本發明屬于圖像處理技術領域，更進一步涉及圖像分割技術領域中的一種基于反卷積網絡和素描圖方向約束的SAR圖像分割方法。本發明能夠對合成孔徑雷達SAR圖像的不同區域準確地進行分割，并且可用于后續的合成孔徑雷達SAR圖像的目標檢測與識別。

背景技術：

合成孔徑雷達SAR是遙感技術領域的重要進展，用來獲取地球表面的高分辨圖像。與其他類型的成像技術相比，合成孔徑雷達SAR有著非常重要的優勢，它不受云層、降雨或者大霧等大氣條件以及光照強度的影響，能夠全天時、全天候地獲取高分辨遙感數據。合成孔徑雷達SAR技術對于軍事、農業、地理等許多領域具有重要指導意義。圖像分割是指根據顏色、灰度和紋理等特征將圖像劃分成若干個互不相交的區域的過程。通過計算機對合成孔徑雷達SAR圖像進行解譯是目前面臨的一個巨大挑戰，而合成孔徑雷達SAR圖像分割又是其必要步驟，它對進一步的檢測、識別影響很大。

目前圖像分割常用的方法有：基于區域生長和分水嶺的方法、基于聚類的方法、基于特征的方法和基于統計的方法等。由于合成孔徑雷達SAR獨特的成像機理，SAR圖像中含有許多相干斑噪聲，導致很多光學圖像的傳統方法都不能直接用于SAR圖像的分割。合成孔徑雷達SAR圖像的傳統分割方法包括一些基于聚類如Kmeans、FCM等的方法，以及其他一些有監督和半監督的方法。

西安電子科技大學在其申請的專利“基于反卷積網絡和自適應推理網絡的SAR圖像分割方法”(專利號201510817299.4，公開號105427313A)中公開了一種基于反卷積網絡和自適應推理網絡分割方法。該方法在SAR圖像的區域圖中采用反卷積網絡學習區域的特征，然后將不同區域學習到的特征輸入到自適應推理網絡中進行區域劃分。該方法的不足是只利用了圖像的像素信息，而沒能充分利用圖像中存在的方向結構信息，而缺乏基于圖像方向結構特征的推理，降低了合成孔徑雷達SAR圖像分割的精度。

西安電子科技大學在其申請的專利“基于脊波反卷積網絡和稀疏分類的SAR圖像分割方法”(專利號20150675676.5，公開號105374033A)中公開了一種基于脊波反卷積網絡和稀疏分類的SAR圖像分割方法。其中采用稀疏分類的方式計算區域之間結構特征的相似性。該方法的不足是在在計算區域相似性的過程中采用了無差別映射，并沒有考慮圖像中存在的方向結構信息，得到的區域相似性不夠準確。

劉芳，段一平，李玲玲，焦李成等在其發表的論文“基于層次視覺語義和自適應鄰域多項式隱模型的SAR圖像分割”(IEEE Trancactions on Geoscience and Remote Sensing，2016,54(7):4287-4301.)中提出了一種基于層次視覺語義和自適應鄰域多項式隱模型的SAR圖像分割方法，該方法在SAR圖像素描圖的基礎上，提出了SAR圖像的層次視覺語義。該層次視覺語義把SAR圖像劃分為聚集區域，結構區域和勻質區域。基于該劃分，對不同特性的區域采用了不同的分割方法。對于聚集區域，提取灰度共生矩陣特征，并采用局部線性約束編碼的方法得到每個聚集區域的表示，進而采用層次聚類的方法進行分割。對結構區域，通過分析邊模型和線模型，設計了視覺語義規則定位邊界和線目標。另外，邊界和線目標包含了強烈的方向信息，因此設計了基于幾何結構窗的多項式隱模型進行分割。對勻質區域，為了能找到恰當的鄰域去表示中心像素，設計了基于自適應窗口的多項式隱模型進行分割。這三個區域的分割結果被整合到一起得到最后的分割結果。該方法的不足之處是，對聚集區域的邊界定位不夠精確，對勻質區域類別數的確定不夠合理，分割結果的區域一致性較差，而結構區域的分割中未對獨立目標進行處理。

技術實現要素：

本發明的目的在于針對上述現有技術中存在的不足，提出一種基于反卷積網絡和素描圖方向約束的SAR圖像分割方法，以提高合成孔徑雷達SAR圖像的分割準確性。

實現本發明目的的具體步驟如下：

(1)SAR圖像素描化：

(1a)對輸入的合成孔徑雷達SAR圖像，根據SAR圖像的分布特點得到其素描模型；

(1b)利用SAR圖像素描模型，對輸入的合成孔徑雷達SAR圖像進行素描化處理，獲得輸入的合成孔徑雷達SAR圖像對應的素描圖；

(2)劃分像素子空間：

(2a)采用素描線區域化方法，對合成孔徑雷達SAR圖像的素描圖進行區域化處理，得到包括聚集區域、無素描線區域和結構區域的合成孔徑雷達SAR圖像的區域圖；

(2b)將包括聚集區域、無素描線區域和結構區域的區域圖，分別映射到合成孔徑雷達SAR圖像中，得到合成孔徑雷達SAR圖像的混合聚集結構地物像素子空間、勻質像素子空間和結構像素子空間；

(3)訓練反卷積網絡：

(3a)對混合聚集結構地物的像素子空間的各個不連通區域分別進行采樣，得到不連通區域的樣本；

(3b)使用反卷積網絡，對每個不連通區域的所有樣本進行無監督學習，得到每個不連通區域的濾波器集合；

(4)濾波器方向聚類：

(4a)利用初始素描模型，對混合聚集結構地物像素子空間中各個不連通區域的濾波器集合中的每個濾波器進行素描化處理，得到混合聚集結構地物像素子空間中各個不連通區域濾波器集合中每個濾波器的素描塊；

(4b)提取不連通區域中每個濾波器的素描塊的方向信息，將濾波器中素描線的方向信息設計為方向特征向量；

(4c)利用方向特征向量，采用異或邏輯比較的方法，對每個不連通區域的濾波器集合進行方向聚類，得到每個區域按方向聚類后的濾波器集合；

(4d)將每個不連通區域方向聚類后的濾波器集合拼接成一個集合，將該集合作為混合聚集結構地物像素子空間的碼本；

(5)分割混合聚集結構地物的像素子空間：

(5a)將混合聚集結構地物像素子空間中互每個不連通區域中的每個濾波器分別向碼本投影，進行基于方向約束的投影，屬于同一個方向的濾波器進行投影時，投影方案采用內積，不屬于同一方向的濾波器之間投影值為0，得到每個區域中的每個濾波器在基于方向投影后的方向特征向量；

(5b)對每個區域中所有濾波器投影后得到的所有方向特征向量進行最大池化Max Pooling操作，得到表征該區域的一個結構特征向量；

(5c)使用近鄰傳播Affinity Propagation聚類的方式，對所有不連通區域的結構特征向量進行聚類，得到SAR圖像混合聚集結構地物像素子空間的分割結果；

(6)分割結構像素子空間：

(6a)用視覺語義規則，分割線目標；

(6b)基于素描線的聚攏特征，分割獨立目標；

(6c)對線目標和獨立目標分割的結果進行合并，得到結構像素子空間的分割結果；

(7)分割勻質區域像素子空間：

采用基于多項式邏輯回歸先驗模型的勻質區域分割方法，對勻質區域像素子空間進行分割，得到勻質區域像素子空間的分割結果；

(8)合并分割結果：

將混合聚集結構像素子空間、勻質區域像素子空間和結構像素子空間的分割結果進行合并，得到合成孔徑雷達SAR圖像的最終分割結果。

本發明與現有技術相比具有以下優點：

第一，由于本發明采用基于素描圖方向約束的方法，對不連通區域結構特征的濾波器圖像集合進行分類學習，克服了現有技術沒能利用圖像方向結構特征進行推理導致學習特征不準確的缺點，使得本發明設計的方向特征能夠根據圖像中包含的方向結構特征，并且以此作為指導，學習到的特征更加準確。

第二，由于本發明采用方向約束的映射比較方法，計算兩個不連通區域之間的相似度值，克服了區域相似性不夠準確的缺點，使得本發明設計的映射比較方案充分利用了圖像的方向結構信息和像素信息，學習的相似性結果更為準確。

附圖說明

圖1是本發明的流程圖；

圖2為本發明的素描化仿真圖；

圖3是本發明中濾波器方向聚類結果圖；

圖4為本發明的SAR圖像分割結果仿真結果圖。

具體實施方式

下面結合附圖對本發明做進一步描述。

參照附圖1，本發明的具體步驟如下。

步驟1，素描化SAR圖像：

對輸入的合成孔徑雷達SAR圖像，根據SAR圖像的分布特點得到其素描模型。

按照以下步驟，利用SAR圖像素描模型，對輸入的合成孔徑雷達SAR圖像進行素描化處理，獲得輸入的合成孔徑雷達SAR圖像對應的素描圖：

第1步，構造具有不同方向和尺度的由像素點組成的邊、線的一個模板，利用模板的方向和尺度信息構造各向異性高斯函數，統計該模板中每一點的加權系數，其中尺度個數取值為3～5，方向個數取值為18。

第2步，按照下式，計算與模板區域位置相對應的合成孔徑雷達SAR圖像中像素的均值和方差值：

其中，μ表示與模板區域位置相對應的合成孔徑雷達SAR圖像中像素的均值，∑表示求和操作，g表示模板第Ω個區域中一個像素點的位置，∈表示屬于符號，w_g表示模板第Ω個區域中像素點在g位置處的權重系數，w_g的取值范圍為w_g∈[0,1]，A_g表示與模板第Ω個區域中像素點在g位置處對應的合成孔徑雷達SAR圖像中的像素值，v表示與模板區域位置相對應的合成孔徑雷達SAR圖像中像素的方差值。

第3步，按照下式，計算合成孔徑雷達SAR圖像中每個像素對比值算子的響應值：

其中，R表示合成孔徑雷達SAR圖像中每個像素對比值算子的響應值，min{·}表示求最小值操作，a和b分別表示模板中的兩個不同的區域，μ_a和μ_b分別表示與模板區域a和模板區域b位置對應的合成孔徑雷達SAR圖像中像素的均值。

第4步，按照下式，計算合成孔徑雷達SAR圖像中每個像素對相關性算子的響應值：

其中，C表示合成孔徑雷達SAR圖像中每個像素對相關性算子的響應值，a和b分別表示模板中兩個不同的區域，v_a和v_b分別表示與模板區域a和模板區域b位置對應的合成孔徑雷達SAR圖像中像素的方差值，u_a和u_b分別表示與模板區域a和模板區域b位置對應的合成孔徑雷達SAR圖像中像素的均值，表示平方根操作。

第5步，按照下式，融合合成孔徑雷達SAR圖像中像素對比值算子的響應值和合成孔徑雷達SAR圖像中像素對相關性算子的響應值，計算合成孔徑雷達SAR圖像中每個像素對各個模板的響應值：

其中，F表示合成孔徑雷達SAR圖像中每個像素對各個模板的響應值，R和C分別表示合成孔徑雷達SAR圖像中像素對比值算子和合成孔徑雷達SAR圖像中像素對相關性算子的響應值，表示平方根操作。

第6步，從各個模板的響應值中選擇具有最大響應值的模板，作為合成孔徑雷達SAR圖像中像素的模板，并將最大響應值作為該像素的強度，將具有最大響應值的模板的方向作為該像素的方向，獲得合成孔徑雷達SAR圖像的邊線響應圖和方向圖。

第7步，利用合成孔徑雷達SAR圖像中每個像素所選擇的具有最大響應值的模板，獲得合成孔徑雷達SAR圖像的梯度圖。

第8步，按照下式，融合邊線響應圖的響應值和梯度圖的值，計算得到強度值，由強度值的各個像素點組成合成孔徑雷達SAR圖像的強度圖：

其中，I表示強度值，x表示合成孔徑雷達SAR圖像邊線響應圖中的值，y表示合成孔徑雷達SAR圖像梯度圖中的值。

第9步，采用非極大值抑制方法，對強度圖進行檢測，得到建議草圖。

第10步，從建議草圖中選取具有最大強度的像素，將建議草圖中與該最大強度的像素連通的像素連接形成建議線段，得到建議素描圖。

第11步，按照下式，計算建議素描圖中素描線的編碼長度增益：

其中，CLG表示建議素描圖中素描線的編碼長度增益，m表示當前素描線鄰域中像素的個數，∑表示求和操作，t表示當前素描線鄰域中像素的編號，A_t表示當前素描線鄰域中第t個像素的觀測值，A_t,0表示在當前素描線不能表示結構信息的前提下，該素描線鄰域中第t個像素的估計值，ln(·)表示以e為底的對數操作，A_t,1表示在當前素描線能夠表示結構信息的前提下，該素描線鄰域中第t個像素的估計值。

第12步，設定閾值T，T的取值范圍為5～50，選擇CLG>T的建議素描線作為最終素描圖中的素描線，獲得輸入合成孔徑雷達SAR圖像對應的素描圖。

本發明使用的合成孔徑雷達SAR圖像素描模型是Jie-Wu等人于2014年發表在IEEE Transactions on Geoscience and Remote Sensing雜志上的文章《Local maximal homogenous region search for SAR speckle reduction with sketch-based geometrical kernel function》中所提出的模型。

步驟2，劃分像素子空間：

采用素描線區域化方法，對合成孔徑雷達SAR圖像的素描圖進行區域化處理，得到包括聚集區域、無素描線區域和結構區域的合成孔徑雷達SAR圖像的區域圖：

第1步，按照合成孔徑雷達SAR圖像的素描圖中素描線段的聚集度，將素描線劃分為表示聚集地物的聚集素描線和表示邊界、線目標、孤立目標的邊界素描線、線目標素描線、孤立目標素描線。

第2步，根據素描線段聚集度的直方圖統計，選取聚集度等于最優聚集度的素描線段作為種子線段集{E_k,k＝1,2,...,m}，其中，E_k表示種子線段集中的任一條素描線段，k表示種子線段集中任一條素描線段的標號，m表示種子線段的總條數，{·}表示集合操作。

第3步，以未被選取添加進種子線段集和的線段作為基點，以此基點遞歸求解線段集合。

第4步，構造一個半徑為最優聚集度區間上界的圓形基元，用該圓形基元對線段集合中的線段進行膨脹，對膨脹后的線段集合由外向內進行腐蝕，在素描圖上得到以素描點為單位的聚集區域。

第5步，對表示邊界、線目標以及孤立目標的素描線，以每個素描線的每個素描點為中心構造大小為5×5的幾何結構窗，得到結構區域。

第6步，將素描圖中除去聚集區域和結構區域以外的部分作為不可素描區域。

第7步，將素描圖中的聚集區域、結構區域和不可素描區域合并，得到包括聚集區域、勻質區域和結構區域的合成孔徑雷達SAR圖像的區域圖。

將包括聚集區域、無素描線區域和結構區域的區域圖，映射到輸入的合成孔徑雷達SAR圖像，得到合成孔徑雷達SAR圖像中的混合聚集結構地物像素子空間、勻質區域像素子空間和結構像素子空間。

步驟3，訓練反卷積網絡：

混合聚集結構地物的像素子空間的各個不連通區域分別進行采樣，得到不連通區域的樣本。

用反卷積網絡，對不連通區域的所有樣本進行無監督學習，得到不連通區域結構特征的濾波器集合：

第1步，利用大小為31×31像素采樣窗口，對混合聚集結構地物的像素子空間進行滑窗采樣，得到混合聚集結構地物的像素子空間中不同區域的樣本。

第2步，構造一個5層反卷積網絡，其中第1層為輸入層，第2層為反卷積層，包含9個7*7大小的濾波器和9個特征圖，第3層為反卷積層,包含45個7*7大小的濾波器和45個特征圖，第4層為反卷積層，包含100個7*7大小的濾波器和100個特征圖，第5層為反卷積層，包含300個7*7大小的濾波器和300個特征圖。

第3步，將混合聚集結構地物的像素子空間中不同區域的采樣樣本，輸入到反卷積網絡的輸入層。

第4步，固定反卷積網絡中特征圖和濾波器組的值，通過解決一個一維最優化問題，得到反卷積網絡中輔助變量的最優值。

第5步，固定反卷積網絡中輔助變量和濾波器組的值，通過解決一個線性系統最優化問題，得到反卷積網絡中特征圖的最優值。

第6步，固定反卷積網絡中特征圖和輔助變量的值，通過使用梯度下降法，得到反卷積網絡中濾波器組的最優值。

第7步，經過反卷積網絡的學習，得到不連通區域的濾波器。

步驟4，濾波器方向聚類：

利用初始素描模型，對混合聚集結構地物像素子空間中各個不連通區域的濾波器集合中的每個濾波器進行素描化處理，得到混合聚集結構地物像素子空間中各個不連通區域濾波器集合中每個濾波器的素描塊。

提取不連通區域中每個濾波器的素描塊的方向信息，將濾波器中素描線的方向信息設計為方向特征向量：

第1步，從不連通區域的每個濾波器素描塊中，提取濾波器素描塊中的素描線段。

第2步，將任意一個濾波器素描塊的左下角作為直角坐標原點，構建一個直角坐標系，該坐標系的Y軸方向向上，統計濾波器素描塊中所有素描線段的端點坐標值。

第3步，根據素描線段端點的坐標值，按照下式，計算每一個素描線段坐標值與坐標系X軸夾角值，將所計算的夾角值作為對應素描線段的方向：

其中，θ表示濾波器素描塊中素描線段與坐標系X軸夾角值，arctan表示反正切操作，(x₁,y₁)和(x₂,y₂)分別表示素描線段端點的坐標值。

第4步，初始化一個36維的方向特征向量，以5度為一個單位，劃分[0^°,180^°]的方向區間為36維的方向特征向量，將方向特征向量X＝(x₁,x₂,...,x_i,...,x₃₆)作為濾波器素描塊的方向特征；根據素描塊中素描線段的方向，得到方向特征向量X中的x_i值，x_i在集合{0、1}中取值，x_i＝1表示素描塊中第i個方向存在線段，x_i＝0表示素描塊中第i個方向不存在線段，得到濾波器素描塊的方向特征向量。

利用方向特征向量，采用異或邏輯比較的方法，對不連通區域的濾波器集合進行方向聚類，得到每個區域按方向聚類后的濾波器集合。

按照以下步驟，利用方向特征向量，采用異或邏輯比較的方法，對不連通區域的濾波器集合進行方向聚類，得到每個區域按方向聚類后的濾波器集合：

第1步，按照圍攏區域聚類，將素描塊中存在多條銳角和鈍角素描線的濾波器定義為具有圍攏趨勢的一類濾波器。

第2步，在非圍攏趨勢的濾波器中，表示兩個待比較的方向特征向量以及它們的方向相似性向量為：

D_a＝(a₁,a₂,...a_i,...a₃₆)^T

D_b＝(b₁,b₂,...b_i,...b₃₆)^T

SI_a,b＝(s₁,s₂,...s_i,...s₃₆)^T

其中,D_a和D_b分別表示每個不連通區域中兩個待比較的方向特征向量，a_i表示向量D_a中第i個元素的值，b_i表示向量D_b中第i個元素的值；SI_a,b表示待比較方向特征向量的方向相似性向量，初始化s_i＝0。

第3步，計算方向特征向量D_a、D_b的方向相似性向量SI_a,b，取D_a向量中每個a_i＝1的元素位置i，按照下式，計算濾波器素描塊a與濾波器素描塊b在i位置的方向相似性s_i：

s_i＝(a_i⊕b_i-1)∧(a_i⊕b_i)∧(a_i⊕b_i+1)

其中，s_i表示濾波器素描塊a與濾波器素描塊b在i位置的方向相似性值，s_i在集合{0、1}中取值，s_i＝0表示濾波器素描塊a與濾波器素描塊b在該方向上相同，s_i＝1表示濾波器素描塊a與濾波器素描塊b在該方向上不相同，a_i表示D_a向量中第i元素的值，b_i表示D_b向量中的第i個元素值，b_i-1表示b_i的左鄰元素值，b_i+1表示b_i的右鄰元素值。

第4步，按照下式，計算素描塊a和素描塊b的方向相似性值：

其中，S_a,b表示素描塊a、b的相似性值，SI_a,b表示方向特征向量D_a與方向特征向量D_b的方向相似性向量，||·||₀表示0范數操作。

第5步，將每個不連通區域中濾波器素描塊的方向相似值在閾值范圍內的作為同一類，不在閾值范圍內作為不同類，實現濾波器方向聚類，得到方向聚類結果。

第6步，按照上述步驟，迭代處理混合聚集結構地物像素子空間各個互不連通的區域，得到每個區域按方向聚類后的濾波器集合。

將每個不連通區域方向聚類后的濾波器集合拼接成一個集合，將該集合作為混合聚集結構地物像素子空間的碼本。

步驟5，分割混合聚集結構地物的像素子空間：

將混合聚集結構地物像素子空間中互不連通區域中的每個濾波器分別向碼本投影，進行基于方向約束的投影，屬于同一個方向的濾波器進行投影，不屬于同一方向的濾波器之間投影值為0，投影方案采用內積，得到每個區域中的每個濾波器在基于方向投影后的方向特征向量。

對每個區域中所有濾波器投影后得到的方向特征向量進行最大池化Max Pooling操作，得到表征該區域的一個特征向量。

使用近鄰傳播Affinity Propagation聚類的方式，對所有不連通區域的特征向量進行聚類，得到SAR圖像混合聚集結構地物像素子空間的分割結果。

步驟6，分割結構像素子空間。

用視覺語義規則，分割線目標。

設第i條素描線l_i與第j條素描線l_j之間的距離為D_ij，l_i的方向為O_i，l_j的方向為O_j，i,j∈[1,2,...,S]，S為素描線的總條數。

將寬度大于3個像素的線目標用兩條素描線l_i和l_j表示，l_i和l_j之間的距離D_ij小于T₁且方向差(O_i-O_j)小于10度，其中T₁＝5。

設第s條素描線l_s的幾何結構窗w_s內每一列的平均灰度為A_i，設相鄰列的灰度差為AD_i＝|A_i-A_i+1|，設z_s＝[z_s1,z_s2,...,z_s9]為相鄰列的灰度差AD_i的標記向量。

將寬度小于3個像素的線目標用單個素描線l_s表示，l_s的幾何結構窗w_s內，計算相鄰列的灰度差AD_i，如果AD_i>T₂，則z_si＝1。否則z_si＝0，z_s中有兩個元素的值為1，其余為0，其中T₂＝34。

設L₁,L₂是表示線目標的素描線的集合，如果D_ij<T₁并且|O_i-O_j|<10，則l_i,l_j∈L₁；如果sum(z_s)＝2，則l_s∈L₂，其中sum(·)表示對向量的所有分量求和的操作。

在結構像素子空間，根據線目標的素描線的集合L₁，將l_i和l_j之間的區域作為線目標。

在結構像素子空間，根據線目標的素描線的集合L₂，將覆蓋l_s的區域作為線目標。

按照以下步驟，基于素描線的聚攏特征，分割獨立目標：

第1步，在區域圖的結構區域中，將不表示線目標的所有素描線標記為候選素描線集合中的素描線；

第2步，從候選素描線集合中隨機選取一條素描線，以所選取的素描線的一個端點為中心，構造大小為5×5的一個幾何結構窗；

第3步，判斷幾何結構窗內是否存在其它素描線的端點，若存在，執行第4步；否則，執行第6步；

第4步，判斷是否只存在一個端點，若是，將該端點所在素描線和當前素描線進行連接；否則，執行第5步；

第5步，連接所選取素描線與各端點所在的素描線，從所有連接線中選取其中夾角最大的兩條素描線作為連接完成的素描線；

第6步，判斷素描線的另一個端點的幾何結構窗內是否存在其他素描線的端點，若存在，執行第4步；否則，執行第7步；

第7步，對完成連接操作的素描線，選取包含兩條及兩條以上素描線段的素描線，統計所選取素描線中包含素描線段的條數n，其中n≥2。

第8步，判斷素描線的條數n是否等于2，若是，則執行第9步；否則，執行第10步。

第9步，將素描線頂點的角度值在[10°,140°]的范圍內的素描線作為具有聚攏特征的素描線。

第10步，選出素描線對應的n-1個頂點的角度值都在[10°,140°]范圍內的素描線。

第11步，在所選出的素描線中，定義如下兩種情況：

第一種情況，判斷第i條素描線段相鄰兩條素描線段第i-1條、第i+1條是否在第i條素描線段所在直線的同一側，2≤i≤n-1，若素描線上的所有素描線段與相鄰線段都在同一側，則標記該素描線為具有聚攏特征的素描線；

第二種情況，判斷第i條素描線段相鄰兩條素描線段第i-1條、第i+1條是否在第i條素描線段所在直線的同一側，2≤i≤n-1，若素描線上有n-1條素描線段與相鄰線段在同一側，而有一條素描線段與其相鄰線段在非同一側，也標記該素描線為具有聚攏特征的素描線。

第12步，在具有聚攏特征的素描線中任選一條素描線，由所選取素描線的兩個端點坐標，確定兩個端點間的距離，若該端點距離在[0,20]范圍內，則將所選取素描線作為表示獨立目標的素描線。

第13步，判斷未處理的具有聚攏特征的素描線是否全部選完，若是，執行第12步；否則，執行第14步。

第14步，用超像素分割的方法，對合成孔徑雷達SAR圖像中表示獨立目標的素描線周圍的像素進行超像素分割，將分割后超像素的灰度值在[0,45]或[180,255]內的超像素作為獨立目標超像素。

第15步，合并獨立目標超像素，將合并后的獨立目標超像素的邊界作為獨立目標的邊界，得到獨立目標的分割結果。

對線目標和獨立目標分割的結果進行合并，得到結構像素子空間的分割結果。

步驟7，分割勻質區域像素子空間。

采用基于多項式邏輯回歸先驗模型的勻質區域分割方法，對勻質區域像素子空間進行分割，得到勻質區域像素子空間的分割結果：

第1步，從勻質區域像素子空間中任意選取一個像素點，以所選取的像素點為中心建立3×3的方形窗口，計算該窗口的標準差σ₁。

第2步，將方形窗口的邊長增加2，得到新的方形窗口，計算新方形窗口的標準差σ₂。

第3步，設標準差閾值T₃＝3，如果|σ₁-σ₂|<T₃，則將標準差為σ₂的方形窗口作為最終的方形窗口，執行第4步；否則，執行第2步。

第4步，按照下式，計算方形窗口內中心像素的先驗概率：

其中，p₁'表示方形窗口內中心像素的先驗概率，exp(·)表示指數函數操作，η'表示概率模型參數，η'取值為1，x_k′′表示方形窗口內屬于第k'類的像素個數，k'∈[1,...,K']，K'表示分割的類別數，K'取值為5，x_i'表示第3步得到的方形窗口內屬于第i'類的像素個數。

第5步，將像素灰度的概率密度與紋理的概率密度相乘，得到似然概率p'₂，其中，灰度的概率密度由衰落信道Nakagami分布得到，紋理的概率密度由t分布得到。

第6步，將先驗概率p₁'與似然概率p₂'相乘，得到后驗概率p₁₂'。

第7步，判斷勻質區域像素子空間中是否還有未處理的像素點，若有，執行第1步；否則，執行第8步。

第8步，根據最大后驗概率準則，得到勻質區域像素子空間的分割結果。

步驟8，合并分割結果：

將混合聚集結構像素子空間、勻質區域像素子空間和結構像素子空間的分割結果合并，得到合成孔徑雷達SAR圖像的最終分割結果。

下面結合仿真圖對本發明做進一步的描述。

1.仿真條件：

本發明仿真的硬件條件為：window7，CPU Pentium(R)4，基本頻率為3.0GHZ；軟件平臺為：MatlabR2014b；本發明仿真所使用的合成孔徑雷達SAR圖像為：Ku波段分辨率為1米的Piperiver圖。

2.仿真內容：

本發明的仿真實驗是對Piperiver圖進行分割，如圖2(a)所示的Piperiver圖是來源于Ku波段分辨率為1米的合成孔徑雷達SAR圖像，對圖2(a)進行素描化，得到如圖2(b)所示的素描圖。

采用本發明的SAR圖像素描化步驟，對圖2(a)所示的Piperiver圖素描化，得到如圖2(b)所示的素描圖。

采用本發明的劃分像素子空間步驟，對圖2(b)所示的素描圖區域化，得到如圖2(c)所示的區域圖。圖2(c)中的白色空間表示混合聚集結構語義空間，其他的為勻質結構語義空間和結構語義空間。將圖2(c)所示區域圖映射到圖2(a)所示原SAR圖像，得到如圖2(d)所示的SAR圖像混合聚集結構地物像素子空間圖。將圖2(c)所示區域圖中結構區域映射到圖2(b)所示素描圖，得到圖2(e)所示的結構區域對應的素描線。圖2(f)所示的結構區域對應的素描線中，黑色為代表線目標的素描線，圖2(g)所示的結構區域對應的素描線中，黑色為代表獨立目標的素描線。

采用本發明的方向聚類學習步驟，對混合聚集結構地物像素子空間區域1特征學習，得到如圖3(a)所示的表示區域1的濾波器集合；圖3(b)為圖3(a)中的濾波器素描化處理后的結果；對濾波器集合采用本方法進行方向聚類，得到的如圖3(c)所示的方向聚類結果，其中同一行的圖像為同一類濾波器。

采用本發明的基于素描線的聚攏特征，分割獨立目標步驟，對圖2(a)所示的Piperiver圖進行獨立目標的分割，得到圖4(b)所示的獨立目標的分割結果圖，其中黑色區域表示獨立目標。

采用本發明的基于素描線的聚攏特征分割獨立目標，合并圖4(a)所示的混合聚集結構地物像素子空間分割結果和勻質區域像素子空間分割結果和結構像素子空間分割結果，得到圖4(c)，圖4(c)是圖4(a)Piperiver圖像的最終分割結果圖，圖4(c)是基于層次視覺語義和自適應鄰域多項式隱模型的SAR圖像分割方法對Piperiver圖像的最終分割結果圖。

3.仿真效果分析：

圖4(c)是本發明方法對Piperiver圖像的最終分割結果圖，圖4(d)是基于層次視覺語義和自適應鄰域多項式隱模型的SAR圖像分割方法對Piperiver圖像的最終分割結果圖，通過分割結果圖的對比，本發明方法對于混合聚集結構地物像素子空間的邊界確定更精確，對于勻質區域像素子空間的分割，區域一致性明顯較好，類別數更加合理，并對結構像素子空間中的獨立目標進行了較好的分割處理。使用本發明方法對合成孔徑雷達SAR圖像進行分割，有效的將SAR圖像進行了分割，并提高了SAR圖像分割的準確性。