基于反卷积网络与映射推理网络的sar图像分割方法

基于反卷积网络与映射推理网络的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，涉及一种SAR图像分割方法，可进一步用于SAR图 像中的目标检测与识别。
【背景技术】
[0002] 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。
[0003] 目前图像分割常用的方法有：基于边缘检测的方法、基于阈值的方法、基于区域生 长和分水岭的方法及基于聚类的方法等。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 统分割方法包括一些基于聚类如Kmeans、FCM等的方法，以及其他一些有监督和半监督的 方法。它们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。对于有监督和半监督的方法，需要有标签数据，SAR图像的标签数据 很少，获取标签数据的成本很高。深度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，无监督的深度学习方法往往只能到达特征层面，缺乏进一步的推理， 导致其无法有效完成对SAR图像的分割。

【发明内容】

[0004] 本发明的目的在于针对上述已有技术的不足，提出一种基于反卷积网络与映射推 理网络的SAR图像分割方法，以提高SAR图像分割的准确性。
[0005] 为实现上述目的，本发明的技术方案如下：
[0006] (1)根据SAR图像的素描模型提取SAR图像的素描图，补全素描图中的素描线段得 到区域图，并将区域图映射到原SAR图像，得到聚集区域A、匀质区域B和结构区域C;
[0007] (2)对于聚集区域A和匀质区域B中的各个互不连通区域分别进行采样，并用反卷 积网络对采样获得的样本进行无监督训练，得到表征各个互不连通区域结构特征的滤波器 集合；
[0008] (3)采用如下映射推理网络对聚集区域A和匀质区域B中互不连通区域间的结构 特征进行相似性比较推理，得到聚集区域A和匀质区域B的分割结果：
[0009] (3a)在自组织网络基础上，加入自组织测试网络、映射比较模块和规则推理模块 形成推理网络；
[0010] (3b)选取第一区域D，将步骤⑵得到的滤波器集合输入自组织网络中进行训练， 得到η个滤波器子集，每个滤波器子集对应一个类别，权值是η个聚类中心的集合，训练完 成后将推理网络中自组织测试网络的权值设置为自组织网络的权值，其中，对于聚集区域Α，η= 20,对于勾质区域Β，η= 3 ;
[0011] (3c)选取与第一区域D不连通的第二区域F，将步骤（2)得到的滤波器集合输入 推理网络中进行映射；
[0012] (3d)根据映射结果，判定第一区域D与第二区域F之间的结构相似性；
[0013] (3e)根据各个互不连通区域间的结构相似性，得到聚集区域A和匀质区域B的分 割结果；
[0014] (4)采用基于超像素的方法对结构区域C进行分割，得到结构区域C的分割结果；
[0015] (5)合并聚集区域A、匀质区域B和结构区域C的分割结果，得到SAR图像的最终 分割结果。
[0016] 本发明与现有技术相比具有如下优点：
[0017] 第一、本发明在用无监督的深度学习方法学习特征的基础上进行了拓展，加入了 特征推理，有效的完成了SAR图像的分割任务。
[0018] 第二、本发明有效地利用了SAR的素描模型和区域图，根据区域图将原SAR图像映 射为聚集区域、匀质区域和结构区域，在聚集区域和匀质区域内进行采样和特征学习。
[0019] 第三、本发明利用反卷积网络模型能有效的学习到SAR图像的结构特征。
【附图说明】
[0020] 图1是本发明的实现流程图；
[0021] 图2是本发明中使用的原SAR图像；
[0022] 图3是本发明中根据SAR图像的素描模型提取的素描图；
[0023] 图4是本发明中根据素描图提取的区域图：
[0024] 图5是本发明中反卷积网络的结构图；
[0025] 图6是本发明中推理映射网络的结构图：
[0026] 图7是本发明中对聚集区域的分割结果图；
[0027] 图8是本发明中对匀质区域的分割结果图；
[0028] 图9是本发明中对SAR图像的最终分割结果图。
【具体实施方式】
[0029] 以下结合实施例附图对本发明做进一步说明。
[0030] 参照图1，本发明的具体实施步骤如下：
[0031] 步骤1，根据SAR图像的素描模型提取SAR图像的素描图，补全素描图中的素描线 段得到区域图，并将区域图映射到原SAR图像，得到聚集区域A、匀质区域B和结构区域C。
[0032] (1. 1)输入图2所示的SAR图像，根据SAR图像的素描模型得到SAR图像的素描 图，如图3所不；
[0033] 所述的SAR图像的素描模型，参见Jie-Wu等人于2014年发表在IEEE TransactionsonGeoscienceandRemoteSensing杂志上的文章《Localmaximal homogenousregionsearchforSARspecklereductionwithsketch-based geometricalkernelfunction》，根据该SAR图像的素描模型得到SAR图像的素描图步骤 如下：
[0034] (1.la)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 ;
[0035] (1.lb)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：
[0036]
[0037] ；?'
[0038] 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0中位置8处的权重系数，'的取值范围为￥^[0，1]4彦示区域〇中位置8 对应在合成孔径雷达SAR图像中的像素值，v表示区域Ω与合成孔径雷达SAR图像中对应 像素的方差；
[0039] (1.lc)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：
[0040]
[0041] 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分别为根据 (1.lb)得到的表示区域a和区域b的合成孔径雷达SAR图像中对应像素的均值；
[0042] (1.Id)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：
[0043]
[0044] 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，分别为根据（1.lb)得到的表示区域a和 区域b对应在合成孔径雷达SAR图像中像素的方差，μ3和μb分别为根据（1.lb)得到的 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；
[0045] (1.le)根据（1.lc)和（1.Id)得到结果，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：
[0046]
[0047] 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；
[0048] (1.If)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；
[0049] (1.lg)利用孔径雷达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；
[0050] (1.lh)按照下式，将边线响应图和梯度图归一化到[0, 1]并进行融合，得到强度 图：
[0051]
[0052] 其中，I表示强度图中的强度值，X表示边线响应