基于素描结构的平均场变分贝叶斯SAR图像分割方法与流程

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平均场变分贝叶斯合成孔径雷达SAR(Synthetic Aperture Radar)图像分割方法。本发明可应用于SAR图像分割，能够对SAR图像的不同区域准确地进行分割。

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。通过计算机对SAR图像进行解译是目前面临的一个巨大挑战，而SAR图像分割又是其必要步骤，它对进一步的检测、识别影响很大。

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关键作用。贝叶斯机器学习作为无监督特征学习的关键技术，可以用于SAR图像分割任务。然而，一般的贝叶斯机器学习方法往往只能进行迭代次数一定的网络推理过程，缺乏针对SAR图像的推理，导致其无法有效完成对SAR图像的分割。

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MSTAR SAR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)建立本文所提出的模型，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，而没有学习SAR图像中由于像素之间的相关性而特有的结构特征，导致分割结果不够准确。

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网络的权值初始化为随机初始化，没有利用SAR图像的特有分布，且在训练网络时没有加入SAR图像的素描结构约束，因此，不能有效提取图像的本质特征，降低了SAR图像分割的精度。

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CN105389798A)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。分别对两类区域的中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间的结构特征进行比较推理的时候，该方法采用的是自组织特征映射SOM网络的推理方法，这种推理方法需要人为确定聚类数，且聚类时间较久，导致聚类准确性降低，影响了SAR图像分割的准确性。

刘芳，段一平，李玲玲，焦李成等在其发表的论文“基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割”(IEEE Trancactions on Geoscience and Remote Sensing，2016,54(7):4287-4301.)中提出了一种基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法，该方法根据合成孔径雷达SAR图像的素描模型提取出SAR图像的素描图，采用素描线区域化方法，得到SAR图像的区域图，并将区域图映射到SAR图像中，最终将合成孔径SAR图像划分为聚集区域、匀质区域和结构区域。基于该划分，对不同特性的区域采用了不同的分割方法。对于聚集区域，提取了灰度共生矩阵特征，并采用局部线性约束编码的方法得到每个聚集区域的表示，进而采用层次聚类的方法进行分割。对结构区域，通过分析边模型和线模型，设计了视觉语义规则定位边界和线目标。另外，边界和线目标包含了强烈的方向信息，因此设计了基于几何结构窗的多项式隐模型进行分割。对匀质区域，为了能找到恰当的邻域去表示中心像素，设计了基于自适应窗口的多项式隐模型进行分割。这三个区域的分割结果被整合到一起得到最后的分割结果。该方法的不足之处是，对聚集区域边界定位不够精确，对于匀质区域的类别数确定不够合理，分割结果的区域一致性较差，而结构区域的分割结果中未对独立目标进行处理。

技术实现要素：

本发明的目的在于针对上述已有技术的不足，提出一种基于素描结构的平均场变分贝叶斯SAR图像分割方法，以提高SAR图像分割的准确性。

为实现上述目的，包括如下步骤：

(1)SAR图像素描化：

(1a)输入合成孔径雷达SAR图像；

(1b)建立合成孔径雷达SAR图像的素描模型；

(1c)从素描模型中提取合成孔径雷达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，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)构建平均场变分贝叶斯推理网络模型：

(3a)将平均场变分贝叶斯推理网络模型的输入层、隐层和重构层均设置为441个神经元，将输入层与隐层、隐层与重构层之间的连接均设置为全连接；

(3b)按照下式，计算平均场变分贝叶斯推理网络模型的变分下界：

其中，L(Q)表示平均场变分贝叶斯推理网络模型的变分下界，log表示以10为底的对数操作，P(V|W,H,c)表示V关于W，H，c的条件概率，V表示平均场变分贝叶斯推理网络模型中的输入层，W表示平均场变分贝叶斯推理网络模型的连接权值，H表示平均场变分贝叶斯推理网络模型中的隐层，c表示平均场变分贝叶斯推理网络模型中隐层的偏置，b表示平均场变分贝叶斯推理网络模型中输入层的偏置，P(W)表示W的先验概率，P(H|b)表示H关于b的条件概率，Q(W)表示W的变分分布概率,Q(H)表示H的变分分布概率；

(3c)按照下式，计算结构重构误差：

其中，G表示结构重构误差，M表示输入图像块的总数，表示第i个输入图像块的重构图像块，s_i表示第i个素描块，SM(·)表示求素描块操作，C(·)表示求素描线长度操作；

(4)对混合聚集结构地物像素子空间进行特征学习：

(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，按空间上的连通性进行区域划分，若得到多个互不连通区域，执行(4b)；

(4b)对每个互不连通区域，按21×21的窗口进行隔一采样，得到多个图像块样本；

(4c)对每个图像块样本，在素描图中取与图像块样本一一对应的素描块样本；

(4d)对每个互不连通区域，产生出每个区域对应的一组符合不均匀地物分布G⁰分布的随机数；

(4e)对每个互不连通区域，用得到的每个区域对应的一组随机数对平均场变分贝叶斯推理网络的权值和偏置进行初始化，得到初始化后的平均场变分贝叶斯推理网络；

(4f)对每个互不连通区域初始化后的平均场变分贝叶斯推理网络，将图像块样本作为平均场变分贝叶斯推理网络的输入层，用素描结构约束的平均场变分贝叶斯推理的方法，对平均场变分贝叶斯推理网络进行结构约束训练，得到训练后的平均场变分贝叶斯推理网络；

(4g)对每个互不连通区域，取其训练后的平均场变分贝叶斯推理网络的权值，作为该区域的特征集合；

(5)分割SAR图像混合聚集结构地物像素子空间：

(5a)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；

(5b)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；

(5c)对每个互不连通区域的投影向量进行最大池化，得到每个区域对应的一个结构特征向量；

(5d)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；

(6)分割结构像素子空间：

(6a)用视觉语义规则，分割线目标；

(6b)基于素描线的聚拢特征，分割独立目标；

(6c)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。

(7)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。

(8)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。

本发明与现有技术相比具有以下优点：

第一，由于本发明设置一个可视层单元数和隐层单元数数量相同、且可视层向隐层方向的全连接的平均场变分贝叶斯推理网络，对混合聚集结构地物像素子空间各个区域进行无监督训练，将平均场变分贝叶斯推理网络的权值作为学到的图像特征，克服了现有技术用SAR图像的像素级特征求取SAR图像的特征向量，而没有学习SAR图像中由于像素之间的相关性而特有的结构特征的缺点，使得本发明可以自动提取SAR图像的结构特征，获得更好的区域一致性。

第二，由于本发明对每个互不连通的混合聚集结构地物像素子空间区域产生一组符合SAR图像分布的随机数，对平均场变分贝叶斯推理网络的权值和偏置进行初始化，克服了现有技术自动提取图像特征的深度自编码网络中，用随机分布对网络初始化而没有抓住SAR图像本质特征的缺点，使得本发明可以有效学到表征SAR图像地物的本质特征，提高了SAR图像分割的准确性。

第三，由于本发明采用素描结构约束的平均场变分贝叶斯推理的方法，克服了现有技术自动提取图像特征的深度自编码网络中，没有利用SAR图像素描结构进行约束的缺点，使得本发明可以抓住表征SAR图像地物的重要的结构特征，进一步提高了SAR图像分割的准确性。

第四，由于本发明将每个互不连通的混合聚集结构地物像素子空间区域的特征作为字典基原子组成码本，得到的特征向量较为稀疏，进行特征比较时有时间效率上的提升，克服了现有技术基于反卷积网络与映射推理网络中的人为确定聚类数目且聚类时间久的缺点，使得本发明可以更精确地得到SAR图像的分割结果且在时间上提高SAR图像分割的效率。

附图说明

图1是本发明的流程图；

图2是本发明的仿真图；

图3是本发明仿真结果示意图。

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，SAR图像素描化。

输入合成孔径雷达SAR图像。

建立合成孔径雷达SAR图像的素描模型。

第1步，在[100,150]范围内，任意选取一个数，作为模板的总数。

第2步，构造具有不同方向和尺度的由像素点组成的边、线的一个模板，利用模板的方向和尺度信息构造各向异性高斯函数，通过该高斯函数，计算模板中每个像素点的加权系数，统计模板中所有像素点的加权系数，其中，尺度个数取值为3～5，方向个数取值为18。

第3步，按照下式，计算与模板区域坐标相对应的合成孔径雷达SAR图像中像素点的均值：

其中，μ表示与模板区域坐标相对应的合成孔径雷达SAR图像中所有像素点的均值，∑表示求和操作，g表示模板第Ω个区域中任意一个像素点对应的坐标，∈表示属于符号，w_g表示模板第Ω个区域中像素点在坐标g处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示与模板第Ω个区域中像素点在坐标g处对应的合成孔径雷达SAR图像中的像素点的值。

第4步，按照下式，计算与模板区域坐标相对应的合成孔径雷达SAR图像中像素点的方差值：

其中，ν表示与模板区域坐标相对应的合成孔径雷达SAR图像中所有像素点的方差值。

第5步，按照下式，计算合成孔径雷达SAR图像中每个像素点针对比值算子的响应值：

其中，R表示合成孔径雷达SAR图像中每个像素点针对比值算子的响应值，min{·}表示最小值操作，a和b分别表示模板中的两个不同的区域，μ_a表示模板区域a中所有像素点的均值，μ_b表示模板区域b中所有像素点的均值。

第6步，按照下式，计算合成孔径雷达SAR图像中每个像素针对相关性算子的响应值：

其中，C表示合成孔径雷达SAR图像中每个像素针对相关性算子的响应值，表示平方根操作，a和b分别表示模板中两个不同区域，ν_a表示模板区域a中所有像素点的方差值，ν_b表示模板区域b中所有像素点的方差值，μ_a表示模板区域a中所有像素点的均值，μ_b表示模板区域b中所有像素点的均值。

第7步，按照下式，计算合成孔径雷达SAR图像中每个像素点针对各个模板的响应值：

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

第8步，判断所构造的模板是否等于所选取模板的总数，若是，则执行第2步，否则，执行第9步。

第9步，从各个模板中选择具有最大响应值的模板，作为合成孔径雷达SAR图像的模板，并将该模板的最大响应值作为合成孔径雷达SAR图像中像素点的强度，将该模板的方向作为合成孔径雷达SAR图像中像素点的方向，获得合成孔径雷达SAR图像的边线响应图和梯度图。

第10步，按照下式，计算合成孔径雷达SAR图像强度图的强度值，得到强度图：

其中，I表示合成孔径雷达SAR图像强度图的强度值，r表示合成孔径雷达SAR图像边线响应图中的值，t表示合成孔径雷达SAR图像梯度图中的值。

第11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12步，选取建议草图中具有最大强度的像素点，将建议草图中与该最大强度的像素点连通的像素点连接形成建议线段，得到建议素描图。

第13步，按照下式，计算建议素描图中素描线的编码长度增益：

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,J表示当前素描线邻域中像素点的个数，A_j表示当前素描线邻域中第j个像素点的观测值，A_j,0表示在当前素描线不能表示结构信息的情况下，该素描线邻域中第j个像素点的估计值，ln(·)表示以e为底的对数操作，A_j,1表示在当前素描线能够表示结构信息的情况下，该素描线邻域中第j个像素点的估计值。

第14步，在[5,50]范围内，任意选取一个数，作为阈值T。

第15步，选出所有建议素描线中CLG>T的建议素描线，将其组合成合成孔径雷达SAR图像的素描图。

从素描模型中提取合成孔径雷达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IEEE Transactions on Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous region search for SAR speckle reduction with sketch-based geometrical kernel function》中所提出的模型。

步骤2，划分像素子空间。

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。

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、孤立目标的边界素描线、线目标素描线、孤立目标素描线。

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表示种子线段集中任一条素描线段的标号，m表示种子线段的总条数，{·}表示集合操作。

以未被选取添加进种子线段集和的线段作为基点，以此基点递归求解线段集合。

构造一个半径为最优聚集度区间上界的圆形基元，用该圆形基元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。

对表示边界、线目标以及孤立目标的素描线，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，得到结构区域。

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合并，得到包括聚集区域、结构区域和无素描线区域的合成孔径雷达SAR图像的区域图。

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，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。

步骤3，构建平均场变分贝叶斯推理网络模型。

将平均场变分贝叶斯推理网络模型的输入层、隐层和重构层均设置为441个神经元，将输入层与隐层、隐层与重构层之间的连接均设置为全连接。

按照下式，计算平均场变分贝叶斯推理网络模型的变分下界：

其中，L(Q)表示平均场变分贝叶斯推理网络模型的变分下界，log表示以10为底的对数操作，P(V|W,H,c)表示V关于W，H，c的条件概率，V表示平均场变分贝叶斯推理网络模型中的输入层，W表示平均场变分贝叶斯推理网络模型的连接权值，H表示平均场变分贝叶斯推理网络模型中的隐层，c表示平均场变分贝叶斯推理网络模型中隐层的偏置，b表示平均场变分贝叶斯推理网络模型中输入层的偏置，P(W)表示W的先验概率，P(H|b)表示H关于b的条件概率，Q(W)表示W的变分分布概率,Q(H)表示H的变分分布概率。

按照下式，计算结构重构误差：

其中，G表示结构重构误差，M表示输入图像块的总数，表示第i个输入图像块的重构图像块，s_i表示第i个素描块，SM(·)表示求素描块操作，C(·)表示求素描线长度操作。

步骤4，对混合聚集结构地物像素子空间进行特征学习。

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，按空间上的连通性进行区域划分，若只有一个区域，执行步骤6。

对每个互不连通区域，按21×21的窗口进行隔一采样，得到多个图像块样本。

对每个图像块样本，在素描图中取与图像块样本一一对应的素描块样本。

对每个互不连通区域，产生出每个区域对应的一组符合不均匀地物分布G⁰分布的随机数。

对每个互不连通区域，用得到每个区域对应一组随机数对平均场变分贝叶斯推理网络的权值和偏置进行初始化，得到初始化后的平均场变分贝叶斯推理网络。

用以幂函数为核的一种积分变换，梅林变换的方法，估计不均匀地物分布G⁰分布概率密度公式中的参数，得到α，γ，n三个参数的值。

按照下式，计算合成孔径雷达SAR图像的不均匀地物分布G⁰分布的概率密度：

其中，P(I(x,y))表示合成孔径雷达SAR图像的不均匀地物分布的概率密度，I(x,y)表示坐标为(x,y)的像素点的强度值，n表示合成孔径雷达SAR图像的等效视数，α表示合成孔径雷达SAR图像的形状参数，γ表示合成孔径雷达SAR图像的尺度参数，Γ(·)表示伽马函数，其取值由下式得到：

其中，u表示自变量，∫表示积分操作，t表示积分变量。

从符合不均匀地物分布G⁰分布的随机矩阵A中选取前441列，作为平均场变分贝叶斯推理网络的权值的初始值。

从符合不均匀地物分布G⁰分布的随机矩阵A中任意选取两列，分别作为平均场变分贝叶斯推理网络中可视层偏置初始值和平均场变分贝叶斯推理网络中隐层偏置的初始值，完成对平均场变分贝叶斯推理网络的初始化。

对每个互不连通区域初始化后的平均场变分贝叶斯推理网络，用素描结构约束的平均场变分贝叶斯推理的方法，对平均场变分贝叶斯推理网络进行结构约束训练，得到训练后的平均场变分贝叶斯推理网络。

第1步，按照下式，更新平均场变分贝叶斯推理网络的权值：

其中，Q(W)表示W的变分分布概率，W表示平均场变分贝叶斯推理网络的权值，N(·)表示正态分布概率密度函数，D表示正态分布概率密度函数的协方差参数，K表示平均场变分贝叶斯推理网络输入层神经元个数，v_n表示平均场变分贝叶斯推理网络的第n个输入样，c_j表示平均场变分贝叶斯推理网络隐层中第j个神经元偏置的值，γ表示平均场变分贝叶斯推理网络的数据扩张参数，其值由得到，h_n表示平均场变分贝叶斯推理网络的第n个输入样本的隐层，H表示平均场变分贝叶斯推理网络所有样本的隐层，T表示转置操作，δ表示平均场变分贝叶斯推理网络的权值，其值由以下公式得到：表示点乘操作，besselk(·)表示第二类修正贝塞尔函数，ξ_k表示ξ的第k列，其值由公式得到，φ_k表示φ的第k个元素,其值由公式得到。

第2步，按照下式，计算平均场变分贝叶斯推理网络的权值的第k列：

其中，w_k表示平均场变分贝叶斯推理网络的权值的第k列。

第3步，按照下式，更新平均场变分贝叶斯推理网络的输入层的偏置：

第4步，按照下式，更新平均场变分贝叶斯推理网络的隐层的偏置：

第5步，根据更新后的偏置和权值，得到与样本图像块数量相同的重构图像块。

第6步，对每个重构图像块求其素描图，作为重构素描块。

第7步，利用权利要求1步骤(3c)中的结构重构误差公式，求结构误差G。

第8步，判断均值G是否大于阈值0.2，若是,则执行第1步，否则，执行第9步。

第9步，完成平均场变分贝叶斯推理网络结构约束训练。

对每个互不连通区域，取其训练后的平均场变分贝叶斯推理网络的权值，作为该区域的特征集合。

步骤5，分割SAR图像混合聚集结构地物像素子空间。

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。

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。

对每个互不连通区域的投影向量进行最大池化，得到每个区域对应的一个结构特征向量。

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。

步骤6，分割结构像素子空间。

用视觉语义规则，分割线目标。

设第i条素描线l_i与第j条素描线l_j之间的距离为D_ij，l_i的方向为O_i，l_j的方向为O_j，i,j∈[1,2,...,S]，S为素描线的总条数。

将宽度大于3个像素的线目标用两条素描线l_i和l_j表示，l_i和l_j之间的距离D_ij小于T₁且方向差(O_i-O_j)小于10度，其中T₁＝5。

设第s条素描线l_s的几何结构窗w_s内每一列的平均灰度为A_i，设相邻列的灰度差为AD_i＝|A_i-A_i+1|，设z_s＝[z_s1,z_s2,...,z_s9]为相邻列的灰度差AD_i的标记向量。

将宽度小于3个像素的线目标用单个素描线l_s表示，l_s的几何结构窗w_s内，计算相邻列的灰度差AD_i，如果AD_i>T₂，则z_si＝1；否则z_si＝0，z_s中有两个元素的值为1，其余为0，其中T₂＝34。

设L₁,L₂是表示线目标的素描线的集合，如果D_ij<T₁并且|O_i-O_j|<10，则l_i,l_j∈L₁；如果sum(z_s)＝2，则l_s∈L₂，其中sum(·)表示对向量的所有分量求和的操作。

在结构像素子空间，根据线目标的素描线的集合L₁，将l_i和l_j之间的区域作为线目标。

在结构像素子空间，根据线目标的素描线的集合L₂，将覆盖l_s的区域作为线目标。

基于素描线的聚拢特征，分割独立目标。

第1步，在区域图的结构区域中，将不表示线目标的所有素描线标记为候选素描线集合中的素描线。

第2步，从候选素描线集合中随机选取一条素描线，以所选取的素描线的一个端点为中心，构造大小为5×5的一个几何结构窗。

第3步，判断几何结构窗内是否存在其它素描线的端点，若存在，执行第4步；否则，执行第6步。

第4步，判断是否只存在一个端点，若是，将该端点所在素描线和当前素描线进行连接；否则，执行第5步。

第5步，连接所选取素描线与各端点所在的素描线，从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线。

第6步，判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点，若存在，执行第4步；否则，执行第7步。

第7步，对完成连接操作的素描线，选取包含两条及两条以上素描线段的素描线，统计所选取素描线中包含素描线段的条数n，其中n≥2。

第8步，判断素描线的条数n是否等于2，若是，则执行第9步；否则，执行第10步。

第9步，将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线。

第10步，选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线。

第11步，在所选出的素描线中，定义如下两种情况：

第一种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1，若素描线上的所有素描线段与相邻线段都在同一侧，则标记该素描线为具有聚拢特征的素描线。

第二种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1，若素描线上有n-1条素描线段与相邻线段在同一侧，而有一条素描线段与其相邻线段在非同一侧，也标记该素描线为具有聚拢特征的素描线。

第12步，在具有聚拢特征的素描线中任选一条素描线，由所选取素描线的两个端点坐标，确定两个端点间的距离，若该端点距离在[0,20]范围内，则将所选取素描线作为表示独立目标的素描线。

第13步，判断未处理的具有聚拢特征的素描线是否全部选完，若是，执行第12步；否则，执行第14步。

第14步，用超像素分割的方法，对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割，将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素。

第15步，合并独立目标超像素，将合并后的独立目标超像素的边界作为独立目标的边界，得到独立目标的分割结果。

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。

步骤7，分割匀质区域像素子空间。

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。

第1步，从匀质区域像素子空间中任意选取一个像素点，以所选取的像素点为中心建立3×3的方形窗口，计算该窗口的标准差σ₁。

第2步，将方形窗口的边长增加2，得到新的方形窗口，计算新方形窗口的标准差σ₂。

第3步，设标准差阈值T₃＝3，如果|σ₁-σ₂|<T₃，则将标准差为σ₂的方形窗口作为最终的方形窗口，执行第4步；否则，执行第2步。

第4步，按照下式，计算方形窗口内中心像素的先验概率：

其中，p₁'表示方形窗口内中心像素的先验概率，exp(·)表示指数函数操作，η'表示概率模型参数，η'取值为1，x_k”表示方形窗口内属于第k'类的像素个数，k'∈[1,...,K']，K'表示分割的类别数，K'取值为5，x_i'表示第3步得到的方形窗口内属于第i'类的像素个数。

第5步，将像素灰度的概率密度与纹理的概率密度相乘，得到似然概率p'₂，其中，灰度的概率密度由衰落信道Nakagami分布得到，纹理的概率密度由t分布得到。

第6步，将先验概率p₁'与似然概率p₂'相乘，得到后验概率p₁₂'。

第7步，判断匀质区域像素子空间中是否还有未处理的像素点，若有，执行第1步；否则，执行第9步。

第8步，根据最大后验概率准则，得到匀质区域像素子空间的分割结果。

步骤8，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。

下面结合仿真图对本发明的效果做进一步的描述。

1.仿真条件：

本发明仿真的硬件条件为：智能感知与图像理解实验室图形工作站；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SAR图像中的Piperiver图进行分割，如图2(a)所示的Piperiver图。该图来源于Ku波段分辨率为1米的合成孔径雷达SAR图像。

采用本发明的SAR图像素描化步骤，对图2(a)所示的Piperiver图素描化，得到如图2(b)所示的素描图。

采用本发明的划分像素子空间步骤，对图2(b)所示的素描图区域化，得到如图2(c)所示的区域图。图2(c)中的白色空间表示聚集区域，其他的为无素描线区域和结构区域。将图2(c)所示区域图映射到图2(a)所示Piperiver图，得到如图2(d)所示的Piperiver混合聚集结构地物像素子空间图。

采用本发明的分割SAR图像混合聚集结构地物像素子空间步骤，对图2(d)所示的Piperiver混合聚集结构地物像素子空间图进行分割，得到图3(a)所示的混合聚集结构地物像素子空间分割结果图，其中灰色区域表示未处理的地物空间，其余相同颜色的区域表示同一种地物空间，不同颜色的区域表示不同的地物空间。将图2(c)所示区域图中结构区域映射到图2(b)所示素描图，得到图2(e)所示的结构区域对应的素描线。图2(f)所示的结构区域对应的素描线中，黑色为代表线目标的素描线，图2(g)所示的结构区域对应的素描线中，黑色为代表独立目标的素描线。

采用本发明的基于素描线的聚拢特征分割独立目标步骤，得到图3(b)所示的独立目标的分割结果。

采用本发明的合并分割结果步骤，合并图3(a)所示的混合聚集结构地物像素子空间分割结果、匀质区域像素子空间分割结果和结构像素子空间分割结果，得到图3(c)，图3(c)是图2(a)Piperiver图像的最终分割结果图。

3.仿真效果分析：

图3(c)是本发明方法对Piperiver图像的最终分割结果图，图3(d)是基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对Piperiver图像的最终分割结果图，通过对比分割结果图，可得出结论，本发明方法对于混合聚集结构地物像素子空间的边界定位更加精确，对于匀质区域像素子空间的类别数确定更加合理，分割结果的区域一致性明显较好，且对结构像素子空间中的独立目标进行了较好的分割处理。使用本发明方法对合成孔径雷达SAR图像进行分割，有效的将SAR图像进行了分割，并提高了SAR图像分割的准确性。