条素描线段的标号，m为线段的总条数，{·}表示集合操作；

第3步，如果种子线段集{E_k,k＝1,2,...,m}中的素描线段E_k没有被添加进某个线段集合，则以素描线段E_k为基点递归的求解新的线段集合；

第4步，使用半径为最优聚集度区间上界的圆形基元，先对线段集合中的线段进行膨胀，对膨胀后的线段集合由外向内进行腐蚀，在素描图上得到以素描点为单位的聚集区域；

第5步，计算表示边界、线目标以及孤立目标的素描线中每一根素描线的长度，按照长度由长到短对这些素描线进行排序，得到排序后的素描线集合；

第6步，将计数器的初始值设置为1，将计数器α的阈值E的值设置为21；

第7步，判断计数器是否小于阈值，如果是，则执行第8步，否则，执行第13步；

第8步，在排序后的第α根素描线上选择3个种子点，用这3个种子点将素描线分为4等分线段，如果某个种子点恰好是素描线的端点，则将该种子点移动到所在素描线段的中点处；

第9步，在第α根素描线两侧，以第α根素描线上的每一个种子点为起点，沿着与素描线之间的夹角为1～180度的180个方向向外延伸，对延伸时所遇到表示边界、线目标以及孤立目标的素描线，聚集区域的边界，其它素描线补全得到的封闭区域的边界三种情况中的任意一种，停止延伸，得到以种子点为起点的射线，每个种子点在第α根素描线两侧各产生180条射线，按照射线与素描线夹角的大小对产生的这些射线排序；

第10步，计算所有射线的长度，用第一条射线生成第一个射线簇，对于剩余的179条射线，判断其中每一条射线的长度与其相邻的前一条射线的长度之比是否在1.25～1.5之间，若是则将该射线加入其前一条射线所在的射线簇，否则，用该射线生成一个新的射线簇；

第11步，对包含射线数目小于5的射线簇以及长度突变的射线进行修正；

第12步，连接当前素描线的端点和与其在空间位置上最近邻的射线终点，得到种子点的射线封闭圈；

第13步，合并3个种子点的射线封闭圈，得到素描线的射线封闭圈，并利用该射线封闭圈得到补全的素描线，得到当前素描线的封闭区域，将计数器α的值增加1，执行第7步；

第14步，对表示边界、线目标以及孤立目标的素描线以及其补全的素描线，以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域；

第15步，将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域；

第16步，将素描图中的聚集区域、结构区域和不可素描区域对应到合成孔径雷达SAR图像上，得到合成孔径雷达SAR图像的聚集区域、结构区域和匀质区域。

4.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(3a)中所述的构造一个4层脊波反卷积网络的具体步骤如下：

第1步，将脊波反卷积网络的第1层设置为输入层；

第2步，将脊波反卷积网络的第2层设置为反卷积层，反卷积层包含9个7×7大小的滤波器以及9个37×37大小的特征图，9个7×7大小的滤波器组成一个滤波器组；

第3步，将脊波反卷积网络的第3层设置为反卷积层，反卷积层包含45个7×7大小的滤波器以及45个43×43大小的特征图，45个7×7大小的滤波器组成一个滤波器组；

第4步，将脊波反卷积网络的第4层设置为反卷积层，反卷积层包含100个7×7大小的滤波器以及100个49×49大小的特征图，100个7×7大小的滤波器组成一个滤波器组。

5.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(3b)中所述的用脊波函数分别对3个反卷积层的滤波器组进行初始化的具体步骤如下：

第1步，对连续脊波函数的参数进行离散化，得到脊波函数的离散化参数，所述连续脊波函数式如下：

$A=a^{-1/2}\mathrm{\ψ}\left(\frac{x_{1}cos\mathrm{\θ}+x_{2}sin\mathrm{\θ}-b}{a}\right)$

其中，A表示连续脊波函数，a表示连续脊波函数的尺度参数，a的取值范围为a∈(0,3]，离散化间隔为1，∈表示属于符号，ψ(·)表示小波函数，x₁和x₂分别表示反卷积层滤波器组中的滤波器中像素点的横坐标和纵坐标，θ表示连续脊波函数的方向参数，θ的取值范围为θ∈[0,π)，离散化间隔为π/18，b表示连续脊波函数的位移参数，当方向参数θ在θ∈[0,π/2)范围内取值时，b的取值范围为b∈[0,n×(sinθ+cosθ)]，当方向参数θ在θ∈[π/2,π)范围内取值时，b的取值范围为b∈[n×cosθ,n×sinθ]，n表示位移参数b的阈值参数，n的取值范围为n∈(0,1]，sin表示正弦函数，cos表示余弦函数，b的离散化间隔为1；

第2步，任取9组离散化的脊波函数参数值，利用第1步中的连续脊波函数，对脊波反卷积网络第2层的滤波器组进行初始化；

第3步，任取45组离散化的脊波函数参数值，利用第1步中的连续脊波函数，对脊波反卷积网络第3层的滤波器组进行初始化；

第4步，任取100组离散化的脊波函数参数值，利用第1步中的连续脊波函数，对脊波反卷积网络的第4层滤波器组进行初始化。

6.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(3c)所述的训练一个4层脊波反卷积网络RDN的具体步骤如下：

第1步，分别对聚集区域和匀质区域进行密集滑窗采样，采样窗口大小分别为31×31像素和17×17像素，得到聚集区域或匀质区域采样的样本；

第2步，分别将聚集区域和匀质区域的采样样本，输入到4层脊波反卷积网络RDN中；

第3步，固定脊波反卷积网络中特征图和滤波器组的值，通过解决一个一维最优化问题，得到脊波反卷积网络中辅助变量的最优值；

第4步，固定脊波反卷积网络中辅助变量和滤波器组的值，通过解决一个线性***最优化问题，得到脊波反卷积网络中特征图的最优值；

第5步，固定脊波反卷积网络中特征图和辅助变量的值，通过使用梯度下降法，得到脊波反卷积网络中滤波器组的最优值。

7.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(4b)和步骤(5b)所述的稀疏分类的方法的具体步骤如下：

第1步，任取一个聚集区域或匀质区域设为投影聚集区域或投影匀质区域，任取一个与投影聚集区域或投影匀质区域不同的聚集区域或匀质区域，设为被投影聚集区域或被投影匀质区域；

第2步，将表示投影聚集区域的脊波反卷积网络最后一层的滤波器组，设为包含100个滤波器的投影聚集区域滤波器组，将表示投影匀质区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的投影匀质区域滤波器组，将被投影聚集区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的被投影聚集区域滤波器组，将被投影匀质区域的脊波反卷积网络最后一层的滤波器组设为包含100个滤波器的被投影匀质区域滤波器组；

第3步，按照投影公式，将投影聚集区域滤波器组中的任意一个滤波器向被投影聚集区域滤波器组中的所有滤波器进行投影，得到100组投影值；按照投影公式，将投影匀质区域滤波器组中的任意一个滤波器向被投影匀质区域滤波器组中的所有滤波器进行投影，得到100组投影值；

所述的投影公式如下：

$d=\frac{F_1*F_2}{\left|\right|F_1\left|\right|\left|\right|F_2\left|\right|}$

其中，d表示投影聚集区域滤波器或投影匀质区域滤波器投影到被投影聚集区域滤波器或被投影匀质区域滤波器的投影值，d的取值范围为d∈[0,1]，∈表示属于符号，F₁表示投影聚集区域滤波器或投影匀质区域滤波器，F₂表示被投影聚集区域滤波器或被投影匀质区域滤波器，*表示点积操作，||·||表示求模操作；

第4步，将100组投影值每一组的最小值相加，再除以100，得到表示两个聚集区域或两个匀质区域间结构特征相似性的测度。

8.根据权利要求1所述的基于脊波反卷积网络和稀疏分类的SAR图像分割方法，其特征在于：步骤(6)所述的对结构区域进行分割的具体步骤如下：

第1步，采用分水岭算法，将结构区域分割成超像素；

第2步，在合成孔径雷达SAR图像的素描图中，将平行且距离小于7个像素的两条素描线确定为第一类线目标素描线，将第一类线目标素描线之间的超像素进行合并，作为第一类线目标；

第3步，在合成孔径雷达SAR图像的初始素描图中，将素描线两边属于同一区域的素描线确定为第二类线目标素描线，将第二类线目标素描线两边各扩一个像素作为第二类线目标，将其它素描线作为刻画边界的素描线；

第4步，对除了线目标和边界所覆盖的超像素以外的各个超像素，将与其相邻且灰度均值之差小于25的超像素进行合并，直到不存在相邻且灰度均值之差小于25的两个超像素为止；

第5步，将第4步中合并后的各个超像素，分别合并到与该超像素灰度值均值之差最小且小于25的匀质区域中，得到对结构区域分割后的结果。