基于反卷积网络和稀疏分类的极化sar图像分割方法

基于反卷积网络和稀疏分类的极化sar图像分割方法
【技术领域】
[0001] 本发明属于图像处理和遥感技术领域，涉及极化SAR图像的分割方法。可用于后续 的极化合成孔径雷达SAR图像的目标检测与识别。
【背景技术】
[0002] 极化合成孔径雷达SAR图像分割是指将图像划分成若干个特定的、具有独特性质 的区域的过程。极化合成孔径雷达SAR图像分割的目的是提取出感兴趣的目标和区域并用 于后续的目标检测和识别。极化合成孔径雷达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到后续的分析和识别的工作。
[0003] 现有的极化合成孔径雷达SAR图像分割方法主要分为三种：第一种是基于极化统 计分布特性的分割方法;第二种是基于极化电磁波散射特性的分割方法;第三种是结合极 化统计分布特性和极化电磁波散射特性的分割方法。基于极化统计分布特性的分割方法主 要有：1988年，Kong等人提出了单视极化SAR图像的极大似然ML分类器；1994年，Lee等人根 据极化协方差矩阵满足复wishart分布的特点，提出了有监督的极化SAR图像分割方法。基 于极化电磁波散射特性的分割方法主要有：1989年，VanZyl等人提出了一种基于奇次散射、 偶次散射和体散射三种散射机理的非监督分类方法；1999年，Lee等人在Η/α分类方法的基 础上结合统计分布引入了Wishart分类器。结合极化统计分布特性和极化电磁波散射特性 的分割方法有:2004年，Lee等人提出了利用Freeman分解得到的3种极化散射机理成分的功 率进行初始分类，并通过Wishart迭代进行合并与类别修正的分割方法。
[0004] 上述方法虽然都能够很好的利用极化SAR数据的统计特征和散射机理进行图像分 害J，但是由于这些方法采用的都是人为指定的基于像素的特征并不能自动提取极化SAR数 据空间的关系特征来进行图像的分割。因此，上述传统的极化SAR图像的分割方法存在很多 的缺陷:一是人为指定的特征不能够代表极化SAR数据最本质的特征，没有挖掘地物之间所 具有的更深层次的结构关系；二是同一地物的区域一致性不好，对具有明暗相间的地物很 难将其分为一类。

【发明内容】

[0005] 本发明的目的在于克服上述已有技术的不足，提出一种基于反卷积网络和稀疏分 类的极化SAR图像分割方法，以提高极化合成孔径雷达SAR图像的分割效果。
[0006] 为实现上述目的，本发明的技术方案如下：
[0007] (1)输入待分割的极化SAR图像的数据，对该极化SAR图像进行Pauli分解，得到极 化SAR图像相干矩阵对角线三个通道的幅度值，将三个通道幅度值相加得到极化SAR图像的 功率图，对极化SAR图像功率图进行素描化；
[0008] (2)根据极化SAR图像功率图的素描图提取区域图，并根据区域图将极化SAR图像 映射为聚集区域、匀质区域和结构区域；
[0009] (3)对聚集区域进行分割：
[0010] (3a)对聚集区域中的各个互不连通的区域分别进行采样，并利用采样得到的样本 对反卷积网络进行无监督的训练，得到表征各个互不连通区域结构特征的滤波器集合；
[0011] (3b)利用提取到的各个互不连通区域的滤波器集合构造字典，结合字典构造相似 性矩阵；
[0012] (3c)利用相似性矩阵合并相似的聚集区域，得到聚集区域的分割结果；
[0013] (4)对匀质区域进行分割；
[0014] (5)对结构区域进行分割，提取出孤立目标和边界；
[0015] (6)将聚集区域、匀质区域和结构区域的分割结果进行合并，得到分割后的极化 SAR图像。
[0016] 本发明与现有技术相比具有如下优点：
[0017] 1.本发明由于利用极化SAR图像功率图的素描图对线段包含的语义信息进行分 析，提出了基于线段语义信息分析的区域划分技术，在素描图上能有效的提取线段的聚集 区域，克服了现有技术对聚集区域分割结果区域一致性不好的问题，提高了极化SAR图像的 分割精度。
[0018] 2.本发明由于构造了一个4层的反卷积网络提取特征，克服了现有技术对极化合 成孔径雷达SAR图像进行分割使用的特征都是人为指定的缺点，使得本发明能自动提取图 像的特征，比人工提取更加省时省力。
[0019] 3.本发明由于对空间上不连通的各个区域分别训练一个反卷积网络，使用极化 SAR三通道的数据作为输入，克服了现有技术提取图像特征没有关注图像中像素间的空间 关系并且没有充分利用极化信息的缺点，使得本发明所提取的特征更能代表图像中物体的 本质特征，提高了分割的精度。
【附图说明】
[0020] 图1是本发明的实现流程图；
[0021] 图2是本发明实验使用的原始图像；
[0022] 图3是用本发明方法从图2中提取的区域图；
[0023]图4是用本发明对图3的聚集区域的分割结果图；
[0024]图5是用本发明对图3的匀质区域的分割结果图；
[0025]图6是用本发明对图2的最终分割结果图。
【具体实施方式】
[0026]下面结合附图对本发明的实施例和效果做进一步的详细描述。
[0027] 参照附图1，本发明的实现步骤如下。
[0028] 步骤1，素描化极化合成孔径雷达SAR图像。
[0029] 输入待分类的极化SAR图像的数据对极化SAR数据进行处理，得到协方差矩阵;融
[0030] 合协方差矩阵对角线元素三个通道幅度值，得到极化SAR图像的功率图；
[0031 ] 根据SAR素描模型采用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，提取极化SAR图像功率图的素描图。其提取步骤如下：
[0032] (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;
[0033] (lb)按照下式，计算模板不同区域对应在极化合成孔径雷达SAR图像中像素的均 值和方差：
[0034]
[0035]
[0036] 其中，μ表示区域Ω对应在极化合成孔径雷达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，^表 示区域Ω中位置g处的权重系数，w g的取值范围为wge [0，1]，Ag表示区域Ω中位置g对应在 极化合成孔径雷达SAR图像中的像素值，v表示区域Ω与极化合成孔径雷达SAR图像中对应 像素的方差；
[0037] (lc)按照下式，计算极化合成孔径雷达SAR图像中每个像素对比值算子的响应值：
[0038]
[0039]其中，R表示极化合成孔径雷达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，分别表示区域a 和区域b与极化合成孔径雷达SAR图像中对应像素的均值；
[0040] (Id)按照下式，计算极化合成孔径雷达SAR图像中每个像素对相关性算子的响应 值：
[0041]
[0042] 其中，C表示极化合成孔径雷达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，v4Pvb分别表示区域a和区域b对应在极化合成 孔径雷达SAR图像中像素的方差，分别表示区域a和区域b与极化合成孔径雷达SAR图 像中对应像素的均值，#表示平方根操作；
[0043] (le)按照下式，融合极化合成孔径雷达SAR