[发明专利]基于素描结构的平均场变分贝叶斯SAR图像分割方法

摘要

本发明公开了一种基于素描结构的平均场变分贝叶斯SAR图像分割方法，主要解决现有技术合成孔径雷达SAR图像分割不准确的问题。其实现步骤如下：(1)SAR图像素描化，得到SAR图像的素描图；(2)根据SAR图像的区域图，划分SAR图像的像素子空间；(3)基于平均场变分贝叶斯推理网络模型的混合聚集结构地物像素子空间分割；(4)基于素描线聚拢特征的独立目标分割；(5)基于视觉语义规则的线目标分割；(6)基于多项式逻辑回归先验模型的匀质区域像素子空间分割；(7)合并分割结果，得到SAR图像的分割结果。本发明获得了SAR图像的良好分割效果，可用于SAR图像的语义分割。

主权项

1.一种基于素描结构的平均场变分贝叶斯SAR图像分割方法，包括如下步骤：(1)SAR图像素描化：(1a)输入合成孔径雷达SAR图像；(1b)建立合成孔径雷达SAR图像的素描模型；(1c)从素描模型中提取合成孔径雷达SAR图像的素描图；(2)划分像素子空间：(2a)采用素描线区域化方法，对合成孔径雷达SAR图像的素描图进行区域化处理，得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图；(2b)将包括聚集区域、无素描线区域和结构区域的区域图，映射到输入的合成孔径雷达SAR图像，得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间；(3)构建平均场变分贝叶斯推理网络模型：(3a)将平均场变分贝叶斯推理网络模型的输入层、隐层和重构层均设置为441个神经元，将输入层与隐层、隐层与重构层之间的连接均设置为全连接；(3b)按照下式，计算平均场变分贝叶斯推理网络模型的变分下界：其中，L(Q)表示平均场变分贝叶斯推理网络模型的变分下界，log表示以10为底的对数操作，P(V|W,H,c)表示V关于W，H，c的条件概率，V表示平均场变分贝叶斯推理网络模型中的输入层，W表示平均场变分贝叶斯推理网络模型的连接权值，H表示平均场变分贝叶斯推理网络模型中的隐层，c表示平均场变分贝叶斯推理网络模型中隐层的偏置，b表示平均场变分贝叶斯推理网络模型中输入层的偏置，P(W)表示W的先验概率，P(H|b)表示H关于b的条件概率，Q(W)表示W的变分分布概率,Q(H)表示H的变分分布概率；(3c)按照下式，计算结构重构误差：其中，G表示结构重构误差，M表示输入图像块的总数，表示第i个输入图像块的重构图像块，s_i表示第i个素描块，SM(·)表示求素描块操作，C(·)表示求素描线长度操作；(4)对混合聚集结构地物像素子空间进行特征学习：(4a)对合成孔径雷达SAR图像中的混合聚集结构地物像素子空间，按空间上的连通性进行区域划分，若得到多个互不连通区域，执行(4b)；(4b)对每个互不连通区域，按21×21的窗口进行隔一采样，得到多个图像块样本；(4c)对每个图像块样本，在素描图中取与图像块样本一一对应的素描块样本；(4d)对每个互不连通区域，产生出每个区域对应的一组符合不均匀地物分布G⁰分布的随机数；(4e)对每个互不连通区域，用得到的每个区域对应的一组随机数对平均场变分贝叶斯推理网络的权值和偏置进行初始化，得到初始化后的平均场变分贝叶斯推理网络；(4f)对每个互不连通区域初始化后的平均场变分贝叶斯推理网络，将图像块样本作为平均场变分贝叶斯推理网络的输入层，用素描结构约束的平均场变分贝叶斯推理的方法，对平均场变分贝叶斯推理网络进行结构约束训练，得到训练后的平均场变分贝叶斯推理网络；(4g)对每个互不连通区域，取其训练后的平均场变分贝叶斯推理网络的权值，作为该区域的特征集合；(5)分割SAR图像混合聚集结构地物像素子空间：(5a)将所有互不连通区域的特征集合拼接，将拼接后的特征集合作为码本；(5b)对每个互不连通区域的所有特征，分别计算与码本中的每个特征的内积，得到每个区域所有特征在码本上的投影向量；(5c)对每个互不连通区域的投影向量进行最大池化，得到每个区域对应的一个结构特征向量；(5d)利用近邻传播AP聚类算法，对所有互不连通区域的结构特征向量进行聚类，得到混合聚集结构地物像素子空间的分割结果；(6)分割结构像素子空间：(6a)用视觉语义规则，分割线目标；(6b)基于素描线的聚拢特征，分割独立目标；(6c)对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果；(7)分割匀质区域像素子空间：采用基于多项式逻辑回归先验模型的匀质区域分割方法，对匀质区域像素子空间进行分割，得到匀质区域像素子空间的分割结果；(8)合并分割结果：将混合聚集结构像素子空间、匀质区域像素子空间和结构像素子空间的分割结果进行合并，得到合成孔径雷达SAR图像的最终分割结果。