，表示平方根操作； (le) 按照下式，融合极化合成孔径雷达SAR图像中像素对比值算子的响应值和极化合 成孔径雷达SAR图像中像素对相关性算子的响应值，计算极化合成孔径雷达SAR图像中每个 像素对各个模板的响应值：其中，F表示极化合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表 示极化合成孔径雷达SAR图像中像素对比值算子和极化合成孔径雷达SAR图像中像素对相 关性算子的响应值，/表示平方根操作； (lf) 选择具有最大响应值的模板作为极化合成孔径雷达SAR图像中像素的模板，并将 最大响应值作为该像素的功率，将具有最大响应值的模板的方向作为该像素的方向，获得 极化合成孔径雷达SAR图像的边线响应图和方向图； (lg) 利用极化合成孔径雷达SAR图像中每个像素所选择的模板，获得极化合成孔径雷 达SAR图像的梯度图； (lh) 按照下式，将归一化到[0，1]的边线响应图与归一化到[0，1]的梯度图进行融合， 得到功率图：其中，I表示功率图中的功率值，X表示边线响应图中的值，y表示梯度图中的值； (Π)采用非极大值抑制方法，对功率图进行检测，得到建议草图； (lj) 选取建议草图中具有最大功率的像素，将建议草图中与该最大功率的像素连通的 像素连接形成建议线段，得到建议素描图； (lk) 按照下式，计算建议素描图中素描线的编码长度增益CLG:其中，0^表示建议素畑_|+|系：畑^^、」_码农/艾增：61，1衣不|冲操作，111表示当前素描 线邻域中像素的个数，t表示当前素描线邻域中像素的编号，At表示当前素描线邻域中第t 个像素的观测值，At,〇表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第t 个像素的估计值，ln( ·)表示以e为底的对数操作，At,i表示在当前素描线能够表示结构信 息的假设下，该素描线邻域中第t个像素的估计值； (11)设定阈值T，T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中的 素描线，获得输入极化合成孔径雷达SAR图像对应的素描图。3. 根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法，其特征 在于:步骤(2)中根据极化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的步骤如下： (2a)将两素描线线段之间的距离定义为两线段中点的欧式距离，用线段K近邻的平均 距离表示素描线的聚集度，并根据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、线目标以及孤立目标的素描线；； (2b)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{Ek，k=l，2,. . .，m}，其中Ek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为线段的总条数，{·}表示集合操作； (2c)如果种子线段集{Ek，k = l，2,...，m}中的素描线段没有被添加进某个线段集合，则 以素描线段Ek为基点递归的求解新的线段集合； (2d)使用半径为最优聚集度区间上界的圆形基元，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，得到区域图中的聚集区域； (2e)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5X5的几何结构窗获得结构区域，并标记该区域为区域图中的结构区域； (2f)将素描图中除去聚集区域和结构区域以外的部分作为无素描的线段，并标记该部 分为区域图中的不可素描区域； (2g)将区域图中的聚集区域、结构区域和不可素描区域映射到极化合成孔径雷达SAR 图像功率图上，得到极化合成孔径雷达SAR图像功率图的聚集区域、结构区域和匀质区域。4. 根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法，其特征 在于:步骤(3a)中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，按如下步骤进行： (3al)对极化SAR图像进行Pauli分解，得到表示极化SAR图像相干矩阵对角线三通道幅 度值和上三角阵三通道相位值的图像； (3a2)制定21 X 21的窗口大小，在每个聚集区域对应的极化SAR三个通道幅度图像和相 位图中用逐点划窗的方式提取样本； (3a3)构造一个4层反卷积网络，其中第1层为输入层;第2层为反卷积层，包含9个7X7 大小的滤波器以及9个37X37小的特征图，9个7*7大小的滤波器组成一个滤波器组;第3层 为反卷积层，包含45个7 X 7大小的滤波器和45个43 X 43大小的特征图，45个7 X 7大小的滤 波器组成一个滤波器组;第4层为反卷积层，包含100个7 X 7大小的滤波器和100个49 X 49大 小的特征图，100个7 X 7大小的滤波器组成一个滤波器组； (3a4)将聚集区域中各个互不连通区域的三通道幅度图和相位图的采样样本分别输入 到反卷积网络中； (3a5)固定反卷积网络中特征图和滤波器的值，通过解决一个一维最优化问题，得到反 卷积网络中辅助变量的值； (3a6)固定反卷积网络中辅助变量和滤波器的值，通过解决一个线性系统最优化问题， 得到反卷积网络中特征图的值； (3a7)固定反卷积网络中特征图和辅助变量的值，通过使用梯度下降法，得到反卷积网 络中滤波器的值。5. 根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法，其特征 在于:步骤(3b)中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，步骤如下： (3bl)提取聚集区域最后一层的100个7X7大小的幅度信息的滤波器和相位信息的滤 波器，将两组滤波器进行对应相加，得到表示该聚集区域的一个滤波器组，将所有聚集区域 的滤波器组进行组合得到整个聚集区域的字典D; (3b2)按照投影公式，将一个聚集区域的滤波器组中的100个滤波器分别对字典进行投 影，得到滤波器对字典的投影值d，对100个滤波器对字典的投影值求取平均值，得到表示该 聚集区域的向量X: X= (xi, X2 , X3 , . . . Xi . . . , Χ?οο), 其中xi代表第i个滤波器对字典投影值的平均值，i = 1，2··· 100: 所述的投影公式如下：其中，d表示滤波器对字典的投影假，immra a [〇，1 ]，F表示聚集区域的一个滤波 器，D表不字典，?表不点积操作，| | · | |表不求模操作； (3b3)计算每两个聚集区域向量之间的余弦距离cose^:其中xdPyi*别代表两个聚集区域的向量表示。6. 根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法，其特征 在于:步骤(3c)中利用相似性矩阵，合并相似的聚集区域，步骤如下： (3cl)利用计算到的每两个聚集区域之间的余弦距离构造相似性矩阵C，该相似性矩阵 中的元素cu代表第i个聚集区域与第j个聚集区域之间的距离； (3c2)利用构造的相似性矩阵，采用基于图割的谱聚类结合AP聚类的方法，对相似的聚 集区域进行合并，得到最终的聚集区域的分割结果。
【专利摘要】本发明公开了一种基于反卷积网络和稀疏分类的极化SAR图像分割方法，主要解决现有技术需要依靠人工经验提取特征的问题。其实现步骤是：1.依次提取极化SAR图像的功率图和素描图；2.利用素描图提取极化SAR图像功率图的区域图；3.在极化SAR图像对应的聚集区域中提取样本；4.利用聚集区域中的样本对反卷积网络进行训练，并利用训练得到的滤波器构造相似性矩阵；5.利用相似性矩阵分割聚集区域；6.分别对匀质区域和结构区域进行分割；7.合并聚集区域、匀质区域和结构区域的分割结果，得到分割后的极化SAR图像。本发明的分割结果具有较好的区域一致性,且提高了极化SAR图像的分割效果,可用于目标检测和识别。
【IPC分类】G06T7/00
【公开号】CN105608692
【申请号】CN201510953343
【发明人】刘芳, 李婷婷, 石志彬, 郝红侠, 焦李成, 尚荣华, 马文萍, 马晶晶, 杨淑媛
【申请人】西安电子科技大学
【公开日】2016年5月25日
【申请日】2015年12月17日