[發明專利]基于脊波濾波器和反卷積結構模型的SAR圖像分割方法

有效

• 申請號: 201611269937.4
• 申請日: 2016-12-30
• 公開（公告）號: CN106611423B
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 劉芳;李婷婷;王亞明;焦李成;郝紅俠;陳璞華;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了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，主要解決現有技術分割SAR圖像不準確的問題。其實現步驟是：(1)SAR圖像素描化，得到素描圖；(2)根據SAR圖像的區域圖，劃分SAR圖像的像素子空間；(3)構建脊波濾波器集合；(4)構造反卷積結構模型；(5)采用基于脊波濾波器和反卷積結構模型的SAR圖像分割方法，分割混合聚集結構地物像素子空間；(6)基于素描線聚攏特征的獨立目標分割；(7)基于視覺語義規則的線目標分割；(8)采用基于多項式邏輯回歸先驗模型對勻質區域像素子空間進行分割；(9)合并分割結果，得到SAR圖像分割結果。本發明獲得了SAR圖像的良好分割效果，可用于SAR圖像的語義分割。

技術領域

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濾波器和反卷積結構模型的合成孔徑雷達SAR(Synthetic Aperture Radar)圖像分割方法。本發明能夠對合成孔徑雷達SAR圖像具有不同特征的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，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。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SAR圖像進行解譯是目前面臨的一個巨大挑戰，而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主要分為基于特征的方法和基于統計模型的方法。由于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。SAR圖像的傳統分割方法主要是有監督和半監督的方法。它們往往需要靠人工經驗進行特征提取，然而提取的特征的好壞對于SAR圖像的分割結果有著關鍵作用。對于有監督和半監督的方法，需要有標簽數據，SAR圖像的標簽數據很少，獲取標簽數據的成本很高。機器學習作為無監督特征學習的關鍵技術，可以用于SAR圖像分割任務。然而，傳統的深度學習方法往往只能到達特征層面，沒有更好的挖掘SAR圖像在語義層次上的信息，導致其無法有效完成對SAR圖像的分割。

華北電力大學在其申請的專利“一種基于深度卷積神經網絡的特定目標輪廓圖像分割方法”(專利申請號CN201610109536.6，公開號CN105787482A)中公布了一種基于深度卷積神經網絡的特定目標輪廓的圖像分割方法。該方法將訓練圖像歸一化到相同像素大小，將得到的訓練圖像輸入到一個卷積神經網絡中，經過數層卷積層與全連接層，在全連接層的最后一層得到圖像表達，并與對應的標注圖像進行比較得到預測誤差。采用反向傳播算法和隨機梯度下降法來減小預測誤差以訓練該神經網絡，得到特定目標輪廓圖像分割的訓練模型。這個方法雖然達到了自主學習圖像特征的目的，但是，該方法仍然存在的不足之處是，此方法為了處理上的方便，將輸入圖像進行了歸一化處理，這樣便破壞了圖像的原始結構信息。同時，此方法還對圖像進行了標注，分為訓練樣本以及測試樣本，以達到訓練卷積網絡的目的。這樣有監督的處理方式便增加了分割方法的復雜性。

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”(專利申請號CN201510675676.5，公開號CN105374033A)中公布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。該方法對SAR圖像的聚集區域和勻質區域分別訓練脊波反卷積網絡RDN，得到脊波反卷積網絡中濾波器組的最優值，并采用稀疏分類的方法完成SAR圖像的分割。此方法雖然達到了無監督的學習圖像特征，但是，該方法仍然存在的不足之處是，在初始化濾波器時，采用的隨機初始化脊波濾波器的方法，而忽略了圖像的結構信息，這樣便極大的降低了圖像分割的準確性。