基于脊波反卷积网络和稀疏分类的sar图像分割方法

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】
[0001] 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】
[0002] 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。
[0003] 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、Ga_a分 布、K分布、G分布等。
[0004] 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 为整个系统性能的瓶颈。
[0005] 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】

[0006] 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。
[0007] 为实现上述目的，本发明具体实现步骤包括如下：
[0008] (1)素描化SAR图像：
[0009] 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； [0010] ⑵划分SAR图像为不同语义的区域：
[0011] 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；
[0012] (3)对聚集区域和匀质区域分别训练脊波反卷积网络RDN:
[0013] (3a)构造一个4层脊波反卷积网络RDN;
[0014] (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；
[0015] (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；
[0016] (4)合并相似的聚集区域：
[0017] (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；
[0018] (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；
[0019] (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τe[0, 1];
[0020] (5)合并相似的匀质区域：
[0021] (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；
[0022] (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；
[0023] (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σe[0, 1];
[0024] (6)对结构区域进行分割：
[0025] 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；
[0026] (7)得到分割后的SAR图像：
[0027] 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。
[0028] 本发明与现有技术相比具有以下优点：
[0029] 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。
[0030] 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。
[0031] 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】
[0032] 图1是本发明的流程图；
[0033] 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；
[0034] 图2 (b)是Piperiver图对应的区域图；
[0035] 图2(c)是Piperiver图聚集区域分割结果图；
[0036] 图2(d)是Piperiver图勾质区域分割结果图；
[0037] 图2 (e)是Piperiver图像最终分割结果图。
【具体实施方式】
[0038] 下面结合附图对本发明做进一步的描述。
[0039] 参照附图1，本发明的具体步骤如下。
[0040] 步骤1，素描化合成孔径雷达SAR图像。
[0041] 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。
[0042] 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。
[0043] 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。
[0044] 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：
[0045]
[0046]
[0047] 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，e表示属于符号，Σ表示求和操作，wg表 示区域Ω中位置g处的权重系数，Wg的取值范围为wge[0, 1]4彦示区域Ω中位置g对 应在合成孔径雷达SAR图像中的像素值，v表示区域Ω对应在合成孔径雷达SAR图像中 像素的方差。
[0048] 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：
[0049]
[0050] 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，μ3和μb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。
[0051] 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：
[0052]
[0053] 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，