基于小波池化卷积神经网络的sar图像分割方法

基于小波池化卷积神经网络的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SAR图像分割方法，可用于目标检测和识别。
【背景技术】
[0002] 随着遥感技术的快速发展，SAR图像解译在能源、环境、考古等方面发挥越来越重 要的作用。SAR图像分割是SAR图像解译中基础而重要的一环，它可以为后续的分类、检测、 识别和跟踪提供帮助。SAR图像分割的主要目标是将SAR图像划分成没有交集的连通区域， 完成这一目标需要对SAR图像的每个像素进行标记，因此是一项非常困难的任务。
[0003] 现有的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SAR图像的特征进行分割，比如纹理特征、边特征和混合特征 等。这些方法在SAR图像的匀质区域取得了较好的分割效果。然而，SAR图像是对地观测， 总是能观测到一些城区、森林等复杂场景。这些复杂的场景总是伴随着尖锐的明暗变化，这 种特性使基于特征的方法受到挑战。基于统计模型的方法将SAR图像分割问题用概率的方 式表达，由于该类方法考虑了图像的空间上下文关系，最近几年受到了越来越多的关注。基 于统计模型的方法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。空间上下文模型描述为Gibbs分布、多项式逻辑回归函数等。实际上，SAR 图像分割问题转化成为求这些分布或者函数的参数问题。参数求解通常用组合优化的方法 来解决，这是一个耗时的过程，而且很多时候总是不能找到满意解。尽管基于模型的方法取 得了较好的分割效果，对于一些复杂的宏纹理的区域，仍然不能将他们分成一致性的区域。 这两类方法都是在人为给定的特征下进行SAR图像的分割，而卷积神经网络可以从数据本 身逐层的学习图像的结构特征，能提高分割过程中异质区域的一致性。然而，卷积神经网络 中传统的池化方法，即最大池化、平均池化法，只是简单的在特征图的邻域窗内取最大值或 者平均值，会对学习到的特征的结构造成一定的破坏，不利于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方法的不足，提出一种基于小波池化卷积神经网 络的SAR图像分割方法，以提升SAR图像分割的效果。
[0005] 为实现上述目的，本发明的技术方案如下：
[0006] (1)在卷积神经网络中，对特征图进行小波变换并取其近似子带构成小波池化层， 利用小波池化层形成小波池化的卷积神经网络；
[0007] (2)根据SAR图像标记图，每类选取50%的像素，并将以该像素为中心的图像块输 入到小波池化的卷积神经网络中进行训练；
[0008] (3)对SAR图像的所有像素，选取以该像素为中心的图像块输入到训练好的网络 中进行测试，得到SAR图像的第一类标；
[0009] (4)对SAR图像进行超像素分割，得到SAR图像的超像素分割结果，并将其与SAR 图像的第一类标融合，得到SAR图像的第二类标；
[0010] (5)根据Markov随机场模型得到SAR图像的第三类标，并将其与SAR图像的超像 素分割结果融合，得到SAR图像的第四类标；
[0011] (6)根据SAR图像梯度图，将SAR图像的第二类标和第四类标进行融合，得到最终 的分割结果。
[0012] 本发明与现有技术相比具有如下优点：
[0013] 第一，卷积神经网络中的传统池化方法，即最大池化、平均池化法，只是简单的在 特征图的邻域中取最大值或平均值，会对学习到的结构特征造成一定的破坏，本发明采用 的小波池化不仅具有降噪的功能，而且能更好的保持学习到的结构特征，这对于图像的分 割是至关重要的。
[0014] 第二，本发明基于小波池化的卷积神经网络可以从原始数据自动学习特征，而不 需要人为给定特征的类型，这种从原始数据学习到的丰富的结构特征可以提高异质区域， 例如城区、森林等分割结果的一致性。
[0015] 第三，本发明基于SAR图像梯度的融合策略，将基于小波池化的卷积神经网络与 Markov随机场模型的优点融合在一起，使分割在精确地定位边界的同时又可以保持区域的 一致性。
【附图说明】
[0016] 图1是本发明的实现流程图；
[0017] 图2是本发明中小波池化卷积神经网络示意图；
[0018] 图3是本发明中小波池化卷积神经网络学习到的特征图；
[0019] 图4是本发明仿真使用的SAR图像标记图；
[0020] 图5是用本发明与现有方法对X波段分辨率为1米的Noerdlinger Ries图像的 分割结果图；
[0021] 图6是用本发明与现有方法对Ku波段分辨率为1米的Piperiver图像的分割结 果图。
【具体实施方式】
[0022] 参照图1，本发明的实施步骤如下：
[0023] 步骤1，构建小波池化层并形成小波池化的卷积神经网络。
[0024] (I. 1)按照下式对特征图0&进行小波变换，
[0025]
[0026] 其中k=l，...，N，N为特征图的个数：CF/('1 >是特征图CFk中以点（X，y)为中心的 邻域块，*代表卷积操作，Φ是小波基函数，down( ·)代表下2采样操作， 是经过小波变换得到的各子带中的点，a，h，v，d分别代表近似子带、水平子带、垂直 子带和对角子带；
[0027] (1. 2)用近似子带特征图SF/构成小波池化层，其中k = 1，...，N，N为特征图的个 数；
[0028] (I. 3)利用小波池化层形成小波池化的卷积神经网络，如图2所示，该神经网络是 一个包含输入层、卷积层、池化层、全连接层和输出层的八层神经网络，其中，第一层为输入 层，第二层与第四层为卷积层，第三层与第五层为池化层，第六层与第七层为全连接层，第 八层为输出层。
[0029] 步骤2,选取图像块输入到小波池化的卷积神经网络中进行训练。
[0030] (2. 1)在如图4所示的SAR图像标记图中，每类选取50%的像素，并且对每个像素 选取以它为中心的32X32的图像块作为训练样本，其中图4(a)为Noerdlinger Ries图 像，图4(b)为Noerdlinger Ries图像的标记图，类别数为5,图4(c)为Piperiver图像，图 4(b)为Piperiver图像的标记图，类别数为5 ;
[0031] (2. 2)将训练样本输入到步骤⑴构建的小波池化的卷积神经网络，并用后向传 播算法学习网络的参数，直到所有的训练样本训练完毕。
[0032] 步骤3,将所有图像块输入到训练好的网络中进行测试。
[0033] (3. 1)对SAR图像中所有像素，选取以该像素为中心的32X32的图像块作为测试 样本；
[0034] (3. 2)将测试样本输入到步骤⑵中训练好的神经网络中，学习到特征图，如图 3所示，其中图3(a)为测试样本类型为森林时，网络学习到的第二层与第四层特征图，图 3(b)为测试样本类型为城区时，网络学习到的第二层与第四层特征图，图3(c)为测试样本 类型为农田1时，网络学习到的第二层与第四层特征图，图3(d)为测试样本类型为农田2 时，网络学习到的第二层与第四层特征图；
[0035] (3. 3)利用前向传播算法，预测得到每个图像块的类标，即得到SAR图像中每个像 素的第一类标。
[0036] 步骤4,对SAR图像进行超像素分割，获得该SAR图像的第二类标。
[0037] 图像超像素分割的常用方法有：分水岭、MeanShift和TurboPixels等。本发明中 采用但不限于TurboPixels的方法，得到SAR图像超像素的分割结果；
[0038] 根据步骤（3)中得到的SAR图像的第一类标，计算每个超像素内各类别的像素个 数；
[0039] 将每个超像素标记为该超像素内像素个数最多的那个类别，得到SAR图像的第二 类标。
[0040] 步骤5,根据Markov随机场模型得到SAR图像的第三类标。
[0041] (5. DMarkov随机场模型的先验概率公式如下：
[0042]
[0043] 其中，^代表图像像素的类标，L= 表示图像的类别，U(Xs)定义如下：
[0044]