CN104463882A - 基于形状补全区域图和特征编码的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于形状补全区域图和特征编码的SAR图像分割方法，解决了SAR图像区域的封闭性提取的技术问题。本发明首先使用SAR图像初始素描模型获取素描图；用基于形状的素描线补全的区域图提取方法获取区域图；将区域图映射到原SAR图像空间，得到聚集区域、匀质区域和结构区域；聚集区域特征学习及层次聚类；匀质区域特征学习及层次聚类；结构区域分割；将聚集区域、匀质区域与结构区域的结果合并，标记线目标，得到最终的SAR图像分割结果。本发明能够获得到封闭性、同质性更好的匀质区域提取，对区域所使用的特征学习与聚类方法也能很好的实现聚集区域和匀质区域的进一步聚类，可用于SAR图像的分割。

Description

基于形状补全区域图和特征编码的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，涉及SAR图像的区域提取方法，具体是一种基于形状补全区域图和特征编码的SAR图像分割方法，可用于SAR图像的分割。

背景技术

SAR图像分割是SAR图像处理与解译中的关键环节之一。在SAR图像的成像过程中，由于地物的高低以及成像角度的不同，导致地物聚集区域在SAR图像中呈现出明暗交错变化的特性。《Local maximal homogenous region search for SARspeckle reduction with sketch-based geometrical kernel function》提出的SAR图像的素描图是SAR图像的一种稀疏表示，它以素描线的形式刻画了SAR图像中的灰度变化信息。《基于Primal素描图和语义信息分类的SAR图像分割》提出的基于语义信息的素描线分类方法将SAR图像初始素描图中的素描线分为表示聚集的素描线和表示边界、线目标与孤立目标的素描线两类。进而，上述文献又使用基于区域生长的线段集合求解方法和基于形态学的区域提取方法提取到了完整的聚集区域，从而克服了现有的SAR图像分割方法无法完整的分割聚集区域的缺陷。

不过，由于SAR图像成像过程中相干斑的影响，单一阈值的素描图还是无法准确完整的表示边界，其在阈值较大的情况下只会在强边缘的地方有响应，在阈值较低的情况下则会出现很多的伪边缘。因此已有的区域提取方法无法很好的提取到闭合的匀质区域。

特征学习常用于自然图像的分类，现有的一些特征学习框架如词袋模型和深度学习模型都可以很好的学习出各个类别的模式，从而用于分类。目前也存在一些现有的工作将特征学习用于SAR图像的分割中，它们主要是对过分割的小区域进行特征提取与学习。但是过分割的小区域只包含完整地物的某一局部信息，最终也就无法很好的把同一类的区域分到一起。

发明内容

本发明提出了一种新的基于形状的素描线补全的区域图提取方法用于SAR图像的分割，很好的解决了上述已有方法在区域提取方面遇到的匀质区域不闭合的问题。然后，对于提取到的各个区域，使用特征学习的方法得到各个区域的表示，并使用层次聚类的方法得到各个区域的类别指定。

本发明是一种基于形状补全区域图和特征编码的SAR图像分割方法，其特征在于，包括有如下步骤：

步骤1.输入待分割的SAR图像，利用SAR图像的初始素描模型得到输入图像的素描图。

步骤2.采用基于形状的素描线补全的区域图提取方法得到输入图像的区域图。

步骤3.根据得到的区域图将待分割的SAR图像映射为聚集区域、匀质区域和结构区域，其中聚集区域和匀质区域都包含多个区域。

步骤4.使用基于LLC编码的词袋模型对属于聚集区域的各个区域进行特征学习，并在此基础上进行层次聚类得到聚集区域的聚类结果。

步骤5.同样，使用基于LLC编码的词袋模型对属于匀质区域的各个区域进行特征学习，并在此基础上进行层次聚类得到匀质区域的聚类结果。

步骤6.对于结构区域，使用基于MRF的分割方法得到结构区域中边界、线目标以及孤立目标所在的位置，同时根据空间上的一致连通性得到若干个小区域，即将结构区域划分成若干个小区域，从而得到结构区域的分割结果。

步骤7.使用基于空间近邻和灰度均值的策略合并聚集区域、匀质区域和结构区域的结果，首先，将属于结构区域中的小区域的类标标记为空间上相邻的已聚类区域的类标，然后，将结构区域中剩下的既不与聚集区域相邻又不与匀质区域相邻的小区域的类标标记为灰度均值最相近的已聚类区域的类标。

步骤8.根据素描图中的素描线信息标记线目标，从而得到最终的SAR图像分割结果。

本发明的实现还在于：其中步骤2所提出的基于形状的素描线补全的区域图提取方法，包括有如下步骤：

2.1.对素描图中的素描线进行聚集度分析，如果存在聚集的素描线，进行步骤2.2；如果不存在聚集的素描线，则跳至步骤2.4。

2.2.分别标记聚集的素描线和代表边界、线目标以及独立目标的素描线。

2.3.利用聚集区域提取方法在素描图上得到覆盖所有聚集素描线的区域，并标注该区域。

2.4.对于代表边界、线目标以及独立目标的素描线，提出基于形状的素描线补全方法得到素描线补全结果及划分的区域，并标注该区域。

2.5.对于补全后的素描线，以每条线上每个点为中心提取5×5的几何结构窗作为结构区域，并标记该区域。

2.6.综合上述区域提取结果，得到了整幅图像的区域图。

本发明的实现还在于：其中步骤2.4所提出的基于形状的素描线补全方法，包括有如下步骤：

2.4.1.对素描图中除聚集区域以外的每条素描线，进行如下过程，对当前素描线的一个端点P1，首先在其5*5的方形邻域内查找是否有其它素描线的端点，若有，从中选择最长素描线的端点，并使用线段将P1与最长素描线的端点进行连接，然后对新连接的这个最长素描线的另一个端点，继续执行这个过程，直到端点5*5方形邻域内没有新的素描线端点为止；对于当前素描线的另一个端点P2，重复和P1一样的过程；

2.4.2对经过步骤2.4.1连接后的素描线按照长度进行排序，然后按照长度从大到小的顺序判断素描线是否是L形状或U形状的素描线，这里判断L形状或U形状的素描线的方法是从一个端点P1到另一个端点P2遍历组成素描线的线段，并记录相邻线段的方向差值的绝对值，如果方向差值的绝对值超过阈值a的次数发生一次，该素描线就是L形状的素描线；如果方向差值的绝对值超过阈值a的次数发生两次，该素描线就是U形状的素描线；然后对L形状或U形状的素描线，执行步骤2.4.3；

2.4.3.判断当前L形状或U形状素描线的端点P1在低阈值素描图中相应位置的自适应窗口邻域内是否有其它素描线的端点，如果有，按照如下策略选择一个端点T1，即T1所在素描线的另一个端点T2与当前素描线的另一个端点P2的距离最近且用线段连接后只会形成一个封闭区域，然后对选择的素描线的端点T2，继续该过程，直至端点自适应窗口邻域范围内没有新的素描线端点为止；对于当前素描线的端点P2，重复和端点P1一样的过程。

综上所述，本发明首先利用SAR图像的初始素描图得到输入图像的素描图；其次，利用基于形状的素描线补全的区域图提取方法得到区域图；然后，将得到的区域图映射到原SAR图像空间得到聚集区域、匀质区域和结构区域；紧接着，对聚集区域和匀质区域分别进行特征学习和层次聚类得到区域的聚类结果；对结构区域进行则使用基于MRF的分割方法得到结构区域的分割结果；最终，合并聚集区域、匀质区域和结构区域的结果，得到整个SAR图像分割结果。

本发明与现有技术相比，具有如下优点：

1.能够对素描图中的素描线进行进一步的补全，形成了更长且有助于形成封闭区域的素描线，从而提取到封闭性、同质性更好的匀质区域。

素描图是SAR图像的一种稀疏表示，其中的素描线刻画了SAR图像中的明暗变化的信息。通过对素描线的聚集性分析，可以把素描图中的素描线分为两类，第一类是聚集的素描线，第二类是表示边界、线目标与孤立目标的素描线。由于相干斑等SAR图像本身特性的影响，素描图中的第二类素描线往往会出现断裂等现象。而本发明充分利用农田等地物区域的形状先验信息和多阈值素描图间的素描线信息，利用贪婪的思想迭代的连接素描线，从而对第二类素描线进行了补全操作，实现了对匀质区域的划分。

2.通过对属于聚集区域和匀质区域的各个区域分别进行特征学习和层次聚类，实现了聚集区域和匀质区域的进一步细分，获取了各个地物区域的类别信息。

本发明在获取区域图之后，将之映射到SAR图像中得到了聚集区域、匀质区域和结构区域。其中聚集区域和匀质区域都包含有多块区域，通过基于LLC编码的词袋模型分别对属于聚集区域和匀质区域的各个区域进行特征学习，并在此基础上进行层次聚类，从而实现了对聚集区域和匀质区域的进一步细分，获取了各个地物区域的类别信息。

附图说明

图1是本发明的功能模块逻辑关系示意图；

图2是本发明中基于形状的素描线补全的区域图提取方法的流程图；

图3是本发明中基于形状的素描线补全方法的流程图；

图4是本发明中对PIPERIVER提取得到的素描图结果图；

图5是本发明中使用素描线聚集度分析得到的素描线分类结果图；

图6是本发明中经过素描线连接之后的结果图；

图7是本发明中L形素描线判定及连接方法找到其中两个L形素描线及其连接结果图；

图8是本发明中基于形状的素描线补全方法的结果图；

图9是本发明中基于形状的素描线补全的区域图提取方法提取得到的区域图；

图10是本发明中聚集区域的区域聚类结果图；

图11是本发明中匀质区域的区域聚类结果图；

图12是本发明中结构区域的分割结果图；

图13是本发明的SAR图像分割最终的结果图。

具体实施方式

下面结合实施例和附图对本发明作进一步说明。

实施例1

参照图1，本发明的实施步骤如下：

步骤1.对于输入的SAR图像，仿真实验中使用的piperiver图像，如图6所示，利用SAR图像的初始素描图提取得到其素描图。提取的步骤如下：

首先，对原始SAR图像使用一组图像基元字典构成的滤波器进行滤波，融合滤波结果并进行非极大值抑制得到一个未处理的素描图；然后对未处理的素描图进行一种贪心追踪方法顺序添加新的图像基元形成线段轮廓从而得到未修复的素描图；最后，在未修复的素描图的基础上依据格式塔聚集原理加入空间约束，并且使用一组图形学中的操作算子对未修复的素描图中的素描线进行修复和修正，最终得到图像结构部分的稀疏表示结果，即输入图像的素描图。

步骤2.在素描图的基础上使用基于形状的素描线补全的区域图提取方法得到待分割的整幅SAR图像的区域图。参照图2，区域图提取的具体步骤为：

(2.1)对初始素描图中的素描线进行聚集度分析。如果存在聚集的素描线，进行步骤(2.2)；如果不存在聚集的素描线，则跳至步骤(2.4)。

(2.2)分别标记素描图中的聚集素描线和代表边界、线目标以及独立目标的素描线。

(2.3)利用聚集区域提取方法在素描图上得到覆盖所有聚集素描线的区域，并标注该区域为聚集区域。

(2.4)对于代表边界、线目标以及独立目标的素描线，使用基于形状的素描线补全方法得到划分的区域，并标注该区域为无线段区域。

(2.5)对于补全后的素描线，以每条线上每个点为中心提取5×5的几何结构窗作为结构区域，并标记该区域。

(2.6)综合上述区域提取结果，得到了基于素描线补全的整幅图像的区域图。

步骤3.根据得到的区域图将待分割的SAR图像映射为聚集区域、匀质区域和结构区域，其中聚集区域和匀质区域都包含多个区域，该实施例中聚集区域提取了8块，匀质区域提取了15块。

步骤4.使用基于局域线性约束稀疏编码(LLC)的词袋模型对属于聚集区域中像素个数大于200的区域进行特征学习，得到这些区域的表示。然后使用层次聚类分别对这些区域进行聚类。然后对于像素个数小于等于200的小区域，根据灰度均值和方差将这些小区域的类标指定为与其最相似的已聚类的聚集区域的类标。上述过程中特征学习的具体步骤为：

首先对区域内的所有样本点，提取12维GLCM特征，包括4个方向的3种二阶统计特性(对比度、能量和同质性)；然后使用kmeans对所有聚集区域(或无素描线区域)内的所有样本点的GLCM特征进行聚类得到256维的字典；然后将每个样本点的GLCM特征在该字典下进行LLC编码，从而将一个12维的特征向量转化为一个256维的向量；最后对每个区域分别在区域范围内进行样本点特征的mean-pooling操作，从而得到每个区域的特征表示。

步骤5.以相同的方式使用基于局域线性约束稀疏编码(LLC)的词袋模型对属于匀质区域的像素数大于200的区域进行特征学习和层次聚类。然后对于像素数小于等于200的匀质区域，根据灰度均值将这些小区域的类标指定为与其最相似的已聚类的匀质区域的类标。

本发明通过对属于聚集区域和匀质区域的各个区域分别进行特征学习和层次聚类，实现了聚集区域和匀质区域的进一步细分，获取了各个地物区域的类别信息。

步骤6.对于结构区域，使用基于MRF的分割方法得到结构区域中边界、线目标以及孤立目标所在的位置，同时根据空间上的一直连通性得到了若干个区域，本实施例中将结构区域划分了863个小区域，从而得到结构区域的分割结果。

步骤7.合并聚集区域、匀质区域和结构区域的结果。具体是使用已聚类的聚集区域和匀质区域的类标对结构区域中的小区域进行标记，首先，将属于结构区域中的小区域的类标标记为空间上相邻的已聚类区域的类标，然后，将结构区域中剩下的既不与聚集区域相邻又不与匀质区域相邻的小区域的类标标记为灰度均值最相近的已聚类区域的类标。

步骤8.根据素描图中的素描线信息标记线目标，从而得到最终完整的SAR图像分割结果。

本发明中的区域图提取方法不仅可以提取到完整的聚集区域，还可以得到同质性更好的匀质区域；对聚集区域和匀质区域中的各个区域分别进行特征学习与层次聚类操作还可以进一步得到聚集区域和匀质区域的类别信息，最终得到的SAR图像分割结果也更准确。

实施例2

基于形状补全区域图和特征编码的SAR图像分割方法，同实施例1，其中，基于形状的素描线补全方法的具体步骤参照图3可表述为：

2.4.1.对素描图中除聚集区域以外的每条素描线，进行如下过程，对当前素描线的一个端点P1，首先在其5*5的方形邻域内查找是否有其它素描线的端点，若有，从中选择最长素描线的端点，并使用线段将P1与最长素描线的端点进行连接，然后对新连接的这个最长素描线的另一个端点，继续执行这个过程，直到端点5*5方形邻域内没有新的素描线端点为止。当5*5方形邻域内没有新的素描线端点时，对于当前素描线的另一个端点P2，重复和P1一样的过程。

2.4.2对经过步骤2.4.1连接后的素描线按照长度进行排序，然后按照长度从大到小的顺序判断素描线是否是L形状或U形状的素描线，这里判断L形状或U形状的素描线的方法是从一个端点即P1到另一个端点即P2遍历组成素描线的线段，并记录相邻线段的方向差值的绝对值，如果方向差值的绝对值超过阈值a的次数发生一次，该素描线就是L形状的素描线；如果方向差值的绝对值超过阈值a的次数发生两次，该素描线就是U形状的素描线；然后对L形状或U形状的素描线，执行步骤2.4.3。

2.4.3.判断当前L形状或U形状素描线的端点P1在低阈值素描图中相应位置的自适应窗口邻域内是否有其它素描线的端点，如果有，按照如下策略选择一个端点T1，即T1所在素描线的另一个端点T2与当前素描线的另一个端点P2的距离最近且用线段连接后只会形成一个封闭区域，然后对选择的素描线的端点T2，继续该过程，直至端点自适应窗口邻域范围内没有新的素描线端点为止；对于当前素描线的端点P2，重复和端点P1一样的过程。

本发明中的基于形状的素描线补全方法利用贪心的思想向外连接素描线，可以有效的连接断开的素描线并形成封闭区域，从而实现了对匀质区域的划分。

实施例3

基于形状补全区域图和特征编码的SAR图像分割方法，同实施例1-2，其中步骤7的合并策略具体为：

(7.1)对于结构区域中的各个小区域，首先根据空间近邻关系，如果与某一聚集区域相邻且像素数小于200，则将其归置到相应的聚集区域中；如果与某一匀质区域相邻且灰度均值相差不超过25，则将其归置到相应的匀质区域中。

(7.2)对剩下未标记的小区域，如果像素数大于36，根据灰度均值将该区域的类标指定为最相似的已标记区域的类标；如果像素数小于等于36，直接将其归置到空间最近的区域中。

实施例4

基于形状补全区域图和特征编码的SAR图像分割方法，同实施例1-3，其中步骤8中标记线目标的具体步骤为：

(8.1)考察素描图中的素描线，挑选出长度大于30且有平行关系的素描线，将之标定为表示线目标的素描线。

(8.2)考察长度大于30的素描线在原SAR图像中5×5邻域内的灰度变化趋势，若灰度出现两次突变，也将此处的素描线标定为表示线目标的素描线，这样，就可以在上述表示线目标的素描线所覆盖的原SAR图像的空间位置处标记为线目标。

实施例6

基于形状补全区域图和特征编码的SAR图像分割方法，同实施例1-5，为了更好的理解本发明，更简练的讲，还可以这样描述，实现本发明的技术方案是：首先，利用SAR图像的初始素描模型得到输入图像的素描图；其次，利用基于形状的素描线补全的区域图提取方法得到区域图；然后，将得到的区域图映射到原SAR图像空间得到聚集区域、匀质区域和结构区域；紧接着，对聚集区域和匀质区域分别进行特征学习和层次聚类得到区域的聚类结果；对结构区域进行则使用基于MRF的分割方法得到结构区域的分割结果；最终，合并聚集区域、匀质区域和结构区域的结果，得到整个SAR图像分割结果。具体步骤如下：

(1)利用SAR图像的初始素描图得到输入图像的素描图；

(2)使用一种基于形状的素描线补全的区域图提取方法得到区域图，本发明在图像分割过程中引入该方法，充分利用了实际地物的形状先验信息以及多阈值素描图间的素描线邻域空间关系信息，如图11(a)所示，在原先并不封闭的农田区域得到了编号为9,12,13,14,15等封闭区域；

(3)根据得到的区域图将原SAR图像映射为聚集区域、匀质区域和结构区域；

(4)使用基于LLC编码的词袋模型对属于聚集区域的各个区域进行特征学习，并在此基础上进行层次聚类得到聚集区域的聚类结果，该特征学习方法可以学习出聚集区域间的可分性信息，如图10(b)所示，8块聚集区域进一步聚成了2类；

(5)同样，使用基于LLC编码的词袋模型对属于匀质区域的各个区域进行特征学习，并在此基础上进行层次聚类得到匀质区域的聚类结果，该特征学习方法可以学习出匀质区域间的可分性信息，如图11(b)所示，16块匀质区域进一步聚成了10类；

(6)对于结构区域，使用基于MRF的分割方法得到边界、线目标与孤立目标真正所在的位置，同时将结构区域分割成若干个小区域；

(7)合并聚集区域、匀质区域和结构区域的结果；

(8)标记线目标，从而得到最终的图像分割结果。

实施例7

基于形状补全区域图和特征编码的SAR图像分割方法，同实施例1-5，本发明的效果通过下列对SAR图像的仿真实验进行进一步说明。

1.仿真条件

(1)截取大小为600×432的Ku波段、1m分辨率的piperiver图像；

(2)仿真试验中，高阈值的素描图的高低阈值参数分别取值为1.7和0.5；低阈值的素描图的高低阈值参数分别区域0.8和0.5；CLG参数都设置为15；

(3)仿真实验中，基于语义信息的素描线分类方法中计算聚集性统计直方图使用的近邻数K＝5；最优聚集性区间的参数δ＝4；

(4)仿真实验中，基于多阈值的素描图的素描线补全方法中，在高阈值初始素描图中的邻域窗口大小设置为5×5，在低阈值初始素描图中的邻域窗口大小设置为25×25；

(5)仿真实验中，扩充结构区域使用的方形窗口大小为5×5；

(6)仿真实验中，基于局部线性约束稀疏编码的特征学习方法的字典大小设置为256；

(7)仿真实验中，参与层次聚类的区域的面积阈值设置为200。

(8)仿真实验中，结构区域超像素与匀质区域合并的灰度均值阈值设置为25。

2.仿真内容与结果

仿真内容：利用Ku波段分辨率为1m的piperiver图像，如图4(a)所示，用本发明的素描线补全方法对边界与线目标的素描线进行补全并在此基础上提取结构区域和非素描区域，并使用本发明中的特征学习得到聚集区域和匀质区域的特征表示，最后分别对聚集区域和匀质区域进行层次聚类；

本实验的目的是要验证本发明的方法是否能够进一步细分匀质区域，是否能使得匀质区域中的每块区域同质性更好。另外，还要验证基于局部线性约束编码的特征学习方法可否学习出可分性的特征。

仿真结果：图4(b)展示了利用SAR图像的初始素描图得到的素描图的结果，其中共有624条素描线；图5展示了利用素描线聚集度分析得到的素描线分类的结果，该结果将其中灰色标注的是聚集的素描线，黑色标注的是表示边界、线目标与孤立目标的素描线；图6(a)展示了图5中黑色标注的素描线，图6(b)对比展示了经过连接操作之后的素描图，从中可以看出端点数量减少很多，很多短的素描线被连成了长的素描线；另外图6(b)中还标记了长度在前20的素描线；图7展示了素描图中两个L形的素描线的连接结果，其中图7(a)中黑色标记的素描线是图6(b)中的标记为5的L形素描线，灰色标记的素描线是其从低阈值素描线对应位置选择并连接的素描线；图7(b)中黑色标记的素描线是图6(b)中标记为18的素描线，灰色标记的素描线是其从低阈值素描线对应位置选择并连接的素描线；图8展示了基于形状的素描线补全方法的结果；图9展示了最终的区域提取结果，其中白色标记的是聚集区域；黑色标记的是无线段区域；灰色标记的是结构区域；图10展示了聚集区域的聚类结果，其中图10(a)显示了区域图映射到piperiver图上得到的编号为1～8共8块聚集区域，图10(b)展示了对这8块聚集区域进行特征学习进而层次聚类的结果，共聚成了灰色和黑色标记的共2类区域；图11展示了匀质区域的聚类结果，其中图11(a)展示了区域图映射到piperiver图上得到的编号为1～15共15块匀质区域，图11(b)展示了对这16块匀质区域进行特征学习进而层次聚类的结果，共聚成了10类；图12展示了结构区域的分割结果；图13展示了合并聚集区域、匀质区域和结构区域并且标定线目标所得到的最终SAR图像分割结果。

从仿真实验结果可以看出，本发明提出的区域提取方法获得了较好的区域划分结果，同时使用的LLC特征学习方法得到了很好的区域聚类结果，最终的SAR图像分割结果也较真实的反映了实际的地物种类。

综上，本发明的基于形状补全区域图和特征编码的SAR图像分割方法，主要解决了获取SAR图像区域图提取的问题。其实现步骤为：(1)使用SAR图像的初始素描图获取素描图；(2)使用基于形状的素描线补全的区域图提取方法获取区域图；(3)将区域图映射到原SAR图像空间，得到聚集区域、匀质区域和结构区域；(4)聚集区域的特征学习及层次聚类；(5)匀质区域的特征学习及层次聚类；(6)结构区域中的分割；(7)将聚集区域、匀质区域与结构区域的结果合并，并标记线目标，从而得到最终的SAR图像分割结果。本发明实现了很好的SAR图像区域划分与聚类效果，可用于SAR图像的分割。

Claims (3)

1.一种基于形状补全区域图和特征编码的SAR图像分割方法，其特征在于，包括有如下步骤：

步骤1.输入待分割的SAR图像，利用SAR图像的初始素描模型得到输入图像的素描图；

步骤2.采用基于形状的素描线补全的区域图提取方法得到输入图像的区域图；

步骤3.根据得到的区域图将待分割的SAR图像映射为聚集区域、匀质区域和结构区域；

步骤4.使用基于LLC编码的词袋模型对属于聚集区域的各个区域进行特征学习，并在此基础上进行层次聚类得到聚集区域的聚类结果；

步骤5.同样，使用基于LLC编码的词袋模型对属于匀质区域的各个区域进行特征学习，并在此基础上进行层次聚类得到匀质区域的聚类结果；

步骤6.对于结构区域，使用基于MRF的分割方法得到结构区域中边界、线目标以及孤立目标所在的位置，同时根据空间上的一致连通性得到若干个小区域，即将结构区域划分成若干个小区域，从而得到结构区域的分割结果；

步骤7.使用基于空间近邻和灰度均值的策略,将聚集区域的聚类结果、匀质区域的聚类结果和结构区域的分割结果合并；

步骤8.根据素描图中的素描线信息标记线目标，从而得到最终完整的SAR图像分割结果。

2.根据权利要求1所述的基于形状补全区域图和特征编码的SAR图像分割方法，其特征在于，其中步骤2所提出的基于形状的素描线补全的区域图提取方法，包括有如下步骤：

2.1.对素描图中的素描线进行聚集度分析，如果存在聚集的素描线，进行步骤2.2；如果不存在聚集的素描线，则跳至步骤2.4；

2.2.分别标记聚集的素描线和代表边界、线目标以及独立目标的素描线；

2.3.利用聚集区域提取方法在素描图上得到覆盖所有聚集素描线的区域，并标注该区域；

2.4.对于代表边界、线目标以及独立目标的素描线，提出基于形状的素描线补全方法得到素描线补全结果及划分的区域，并标注该区域；

2.5.对于补全后的素描线，以每条线上每个点为中心提取5×5的几何结构窗作为结构区域，并标记该区域；

2.6.综合上述区域提取结果，得到了待分割的整幅SAR图像的区域图。

3.根据权利要求2所述的基于形状补全区域图和特征编码的SAR图像分割方法，其特征在于，其中步骤2.4所提出的基于形状的素描线补全方法，包括有如下步骤：

2.4.1.对素描图中除聚集区域以外的每条素描线，进行如下过程，对当前素描线的一个端点P1，首先在其5*5的方形邻域内查找是否有其它素描线的端点，若有，从中选择最长素描线的端点，并使用线段将P1与最长素描线的端点进行连接，然后对新连接的这个最长素描线的另一个端点，继续执行这个过程，直到端点5*5方形邻域内没有新的素描线端点为止；对于当前素描线的另一个端点P2，重复和P1一样的过程；

2.4.2对经过步骤2.4.1连接后的素描线按照长度进行排序，然后按照长度从大到小的顺序判断素描线是否是L形状或U形状的素描线，判断L形状或U形状的素描线的方法是从一个端点到另一个端点遍历组成素描线的线段，并记录相邻线段的方向差值的绝对值，如果方向差值的绝对值超过阈值a的次数发生一次，该素描线就是L形状的素描线；如果方向差值的绝对值超过阈值a的次数发生两次，该素描线就是U形状的素描线；然后对L形状或U形状的素描线，执行步骤2.4.3；

2.4.3.判断当前L形状或U形状素描线的端点P1在低阈值素描图中相应位置的自适应窗口邻域内是否有其它素描线的端点，如果有，按照如下策略选择一个端点T1，即T1所在素描线的另一个端点T2与当前素描线的另一个端点P2的距离最近且用线段连接后只会形成一个封闭区域，然后对选择的素描线的端点T2，继续该过程，直至端点自适应窗口邻域范围内没有新的素描线端点为止；对于当前素描线的端点P2，重复和端点P1一样的过程。