[发明专利]基于结构学习和素描特性推理网络的SAR图像分割方法

摘要

本发明公开了一种基于结构学习和素描特性推理网络的SAR图像分割方法，主要解决现有技术分割SAR图像不准确的问题。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SAR图像的素描图，得到区域图，并将区域图映射到SAR图像中，得到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.对混合像素子空间进行特征学习；4.构造素描特性推理网络并对混合像素子空间进行分割；5.对结构像素子空间和匀质像素子空间依次进行相应的分割；6.合并各个像素空间的分割结果，得到最终分割结果。本发明提高了SAR图像分割的准确性，可用于合成孔径雷达SAR图像的目标检测与识别。

主权项

1.一种基于结构学习和素描特性推理网络的SAR图像分割方法，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)对混合像素子空间进行特征学习：(3a)构造一个由1个输入层和4个反卷积层组成的5层脊波反卷积网络RDN，并利用脊波函数，分别对该5层脊波反卷积网络RDN中的4个反卷积层的滤波器组进行初始化；(3b)在混合像素子空间的各个互不连通区域，分别训练一个5层的脊波反卷积网络RDN，得到混合像素子空间中每个区域的滤波器集合，并将每个区域的滤波器集合作为该区域的结构特征；(4)对混合像素子空间中各个区域的结构特征进行素描方向统计，获取每个区域的素描线段方向类，利用素描线段方向类别数设定自组织网络竞争层的神经元个数，对混合像素子空间中每个区域构造一个基于素描统计特性的自组织网络；(5)分割混合像素子空间：(5a)利用步骤(4)构建的自组织网络，构造素描特性推理网络，该素描特性推理网络包含基于素描统计特性自组织网络模块、结构映射模块、区域间相似度计算模块和层次聚类模块；(5b)利用基于素描统计特性的自组织网络模块，将混合像素子空间各个区域的滤波器集合划分为多个子集，并得到各个子集的质心；(5c)利用现有的初始素描模型，分别构造滤波器子集中各个滤波器和滤波器子集质心的方向特征向量D和位置特征向量L；(5d)根据(5c)构造的方向特征向量D和位置特征向量L，建立混合像素子空间各个不连通区域的相关性，并计算各个不连通区域间的相似度φ，得到区域间的相似度矩阵Φ；(5e)将区域间的相似度矩阵Φ作为层次聚类算法的相似度矩阵，利用层次聚类算法，对混合像素子空间中各个区域进行最终的分类合并；(6)分割结构像素子空间：用视觉语义规则，分割线目标；基于素描线的聚拢特征，分割独立目标；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；(8)对混合像素子空间，结构像素子空间和匀质像素子空间的分割结果进行合并，得到最终合成孔径雷达SAR图像分割结果。