技術特征：

1.一種基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，包括如下步驟：

(1)素描化SAR圖像：

(1a)對輸入的合成孔徑雷達SAR圖像，依據SAR圖像的像素起伏分布特點，得到其素描模型；

(1b)從素描模型提取素描圖，得到合成孔徑雷達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，對合成孔徑雷達SAR圖像劃分像素子空間，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圖像中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；

(3)構建脊波濾波器集合：

(3a)從合成孔徑雷達SAR圖像的區域圖中提取混合聚集結構地物像素子空間對應的聚集區域，在[0°，180°]區間內以間隔為10°劃分為18個區間即18個方向，分別統計每個區間內該聚集區域中素描線段的線段條數；

(3b)對該聚集區域中所有的素描線段，按照各個間隔內的線段條數的多少進行排序，得到方向的排序序列，將方向的排序序列中前6個方向的度數分別作為脊波濾波器中的方向參數；

(3c)按照下式，依據參數a，θ和b計算9×9的脊波濾波器的脊波函數：

Y＝a×(y₁×cosθ+y₂×sinθ-b)

其中，Y表示脊波濾波器的脊波函數，a表示脊波濾波器的尺度參數，a的取值范圍為[0,3]，a的離散間隔為0.2，y₁表示脊波濾波器像素點的橫坐標位置，y₁的取值范圍為[0,8]，y₁的離散間隔為1，cos表示余弦操作，θ表示脊波濾波器的方向參數，y₂表示脊波濾波器像素點的縱坐標位置，y₂的取值范圍為[0,8]，y₂的離散間隔為1，sin表示正弦操作；b表示脊波濾波器的位移參數，當方向參數θ為[0°,90°)時，b在[0,9×(sinθ+cosθ)]區間內以間隔為0.2進行離散化，當方向參數θ為[90°,180°)時，b在[9×cosθ,9×sinθ]區間內以間隔為0.2進行離散化；

(3d)按照下式，計算每一個脊波波濾波器：

$c\left(Y\right)=K\×\left(\exp \right(\frac{-Y^2}{2})-\frac{1}{2}\exp \left(\frac{-Y^2}{8}\right))$

其中，c(Y)表示以脊波函數Y作為參數的脊波濾波器，K表示脊波濾波器frobenius范數的倒數，exp表示以自然常數e為底的指數操作；

(3e)將計算得到的每一個脊波濾波器組合成為脊波濾波器集合；

(4)構造反卷積結構模型：

(4a)對合成孔徑雷達SAR圖像中的混合聚集結構地物像素子空間的每個互不連通的區域，按31×31的窗口進行隔一滑窗采樣，得到每個區域對應的多個圖像塊，將多個圖像塊依次輸入到反卷積結構模型中，得到反卷積結構模型的輸入層；

(4b)利用特征圖和脊波濾波器進行卷積操作來重構輸入層中的圖像塊，得到反卷積結構模型的反卷積層；

(4c)按照下式，計算數據保真項：

$E\left(c\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}\left|\right|x_i-\frac{1}{M_i}\underset{j=1}{\overset{M_i}{\Σ}}{z}_i^j*c_i^j|{|}_F^2$

其中,E(c)表示數據保真項，c表示反卷積結構模型反卷積層中的脊波濾波器，N表示要學習的每個互不連通的區域包含的圖像塊的總個數，∑表示求和操作，||·||_F表示做frobenius范數操作，表示frobenius范數的平方操作，x_i表示待構造反卷積結構模型中第i個輸入圖像塊，M_i表示待構造反卷積結構模型中輸入的第i個圖像塊對應的脊波濾波器的總數，*表示卷積操作，表示待構造反卷積結構模型中第i個圖像塊對應的第j個特征圖，表示待構造反卷積結構模型中第i個圖像塊對應的第j個脊波濾波器；

(4d)按照下式，計算結構保真項：

$G\left(c\right)=\underset{i=1}{\overset{N}{\Σ}}\frac{R\left(SM\right(x_i-\frac{1}{M_i}\underset{j=1}{\overset{M_i}{\Σ}}{z}_i^j*c_i^j))}{R\left(SM\right(x_i))}$

其中，G(c)表示結構保真項，R(·)表示求素描圖中所有素描線總長度的操作，SM(·)表示提取與輸入圖像塊一一對應的素描圖塊的操作；

(4e)按照下式，計算目標函數：

$\underset{c}{\arg min}L\left(c\right)=E\left(c\right)$

其中，L(c)表示目標函數，表示在目標函數L(c)值最小時，求取脊波濾波器c的操作；

(4f)輸出由目標函數指導學習得到的脊波濾波器集合，得到反卷積結構模型的輸出層；

(5)訓練反卷積結構模型：

(5a)將結構誤差閾值設置為0.1；

(5b)將步驟(4a)采樣得到圖像塊依次輸入到反卷積結構模型中；

(5c)從脊波濾波器集合中，隨機選取六個濾波器，其方向參數由步驟(3b)中統計的6個方向得到，其位移參數和尺度參數隨機初始化，將這些初始六個濾波器組成的濾波器集合作為所選取的脊波濾波器集合；

(5d)用6個大小為39×39的零矩陣初始化6個大小為39×39的特征圖，將初始化后的6個大小為39×39的特征圖作為特征圖集合；

(5e)將特征圖集合和所選取的脊波濾波器集合進行卷積操作來重構輸入圖像塊；

(5f)利用步驟(4d)中的結構保真項公式，計算重構輸入圖像塊的結構保真項；

(5g)判斷當前重構輸入圖像塊的結構保真項是否小于結構誤差閾值，若是，則執行步驟(5j)，否則，執行步驟(5h)；

(5h)利用尺度參數更新公式和位移參數更新公式，分別更新步驟(4c)數據保真項公式中脊波濾波器的尺度參數和位移參數,得到更新后的脊波濾波器集合，利用特征圖更新公式，更新特征圖，得到更新后的特征圖集合；

(5i)將更新后的脊波濾波器集合作為所選取的脊波濾波器集合，將更新后的特征圖集合作為特征圖集合，返回步驟(5e)，對輸入圖像塊重新進行學習；

(5j)將學習得到的脊波濾波器保存至該重構輸入圖像塊學習好的脊波濾波器集合中，完成對該輸入圖像塊特征的學習，并輸出該輸入圖像塊學習好的脊波濾波器集合；

(5k)判斷所有圖像塊是否通過反卷積結構模型完成了特征的學習，若是，結束程序，否則，輸入下一個圖像塊并執行步驟(5c)；

(6)分割SAR圖像混合聚集結構地物像素子空間：

(6a)將所有互不連通的混合聚集結構地物像素子空間區域訓練的脊波濾波器集合拼接成碼本；

(6b)將互不連通的混合聚集結構地物像素子空間區域訓練的脊波濾波器集合中所有的脊波濾波器，向碼本進行投影，得到投影向量；

(6c)對每個互不連通的混合聚集結構地物像素子空間區域的投影向量進行最大池化，得到一個結構特征向量；

(6d)利用近鄰傳播AP聚類算法，對結構特征向量進行聚類，得到與結構特征向量相對應的混合聚集結構地物像素子空間的分割結果；

(7)分割結構像素子空間：

(7a)用視覺語義規則，分割線目標；

(7b)基于素描線的聚攏特征，分割獨立目標；

(7c)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。

(8)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。

(9)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。

2.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(1)所述素描化的具體步驟如下：

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：

$\mathrm{\μ}=\frac{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g{A}_g}{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g}$

$v=\frac{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g{(A_g-\mathrm{\μ})}^2}{\underset{g\∈\mathrm{\Ω}}{\Σ}{w}_g}$

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：

$R=1-min\left\{\frac{{\mathrm{\μ}}_a}{{\mathrm{\μ}}_b},\frac{{\mathrm{\μ}}_b}{{\mathrm{\μ}}_a}\right\}$

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：

$C=\sqrt{\frac{1}{1+2\·\frac{v_a^2+v_b^2}{{({\mathrm{\μ}}_a+{\mathrm{\μ}}_b)}^2}}}$

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，ν_a和ν_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，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，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：

$F=\sqrt{\frac{R^2+C^2}{2}}$

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：

$I=\frac{xy}{1-x-y+2xy}$

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：

$CLG=\underset{t}{\overset{m}{\Σ}}\[\frac{A_t^2}{A_{t,0}^2}+ln\left(A_{t,0}^2\right)-\frac{A_t^2}{A_{t,1}^2}-ln\left(A_{t,1}^2\right)\]$

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。

3.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(2)所述的素描線區域化方法的具體步驟如下：

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，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。

4.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(5h)中所述的脊波濾波器的尺度參數a的更新公式如下：

$a^t=a^{t-1}+\mathrm{\δ}\left(\underset{i=1}{\overset{N}{\Σ}}\right(x_i-\underset{j=1}{\overset{M_i}{\Σ}}{z}_i^j*c_i^j)*\underset{j=1}{\overset{M_i}{\Σ}}{z}_i^j)*K\left(\mathrm{\γ}\right)(\frac{Y}{8}{e}^{-Y^2/8}-{\mathrm{Ye}}^{-Y/2})(y_1\×cos\mathrm{\θ}+y_2\×sin\mathrm{\θ})$

其中a表示脊波濾波器的尺度參數，a^t為第t步求得的尺度，a^t-1為第t-1步求得的尺度，δ表示系數，取值范圍為[0,1]，∑表示相加，x_i為第i塊31×31的SAR圖像采樣塊，表示第i個圖像塊對應的第j個脊波濾波器，表示第i個圖像塊對應的第j個特征圖塊，γ＝(a,b,θ)，K(γ)表示脊波濾波器frobenius范數的倒數，e表示自然常數，Y表示脊波濾波器的脊波函數，y₁表示9×9的脊波濾波器像素點的橫坐標位置，y₂表示9×9的脊波濾波器像素點的縱坐標位置，θ表示脊波濾波器的方向參數。

5.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(5h)中所述的位移參數b的更新公式如下：

$b^t=b^{t-1}+\mathrm{\δ}\left(\underset{i=1}{\overset{N}{\Σ}}\right(x_i-\underset{j=1}{\overset{M_i}{\Σ}}{z}_i^j*c_i^j)*\underset{j=1}{\overset{M_i}{\Σ}}{z}_i^j)*K\left(\mathrm{\γ}\right)(\frac{Y}{8}{e}^{-Y^2/8}-{\mathrm{Ye}}^{-Y/2})*(-a^{t-1})$

其中b^t表示第t次迭代求得的脊波濾波器的位移參數，b^t-1為t-1次求得的位移參數，δ表示系數，取值范圍為[0,1]，∑表示相加，x_i為第i塊31×31的SAR圖像采樣塊，表示第i個圖像塊對應的第j個脊波濾波器，表示第i個圖像塊對應的第j個特征圖塊，γ＝(a,b,θ)，K(γ)表示脊波濾波器frobenius范數的倒數，e表示自然常數，Y表示脊波濾波器的脊波函數。

6.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(5h)中所述的特征圖更新公式如下：

$z_{i,t}^j=z_{i,t-1}^j+\mathrm{\δ}\left(\underset{i=1}{\overset{N}{\Σ}}\right(x_i-\underset{j=1}{\overset{M_i}{\Σ}}{z}_{i,t-1}^j*c_i^j)*\underset{j=1}{\overset{M_i}{\Σ}}{c}_i^j)$

其中表示第t次迭代求得的特征圖，為t-1次迭代求得的特征圖，δ表示步長，取值范圍為[0,1]，∑表示求和操作，x_i表示第i個輸入圖像塊，表示第i個圖像塊對應的第j個脊波濾波器，表示t-1次迭代中第i個圖像塊對應的第j個特征圖塊。

7.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(7a)中所述的視覺語義規則如下：

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。

8.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(7a)中所述的分割線目標的具體步驟如下：

第1步，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；

第2步，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。

9.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(7b)中所述的分割獨立目標的具體步驟如下：

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。

10.根據權利要求1所述的基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，其特征在于，步驟(8)中所述基于多項式邏輯回歸先驗模型的勻質區域分割方法的具體步驟如下：

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：

${p_1}^{\&prime;}=\frac{\exp \left({\mathrm{\&eta;}}^{\&prime;}\right(1+{x_{k^{\&prime;}}}^{\&prime;}))}{\underset{i=1}{\overset{K^{\&prime;}}{\&Sigma;}}\exp \left({\mathrm{\&eta;}}^{\&prime;}\right(1+{x_{i^{\&prime;}}}^{\&prime;}))}$

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。