多视SAR图像分割方法及装置与流程

技术特征：

1.一种多视SAR图像分割方法，其特征在于，包括：

读取待分割多视SAR图像；所述待分割多视SAR图像使用特征场z表示：

z＝{z_i(x_i,y_i):i＝1,…,n}

其中，i为像素索引，n为总像素数，z_i为像素i的强度，(x_i，y_i)∈D为像素i的格点位置，D为图像域；

初始化双权重w：

w_i＝(w_il:l＝1,…,k)

其中，w_il为类属l包含像素i的类属权重，满足k为类数；

重复执行下述步骤：计算Gamma分布尺度参数β：

${\mathrm{\β}}_l=\frac{\underset{i=1}{\overset{n}{\Σ}}{w}_{il}{z}_i}{\mathrm{\α}\underset{i=1}{\overset{n}{\Σ}}{w}_{il}}$

其中，α为Gamma分布形态参数；

计算所述图像的或然率p(z|w)；

$p\left(z\right|w)=\underset{i=1}{\overset{n}{\Π}}p\left(z_i\right|w_{il})$

其中p(z_i|w_il)为以双权重Gamma混合模型定义的z_i的概率密度，如下：

$p\left(z_i\right|w_{il})=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(z_i\right|{\mathrm{\β}}_l)=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\frac{z_i^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l}\exp (-\frac{z_i}{{\mathrm{\β}}_l});$

计算所述双权重w的分布函数p(w)：

$p\left(w\right)=\frac{1}{A}\exp (-\mathrm{\η}\underset{i=1}{\overset{n}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}\underset{i^{\′}\∈N_i}{\Σ}{\left(w_{il}-w_{i^{\′}l}\right)}^2)$

其中，A为归一化系数，η为邻域作用系数，N_i为以(x_i,y_i)为中心的8邻域像素集合，且满足i’∈N_i,i’≠i；

计算品质函数L，所述品质函数L为所述或然率p(z|w)与所述分布函数p(w)联合概率分布函数的对数函数；

根据梯度法更新所述双权重w：

w^(t+1)＝w^(t)+ξΔw^(t)

其中，t为迭代次数，ξ为步长，Δw^(t)为梯度，如下：

${{\mathrm{\Δw}}_{il}}^{\left(t\right)}=\frac{\∂L}{\∂w_{il}}=\frac{1}{\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp \right(-\frac{z_i}{{\mathrm{\β}}_l}\left)\right)}\·\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp (-\frac{z_i}{{\mathrm{\β}}_l})-2\mathrm{\η}\underset{i^{\′}\∈N_i}{\Σ}(w_{il}-w_{i^{\′}l});$

将更新后的所述双权重w代入所述品质函数L；

直到|L^(t+1)-L^(t)|小于预设的阈值ε时，停止执行上述步骤，根据当前的所述双权重w确定所述图像中各个像素所属的类别；

按照所述各个像素所属的类别输出分割结果。

2.根据权利要求1所述的方法，其特征在于，计算品质函数L包括：

计算或然率p(z|w)与分布函数p(w)的联合概率分布函数p(z,w)：

p(z,w)＝p(z|w)p(w)；

对所述联合概率分布函数取对数：

L(w)＝log p(z,w)＝log p(z|w)+log p(w)。

3.根据权利要求1所述的方法，其特征在于，确定所述像素所属的类别包括：

计算所述双权重的最大值：

c_i＝arg max{w_il,l＝1,...,k}；

其中，c_i为第i个像素所属类别的标号；

将所述最大值作为所述像素所属的类别。

4.根据权利要求1所述的方法，其特征在于，按照所述各个像素所属的类别输出分割结果包括：用所述图像中同一类别中的所有像素的强度的均值更新所述同一类别中的所有像素的强度，得到均值图像；通过显示装置显示所述均值图像。

5.根据权利要求1所述的方法，其特征在于，还包括：

设置常数，所述常数包括：类数k、Gamma分布形态参数α、归一化常数A和邻域作用系数η。

6.一种多视SAR图像分割装置，其特征在于，包括：

读取模块，用于读取待分割多视SAR图像；所述待分割多视SAR图像使用特征场z表示：

z＝{z_i(x_i,y_i):i＝1,…,n}

其中，i为像素索引，n为总像素数，z_i为像素i的强度，(x_i，y_i)∈D为像素i的格点位置，D为图像域；

双权重初始化模块，用于初始化双权重w：

w_i＝(w_il:l＝1,…,k)

其中，w_il为类属l包含像素i的类属权重，满足k为类数；

权重参数迭代更新模块，用于重复执行下述计算：计算Gamma分布尺度参数β：

${\mathrm{\β}}_l=\frac{\underset{i=1}{\overset{n}{\Σ}}{w}_{il}{z}_i}{\mathrm{\α}\underset{i=1}{\overset{n}{\Σ}}{w}_{il}}$

其中，α为Gamma分布形态参数；

计算所述图像的或然率p(z|w)；

$p\left(z\right|w)=\underset{i=1}{\overset{n}{\Π}}p\left(z_i\right|w_{il})$

其中p(z_i|w_il)为以双权重Gamma混合模型定义的z_i的概率密度，如下：

$p\left(z_i\right|w_{il})=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(z_i\right|{\mathrm{\β}}_l)=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\frac{z_i^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l}\exp (-\frac{z_i}{{\mathrm{\β}}_l});$

计算所述双权重w的分布函数p(w)：

$p\left(w\right)=\frac{1}{A}\exp (-\mathrm{\η}\underset{i=1}{\overset{n}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}\underset{i^{\′}\∈N_i}{\Σ}{\left(w_{il}-w_{i^{\′}l}\right)}^2)$

其中，A为归一化系数，η为邻域作用系数，N_i为以(x_i,y_i)为中心的8邻域像素集合，且满足i’∈N_i,i’≠i；

计算品质函数L，所述品质函数L为所述或然率p(z|w)与所述分布函数p(w)联合概率分布函数的对数函数；

根据梯度法更新所述双权重w：

w^(t+1)＝w^(t)+ξΔw^(t)

其中，t为迭代次数，ξ为步长，Δw^(t)为梯度，如下：

${{\mathrm{\Δw}}_{il}}^{\left(t\right)}=\frac{\∂L}{\∂w_{il}}=\frac{1}{\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp \right(-\frac{z_i}{{\mathrm{\β}}_l}\left)\right)}\·\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp (-\frac{z_i}{{\mathrm{\β}}_l})-2\mathrm{\η}\underset{i^{\′}\∈N_i}{\Σ}(w_{il}-w_{i^{\′}l});$

将更新后的所述双权重w代入所述品质函数L；

直到|L^(t+1)-L^(t)|小于预设的阈值ε时，停止执行上述计算；

类别确定模块，用于根据当前的所述双权重w确定所述图像中各个像素所属的类别；

输出模块，用于按照所述各个像素所属的类别输出分割结果。

7.根据权利要求6所述的装置，其特征在于，所述权重参数迭代更新模块包括：

第一计算单元，用于计算或然率p(z|w)与分布函数p(w)的联合概率分布函数p(z,w)：

p(z,w)＝p(z|w)p(w)；

第二计算单元，用于对所述联合概率分布函数取对数：

L(w)＝log p(z,w)＝log p(z|w)+log p(w)。

8.根据权利要求6所述的装置，其特征在于，所述类别确定模块包括：

最大值计算单元，用于计算所述双权重的最大值：

c_i＝arg max{w_il,l＝1,...,k}；

其中，c_i为第i个像素所属类别的标号；

类别确定单元，用于将所述最大值作为所述像素所属的类别。

9.根据权利要求6所述的装置，其特征在于，所述输出模块包括：

均值单元，用于所述图像中同一类别中的所有像素的强度的均值更新所述同一类别中的所有像素的强度，得到均值图像；

显示单元，用于通过显示装置显示所述均值图像。

10.根据权利要求6所述的装置，其特征在于，还包括：

常数设置模块，用于设置常数，所述常数包括：类数k、Gamma分布形态参数α、归一化常数A和邻域作用系数η。