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

技术特征：

1.一种基于素描结构的平均场变分贝叶斯SAR图像分割方法，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：

$L\left(Q\right)=\underset{Z}{\Σ}\log P\left(V\right|W,H,c)+\underset{Z}{\Σ}\log P\left(W\right)+\underset{Z}{\Σ}\log P\left(H\right|b)-\underset{Z}{\Σ}Q\left(W\right)-\underset{Z}{\Σ}Q\left(H\right)$

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。

2.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(1b)中所述的建立合成孔径雷达SAR图像的素描模型的具体步骤如下：

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：

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

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：

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

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：

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

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：

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

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：

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

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：

$I=\frac{rt}{1-r-t+2rt}$

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：

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

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,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。

3.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(2a)中所述的素描线区域化方法的具体步骤如下：

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、孤立目标的边界素描线、线目标素描线、孤立目标素描线；

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；

第3步，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；

第4步，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；

第5步，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；

第6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7步，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。

4.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(4e)中所述的对每个互不连通区域，用相应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，得到初始化后的平均场变分贝叶斯推理网络的具体步骤如下：

第1步，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；

第2步，第1步，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：

$P\left(I(x,y)\right)=\frac{n^n\mathrm{\Γ}(n-\mathrm{\α})I{(x,y)}^{n-1}}{{\mathrm{\γ}}^{\mathrm{\α}}\mathrm{\Γ}\left(n\right)\mathrm{\Γ}(-\mathrm{\α})(\mathrm{\γ}+nI{(x,y)}^{n-\mathrm{\α}}}$

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：

$\mathrm{\Γ}\left(u\right)=\underset{0}{\overset{+\mathrm{\∞}}{\∫}}{t}^{u-1}{e}^{-t}dt$

其中，u表示自变量，∫表示积分操作，t表示积分变量；

第3步，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；

第4步，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。

5.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(4f)中所述的对平均场变分贝叶斯推理网络进行结构约束训练的具体步骤如下：

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。

6.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(6a)中所述的视觉语义规则如下：

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，若D_ij<T₁且|O_i－O_j|<10，则l_i，l_j∈L₁；若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。

7.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(6a)中所述的分割线目标的具体步骤如下：

第1步，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；

第2步，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。

8.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(6b)中所述的分割独立目标的具体步骤如下：

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。

9.根据权利要求1所述的基于素描结构的平均场变分贝叶斯SAR图像分割方法，其特征在于，步骤(7)中所述的基于多项式逻辑回归先验模型的匀质区域分割方法的具体步骤如下：

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：

${p_1}^{\&prime;}=\frac{\exp \left({\mathrm{\&eta;}}^{\&prime;}\right(1+{x_{k^{\&prime;}}}^{\&prime;}))}{\underset{i=1}{\overset{K^{\&prime;}}{\&Sigma;}}\exp \left({\mathrm{\&eta;}}^{\&prime;}(1+{x_{i^{\&prime;}}}^{\&prime;})\right)}$

其中，p′₁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。