本發明屬于圖像處理技術領域，更進一步涉及目標識別技術領域中的一種基于脊波反卷積網絡和稀疏分類的合成孔徑雷達(Synthetic Aperture Radar，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圖像分割是指根據灰度、紋理、結構、聚集性等特征將合成孔徑雷達SAR圖像劃分成若干個互不相交的區域，并使這些特征在同一區域內呈現出相似性，而在不同區域間呈現出明顯的差異性的過程。合成孔徑雷達SAR圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。合成孔徑雷達SAR圖像分割是圖像理解與解譯的基礎，分割質量的好壞直接影響后續的分析、識別等。通常，分割越準確，識別越成功。

現有的合成孔徑雷達SAR圖像分割方法主要分為基于特征的方法和基于統計模型的方法。基于特征的方法主要是提取一些合成孔徑雷達SAR圖像的特征進行分割，比如紋理特征、邊特征以及混合特征等。基于統計模型的方法將合成孔徑雷達SAR圖像分割問題用概率的方式表達，將圖像的特征描述為一些經驗的分布，例如Nakagami分布、Gamma分布、K分布、G分布等。

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，該方法根據合成孔徑雷達SAR圖像的素描模型提取出SAR圖像的素描圖，采用素描線區域化方法，得到SAR圖像的區域圖，并將區域圖映射到SAR圖像中，最終將合成孔徑SAR圖像劃分為聚集區域、勻質區域和結構區域。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，提取了灰度共生矩陣特征，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，對于聚集區域邊界定位不夠精確；對于勻質區域的分割結果區域一致性較差，且類別數不夠合理；而結構區域的分割結果中未對獨立目標進行處理。

林達，徐新，潘雪峰，張海濤在其發表的論文“一種新的MSTAR SAR圖像分割方法”(武漢大學學報，2014,3,9)中提出了一種新的MSTAR SAR圖像分割方法。該方法首先根據地物的散射機制進行屬性散射中心特征提取，構造屬性散射中心特征向量，然后使用馬爾科夫隨機場結合屬性散射中心特征對MSTAR SAR圖像進行空間鄰域關系描述，最后運用標號代價能量優化算法得到最終的分割結果。該方法存在的不足之處是，該方法對合成孔徑雷達SAR圖像進行分割所使用的特征是人工提取的，人工選取特征是一件非常費力、需要專業知識的方法，能不能選取到好的特征很大程度上靠經驗和運氣，因此人工選取的特征的好壞往往成為整個系統性能的瓶頸。

西安電子科技大學在其申請的專利“基于深度自編碼和區域圖的SAR圖像分割方法”(專利申請號201410751944.2，公開號CN104392456 A)中公開了一種基于深度自編碼和區域圖的SAR圖像分割方法。該方法根據合成孔徑雷達SAR圖像的素描圖得到劃分的區域圖，將區域圖映射到原圖得到聚集、勻質和結構區域；分別對聚集、勻質區域用不同的深度自編碼器訓練，得到聚集和勻質區域每個點的特征；分別對聚集和勻質區域構建字典，各點投影至相應字典并匯聚出各子區域的區域特征，分別對兩類區域的子區域特征進行聚類；對結構區域在素描線段指導下使用超像素合并進行分割；合并各區域分割結果完成SAR圖像分割。該方法存在的不足之處是，所用的自動提取圖像特征的深度自編碼器的輸入為一維向量，破壞了圖像的空間結構特征，因此，不能提取圖像的本質特征，降低了SAR圖像分割的精度。

西安電子科技大學在其申請的專利“基于反卷積網絡與映射推理網絡的SAR圖像分割方法”(專利申請號CN201510679181.X，公開號CN105389798A)中公開了一種反卷積網絡與映射推理網絡的SAR圖像分割方法。該方法根據合成孔徑雷達SAR圖像的素描圖得到劃分的區域圖，將區域圖映射到原圖得到聚集、勻質和結構區域；分別對聚集和勻質區域中各個互不連通的區域進行無監督訓練，得到表征各個互不連通區域結構特征的濾波器集合；分別對兩類區域的中互不連通區域間的結構特征進行比較推理，得到聚集和勻質區域的分割結果；對結構區域在素描線段指導下使用超像素合并進行分割；合并各區域分割結果完成SAR圖像分割。該方法存在的不足之處是，在對聚集區域中互不連通區域間的結構特征進行比較推理的時候，該方法采用的推理網絡是自組織特征映射SOM網絡，由于自組織映射SOM本身具有人為確定聚類數，聚類時間久的缺點，并且SOM在對SAR濾波器特征處理時，將具有明顯方向差異的濾波器特征聚類為一類，導致聚類準確性極大降低，極大地影響了SAR圖像分割的準確性。

技術實現要素：

本發明的目的在于克服上述已有技術的不足，提出一種基于特征學習和素描線段約束的(Synthetic Aperture Radar，SAR)圖像分割方法。以提高合成孔徑雷達SAR圖像分割的準確性。

為實現上述目的，本發明具體實現步驟包括如下：

(1)SAR圖像素描化：

(1a)建立合成孔徑雷達SAR圖像的素描模型；

(1b)從素描模型提取合成孔徑雷達SAR圖像的素描圖；

(2)劃分像素子空間：

(2a)采用素描線區域化方法，得到合成孔徑雷達SAR圖像的區域圖；

(2b)將區域圖映射到輸入的合成孔徑雷達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、勻質區域像素子空間、結構像素子空間；

(3)特征學習：

利用反卷積神經網絡，對混合聚集結構地物像素子空間的各個互不連通區域進行無監督訓練，得到表征SAR圖像混合聚集結構地物像素子空間中各個互不連通區域的濾波器集合；

(4)濾波器結構聚類：

(4a)利用初始素描線PrimalSketch稀疏表示模型，對混合聚集結構地物像素子空間中各個互不連通區域濾波器集合中的每個濾波器進行素描化，得到混合聚集結構地物像素子空間中各個互不連通區域濾波器集合中每個濾波器的素描塊；

(4b)提取各個互不連通區域中每個濾波器素描塊的結構信息，將濾波器方向信息、濾波器素描線段長度信息以及濾波器所屬方向區間信息等相關屬性設計為方向特征向量和線段特征向量；

(4c)利用方向特征向量和線段特征向量，對混合聚集結構地物像素子空間中每個區域的濾波器集合進行結構聚類，得到每個區域按方向聚類后的濾波器集合；

(4d)將每個區域結構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SAR圖像混合聚集結構地物像素子空間：

采用基于方向約束的碼本投影方法，將每一個區域的每個濾波器，按方向區間向碼本投影，得到該區域的一個結構特征向量，利用AP算法聚類，對SAR圖像混合聚集結構地物像素子空間進行分割，得到混合聚集結構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)獲得SAR圖像分割結果：

合并混合聚集結構像素子空間的分割結果，勻質區域像素子空間的分割結果，以及結構像素子空間的分割結果，得到最終合成孔徑雷達SAR圖像分割結果。

本發明與現有技術相比具有以下優點：

第一，由于本發明利用反卷積神經網絡，對混合聚集結構地物像素子空間各個區域進行無監督訓練，克服了現有技術自動提取圖像特征的深度自編碼器沒有關注圖像中像素間的空間關系的缺點，使得采用本發明可以自動提取圖像的本質特征，因此，獲得更好的區域分割一致性。

第二，由于本發明提取各個互不連通區域中每個濾波器素描塊的結構信息，將濾波器方向信息、濾波器素描線段長度信息以及濾波器所屬方向區間信息等相關屬性設計為方向特征向量和線段特征向量，克服了現有技術將單一能量特征作為唯一推理特征的缺點，使得采用本發明能抓住SAR圖像濾波器最重要的結構特征，提高了SAR圖像分割的準確性。

第三，由于本發明通過利用方向特征向量和線段特征向量，對混合聚集結構地物像素子空間中每個區域的濾波器集合進行結構聚類，克服了現有技術人為確定聚類數，聚類時間久的缺點以及將具有明顯方向差異的濾波器特征聚為一類，導致聚類準確性極大降低的缺點，使得采用本發明提高了濾波器聚類的準確率，進一步提高SAR圖像分割的準備性。

第四，由于本發明采用基于方向約束的碼本投影方法，克服了現有技術投影時間長的缺點，使得采用本發明提高了SAR圖像分割的時間效率。

附圖說明

圖1是本發明的流程圖；

圖2是本發明的仿真圖；

圖3是本發明推理實驗的仿真圖；

圖4是本發明仿真結果示意圖。

具體實施方式

下面結合附圖對本發明做進一步的描述。

參照附圖1，本發明的具體步驟如下。

步驟1，SAR圖像素描化。

輸入合成孔徑雷達SAR圖像，將其素描化，得到合成孔徑雷達SAR圖像的素描圖。

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，ν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。

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、線目標以及孤立目標的素描線；

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，將未被選取添加進某個種子線段集和的線段作為基點，以此基點遞歸求解新的線段集合；

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，分別映射到合成孔徑雷達SAR圖像上，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、結構像素子空間和勻質結構像素子空間。

步驟3，特征學習。

第1步，在混合聚集結構地物像素子空間中任意選取一個區域進行滑窗采樣；

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層為包含9個7×7大小的濾波器和9個特征圖的反卷積層，第3層為包含45個7×7大小的濾波器和45個特征圖的反卷積層，第4層為包含100個7×7大小的濾波器和100個特征圖的反卷積層，第5層為包含484個7×7大小的濾波器和484個特征圖的反卷積層；

第3步，對混合聚集結構地物像素子空間中所選取的區域進行采樣，將得到的采樣樣本輸入到反卷積網絡進行訓練；

第4步，將反卷積網絡中第5層中的484個濾波器，作為表征混合聚集結構地物像素子空間中所選取的區域的濾波器集合；

第5步，判斷混合聚集結構地物像素子空間中所有區域是否選取完，若是，結束采樣樣本的訓練；否則，執行第1步。

所述的訓練反卷積網絡的方法，參見Matthew D.Zeiler等人于2010年發表在會議Computer Vision and Pattern Recognition上的文章《Deconvolutional Networks》，這是一種無監督層次提取圖像特征的方法。

步驟4，濾波器結構聚類。

利用初始素描線PrimalSketch稀疏表示模型，對混合聚集結構地物像素子空間中各個區域濾波器集合中的每個濾波器進行素描化，得到混合聚集結構地物像素子空間中各個互不連通區域濾波器集合中每個濾波器的素描塊。

提取各個互不連通區域中每個濾波器素描塊的結構信息，統計得到含有濾波器方向信息、濾波器素描線段長度信息以及濾波器所屬方向區間信息的方向統計向量和線段統計向量。

第1步，將任意一個濾波器素描塊左上角作為直角坐標系的原點，構建一個直角坐標系，該坐標系的Y軸方向向下，統計濾波器素描塊中所有素描線段在坐標系中的坐標值；

第2步，按照下式，計算每一個素描線段與坐標系X軸夾角值，將所計算的夾角值作為該夾角值所對應的素描線段的方向：

其中，θ_t表示第t個素描線段與坐標系X軸的夾角值，arctan表示反正切操作，x₁，y₁分別表示第t個素描線段的一個端點坐標，x₂，y₂分別表示第t個素描線段的另一端點的坐標；

第3步，初始化一個19維方向特征向量D，該向量以10°為單位，將[0°,180°]劃分為18個方向區間，該向量前18維的每個下標對應相應的方向區間，如第一個下標的含義表示[0°,10°]的方向區間，每一維的分量表示相應方向區間的素描線段的個數，第19維表示一個判斷分量；將所有素描線段按照對應方向區間放入該19維特征向量，得到濾波器的方向特征向量D；

第4步，統計濾波器素描塊每個素描線段的素描點，初始化一個3維的線段特征向量L，該向量第1維表示該素描塊所有素描線段的個數l，第2維表示該素描塊中所有素描線段中最長的素描線段d，第3維表示該素描塊素描線段的平均長度m，得到一個3維的濾波器線段特征向量L，其中L＝(l,d,m)。

利用方向特征向量和線段特征向量，對混合聚集結構地物像素子空間中每個區域的濾波器集合進行結構聚類，得到每個區域按方向聚類后的濾波器集合。

第1步，按照單方向聚類：若線段特征向量L中的素描線段個數為1，則表示該濾波器素描塊只有一個方向，方向特征向量D中只有某一分量的值不為0，其他分量的值都為0，不為0分量對應的下標就是該濾波器素描塊所對應的原濾波器的方向類類別號；

第2步，按照多方向聚類：若線段特征向量L中的素描線段個數為2，則表示該濾波器素描塊只有兩個不同方向，從方向特征向量D找出線段特征向量L的分量d，其中分量d的下標號，表示該濾波器素描塊的方向類類別號；

第3步，按照圍攏趨勢聚類：若線段特征向量L中的素描線段個數大于2，則表示該濾波器素描塊有多個方向，統計濾波器素描塊所在區域r中所有素描塊素描線段長度信息，按照下式計算，得到區域r的具有統計意義用來判斷圍攏趨勢的閾值：

TH^r＝m^r+λ^r×(d^r-m^r)

其中，TH^r表示區域r具有統計意義的用來判斷圍攏趨勢的閾值，λ^r表示區域r的可調參數，m^r表示區域r中所有素描塊素描線段的平均值，d^r表示區域r所有素描塊素描線段的最大值；

若該濾波器素描塊的線段特征向量中最長素描線段長度大于閾值TH^r，則執行第2步，將該素描塊按照多方向處理；若該濾波器素描塊的線段特征向量中最長素描線段長度小于閾值TH^r，則該濾波器為圍攏趨勢，該濾波器方向特征向量D的判別分量的下標為其方向類類別號；

第4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。

將每個區域結構聚類后的濾波器集合拼接成一個更大的集合，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SAR圖像混合聚集結構地物像素子空間。

第1步，將每個區域結構聚類后的濾波器集合拼接成的集合作為混合聚集結構地物像素子空間的碼本；

第2步，將混合聚集結構像素子空間中各個互不連通區域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，得到每個區域中每一個濾波器按方向投影后的特征向量；

第3步，對每個區域所有濾波器投影后的特征向量進行最大池化，得到最終表征該區域的一個結構特征向量；

第4步，利用AP算法，對混合聚集結構地物像素子空間中各個互不連通區域進行聚類，得到SAR圖像混合聚集結構地物像素子空間各個互不連通區域的分割結果。

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(·)表示參量元素的和。

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。

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。

將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。

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，p′₁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9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，最終SAR圖像分割結果。

合并步驟(5)得到的混合聚集結構像素子空間的分割結果，步驟(6)得到的結構像素子空間的分割結果，以及步驟(7)得到的勻質區域像素子空間的分割結果，得到最終合成孔徑雷達SAR圖像分割結果。

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：智能所圖形工作站；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SAR圖像中的Piperiver圖進行分割，如圖2(a)所示的Piperiver圖。該圖來源于Ku波段分辨率為1米的合成孔徑雷達SAR圖像。

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)中的白色空間表示聚集區域，其他的為無素描線區域和結構區域。將圖2(c)所示區域圖映射到圖2(a)所示Piperiver圖，得到如圖2(d)所示的Piperiver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。

采用本發明的特征學習步驟，對圖2(d)所示的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)所示的表征區域1濾波器集合；采用本發明的濾波器結構聚類，對圖3(a)所示的濾波器集合進行初始素描化，得到如圖3(b)所示的區域1的所有濾波器的素描塊；，對比圖3(c)和圖3(d)，本發明的方法明顯較好，其中圖3(c)是本發明的方法，圖3(d)是基于反卷積網絡和映射推理的SAR圖像分割中的方法。

采用本發明的分割SAR圖像混合聚集結構地物像素子空間步驟，對圖2(d)所示的Piperiver圖的混合聚集結構地物像素子空間圖進行分割，得到圖4(a)所示的混合聚集結構地物像素子空間分割結果圖，其中灰色區域表示未處理的地物空間，其余相同顏色的區域表示同一種地物，不同顏色的區域表示不同的地物空間。

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。

采用本發明的合并分割結果步驟，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2(a)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，通過對比分割結果圖，可得出結論，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加精確，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，且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。