[发明专利]快速脊波反卷积结构学习模型的SAR图像语义分割方法

摘要

本发明公开了一种基于快速脊波反卷积结构学习模型的SAR图像语义分割方法，主要解决现有技术分割SAR图像不准确以及模型训练时间长的问题。其实现步骤是1.根据SAR图像的素描模型，提取素描图；2.根据素描图，得到区域图，利用区域图将SAR图像划分为混合像素子空间、匀质像素子空间和结构像素子空间；3.构建脊波滤波器集合和快速脊波反卷积结构学习模型，并采用该学习模型，对混合像素子空间进行分割；5.利用视觉语义和素描特性依次对结构像素子空间和匀质像素子空间进行分割；6.将三个像素子空间的分割结果进行合并，得到最终分割结果。本发明提高了SAR图像的分割效果，可用于对后续的SAR图像的检测与识别。

主权项

一种基于快速脊波反卷积结构学习模型的SAR图像语义分割方法，包括：(1)根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图；(2)根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合像素子空间、结构像素子空间和匀质像素子空间；(3)根据脊波函数构造脊波滤波器集合X；(4)构造快速脊波反卷积结构学习模型：(4a)对合成孔径雷达SAR图像中的混合像素子空间的每个互不连通的区域，按31×31的窗口进行隔一滑窗采样，得到每个区域对应的多个图像块，将得到的图像块作为待构造模型的输入，得到快速脊波反卷积结构学习模型的输入层；(4b)利用大小为39×39的零矩阵初始化特征图；(4c)利用特征图和脊波滤波器进行卷积操作重构出输入层中的图像块，得到快速脊波反卷积结构学习模型的反卷积层；(4d)输出脊波滤波器集合，得到快速脊波反卷积结构学习模型的输出层；(5)训练快速脊波反卷积结构学习模型：(5a)设置结构误差阈值为0.1；(5b)将步骤(4a)采样得到图像块依次输入到反卷积结构学习模型中；(5c)从脊波滤波器集合X中，随机选取六个滤波器初始化快速脊波反卷积结构学习模型中的脊波滤波器，利用大小为39×39的零矩阵初始化特征图；(5d)利用数据保真项公式，将特征图和脊波滤波器进行卷积操作，重构出输入图像块；(5e)计算输入图像块的非卷积操作的结构保真值；其中，表示输入图像块的非卷积操作的结构保真值，N表示要学习的每个区域中所采样得到的图像块的总个数，R(·)表示求素描图中所有素描线总长度的操作，SM(·)表示提取输入图像块的素描图的操作，xi表示第i个输入图像块，Mi表示第i个输入图像块所对应的特征图的总数，为提取特征图中间部分与输入图像块大小一样的特征图块；(5f)判断当前输入图像块的非卷积操作的结构保真值是否小于结构误差阈值，若是，则执行步骤(5i)，否则，执行步骤(5g)；(5g)利用脊波滤波器的尺度参数更新公式和脊波滤波器的位移参数更新公式，分别更新脊波滤波器的尺度参数和位移参数,得到更新后的脊波滤波器，利用特征图更新公式，更新特征图，得到更新后的特征图，返回步骤(5d)，对输入图像块重新进行学习；(5h)将学习得到的脊波滤波器保存至该重构输入图像块学习好的脊波滤波器集合中，完成对该输入图像块特征的学习，并输出该输入图像块学习好的脊波滤波器集合；(5i)判断所有图像块是否通过快速脊波反卷积结构学习模型完成了特征的学习，若是，执行步骤(6)，否则，输入下一个图像块，返回步骤(5c)；(6)分割SAR图像的混合像素子空间：(6a)将SAR图像中的混合像素子空间的所有区域所学习到的脊波滤波器集合拼接成码本；(6b)将每个区域学习到的脊波滤波器集合向码本进行投影，得到投影向量；(6c)对投影向量进行最大池化操作，得到结构特征向量；(6d)利用层次聚类算法，对结构特征向量进行聚类，得到混合像素子空间的分割结果；(7)分割结构像素子空间：即先用视觉语义规则分割线目标，用基于素描线的聚拢特征，分割独立目标；再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；(8)分割匀质像素子空间：利用基于自适应邻域多项式隐模型的分割方法对匀质像素子空间进行分割，得到匀质像素子空间的分割结果；(9)将步骤(6)、步骤(7)和步骤(8)得到的分割结果进行合并，得到最终SAR图像的分割结果。