CN104732552A - 基于非平稳条件场的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于非平稳条件场的SAR图像分割方法，主要解决现有技术分割不准确的问题。其实现步骤是：1.输入SAR图像，初始化分割获得分割标记场；2.对SAR图像进行初始区域划分，采用稀疏描述算法获取初始区域之间的相关性测度；3.依据初始区域之间的相关性测度，构建每一像素点对应的非平稳邻域；4.将非平稳邻域引入到条件场模型中，构建非平稳邻域下的一元、二元势能函数；5.对一元、二元势能函数进行整合，构建非平稳条件场模型中的全局后验概率；6.对全局后验概率进行贝叶斯推导，获得最终分割结果。本发明提高了SAR图像同质区域的分割一致性及细节特征的分割精度，可用于SAR图像目标检测与识别。

Description

基于非平稳条件场的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及SAR图像分割方法，可用于对SAR图像进行目标检测和目标识别。

背景技术

合成孔径雷达SAR系统因其全天时，全天候，具有穿透性等特点而广泛应用于军事和民用领域。SAR图像分割是SAR图像目标识别与解译技术的重要环节，它可以提供图像整体结构信息，揭示SAR图像本质，为SAR系统的自动目标识别建立基础，并推动SAR的应用。这一领域已逐渐成为近年来国内外的一个研究热点。然而SAR系统成像时发射相干电磁波照射目标会使图像产生大量的斑点噪声，使得传统的光学图像分割算法用于SAR图像分割时无法取得令人满意的结果。

在众多的SAR图像分割算法中，条件场CRF模型因其能够充分考虑图像局部相关性而受到广泛关注。近年来，CRF模型也在不断地发展和完善，涌现出多种扩展模型，包括条件三重马尔可夫场模型，树结构条件场模型。尽管CRF模型能够有效地描述SAR图像空间相关性以及分割结果的邻域相关性，提高SAR图像分割结果中对斑点噪声的抑制，但条件场模型通常是在平稳的邻域系统下进行构建，并未充分考虑到SAR图像的非平稳特性。SAR图像中通常存在复杂的图像内容，包括匀质区域以及点目标、边缘等非平稳细节信息。采用平稳的邻域系统描述信息空间相关性，能够有效地降低匀质区域内斑点噪声对分割的影响，然而，平稳邻域系统无法有效的描述非平稳的图像细节信息，会对SAR图像分割结果中的点目标以及边缘信息造成影响。

发明内容

本发明的目的在于针对上述已有问题的缺点，提出一种非平稳条件场的SAR图像分割方法，在保证SAR图像匀质区域分割抗噪性的同时，提高SAR图像中非平稳细节特征的分割准确性。

实现本发明目的的技术方案是：利用canny算子获取SAR图像的边缘强度图并进行分水岭变换处理，对SAR图像进行初始区域划分，通过稀疏描述算法进行区域间相关性分析，构建SAR图像的非平稳邻域系统，在此基础上建立基于非平稳邻域的一元、二元势能函数，完成非平稳条件场模型的构建，并依据贝叶斯概率推导，完成对SAR图像的分割。具体步骤包括如下：

(1)输入SAR图像Y，Y＝{Y_s|s∈Q}，Y_s为像素点s的灰度值，Y_s∈[0,1,...,255]，Q为SAR图像像素点集；

(2)对SAR图像Y进行初始分割，获得分割标记场X，X＝{X_s|s∈Q}，X_s为像素点s的分割标记值，X_s∈[1,2,...,K]，K为分割标记的总类别数，取值为正整数；

(3)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图，在边缘强度图上采用分水岭算法得到初始区域划分集合R^Y＝{R_m,m＝1,2,...,M}，R_m为第m个区域，M为初始区域总个数，对于R^Y中任一区域R_m，提取SAR图像在该区域内像素灰度分布直方图作为该区域对应的特征H_m；

(4)采用稀疏描述算法计算初始区域集合R^Y中任意两个不同区域R_m与R_n之间相关性测度corr(m,n)，其中m＝1,2,...,M，n＝1,2,...,M，且n≠m；

(5)对于SAR图像中任一像素点s，根据区域之间相关性测度corr(m,n)，构建该像素点对应的非平稳邻域

5a)获取像素点s所处区域的区域标号，假设该像素点所处的区域为R_m；

5b)依据区域相关性测度，获得与区域R_m具有相关性区域的集合

$R_m^c=\left\{R_n\right|\mathrm{corr}(m,n)\≥T_s,n\≠m,n=1,...,M\},$ 其中，T_s为区域相关性阈值，设置为0.6；

5c)根据像素点s所处区域R_m以及其对应的相关性区域集合构建像素点s对应的非平稳邻域

其中，∪为并集符号；

(6)对于SAR图像中任一像素点s及其对应的非平稳邻域构建非平稳条件场模型在该点处的一元势能函数以及二元势能函数

$f_s^U(x_s,y_{N_s^a})=\underset{l_s\∈\mathrm{\Ω}}{\mathrm{\Σ}}\mathrm{\δ}(x_s,l_s)\log \{P\left(x_s\right|y_{R_m})+\underset{R_n\∈R_m^c}{\mathrm{\Σ}}\mathrm{corr}(m,n)*P\left(x_s\right|y_{R_n})\},$

$f_s^P(x_{N_s^a},y_{N_s^a})=\underset{{t\∈R}_m}{\mathrm{\Σ}}{a}_t\left(y_{R_m}\right)*\mathrm{\δ}(x_s,x_i)+\underset{R_n\∈R_m^c}{\mathrm{\Σ}}\mathrm{corr}(m,n)*(\underset{{t\∈R}_n}{\mathrm{\Σ}}{a}_t\left(y_{R_n}\right)*\mathrm{\δ}(x_s,x_t)),$

其中，Ω＝[1,2,...,K]，当x_s＝l_s时，δ(x_s,l_s)＝1，当x_s≠l_s时，δ(x_s,l_s)＝0，为在观测数据条件下的局部分类器，t为非平稳邻域内的像素点，为像素点t的空间作用参数，当x_s＝x_t时，δ(x_s,x_t)＝1，当x_s≠x_t时，δ(x_s,x_t)＝0；

(7)根据SAR图像每一像素点处的局部一元、二元势能函数，利用吉布斯随机场概率公式计算SAR图像在非平稳条件场模型下的全局后验概率p_NCRF(x|y)：

$p_{\mathrm{NCRF}}\left(x\right|y)=\frac{1}{Z_{\mathrm{NCRF}}}\exp \{\underset{s\∈Q}{\mathrm{\Σ}}{f}_s^U(x_s,y_{N_s^a})+\underset{s\∈Q}{\mathrm{\Σ}}{f}_s^P(x_{N_s^a},y_{N_s^a})\},$

其中，Z_NCRF是归一化常数；

(8)对全局后验概率p_NCRF(x|y)进行20次吉布斯采样处理，计算任一像素点s的后验边缘概率p_NCRF(x_s|y)，利用贝叶斯最大后验边缘概率准则，将后验边缘概率p_NCRF(x_s|y)最大时所对应的类别作为像素点s的分割标记值结果；

(9)对SAR图像中所有像素点按步骤(8)进行处理，获得SAR图像对应的分割结果X。

本发明与现有技术相比具有以下优点：

本发明在构建非平稳条件场模型中一元、二元势能函数时采用非平稳邻域，充分的考虑了SAR图像中局部信息相关性的非平稳特性，并将该特性通过非平稳邻域引入到局部特征提取以及局部空间作用关系描述中，提高了SAR图像分割的准确性。

仿真结果表明，本发明与现有的传统条件场分割方法相比，既能在SAR图像匀质区域得到抗噪性更好的分割结果，又能提高SAR图像中细节特征分割的准确性。

附图说明

图1是本发明的实现流程图；

图2是用本发明和现有条件场方法对平原SAR图像的分割结果图；

图3是用本发明和现有条件场方法对农田SAR图像的分割结果图；

图4是用本发明和现有条件场方法对城区SAR图像的分割结果图；

图5是用本发明和现有条件场方法对河流SAR图像的分割结果图。

具体实施方式

下面结合附图对本发明的具体实施和效果作进一步描述：

参照图1，本发明的实施步骤如下：

步骤1.输入一幅SAR图像Y。

该SAR图像Y为256灰度图像，每个像素点s的灰度值Y_s为从0到255中取正整数，将该SAR图像中的所有像素点记为集合Q，则该SAR图像Y可表示为Y＝{Y_s|s∈Q}，Y_s∈[0,1,...,255]。

步骤2.对SAR图像Y进行初始分割，获得分割标记场X。

对SAR图像进行初始分割有多种方法，包括聚类方法、分水岭方法、区域生长方法以及直方图阈值方法等。

在本实例中，采用K-means聚类对SAR图像Y进行初始分割，其步骤如下：

2a)对SAR图像Y中所有像素点依据其灰度值进行聚类处理，将其自动划分为指定K类，人工设定分割类别K，则分割标记集合为[1,2,...,K]；

2b)对SAR图像Y中像素点s，依据其聚类结果获得其分割标记值X_s，该标记值从分割标记集合[1,2,...,K]中取值；

2c)对SAR图像中所有像素点按步骤2b)处理，获得SAR图像Y对应的分割标记场X，表示为X＝{X_s|s∈Q}，X_s∈[1,2,...,K]。

步骤3.对SAR图像进行初始区域划分以及区域特征提取。

对SAR图像进行区域划分有多种方法，包括分水岭算法、水平集算法以及区域生长等方法。

在本实例中，采用基于边缘强度的分水岭方法进行SAR图像初始区域划分，其步骤如下：

3a)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图；

3b)对SAR图像对应的边缘强度图采用分水岭算法进行处理，获得SAR图像对应的初始区域划分集合R^Y＝{R_m,m＝1,2,...,M}，其中，R_m为第m个区域，M为初始区域总个数；

3c)对于R^Y中任一区域R_m，提取SAR图像在该区域R_m内所有像素的灰度分布直方图作为该区域对应的特征H_m。

步骤4.采用稀疏描述算法计算SAR图像初始区域集合R^Y中任意两个不同区域R_m与R_n之间相关性测度corr(m,n)，其中m＝1,2,...,M，n＝1,2,...,M，且n≠m。

4a)将SAR图像初始区域集合R^Y中每一区域对应的特征向量依次按列排列，组成完整字典矩阵D；

4b)对于第一区域R_m，将完整字典矩阵D中第m列设为空向量，获得第一区域R_m对应的字典矩阵D_m；

4c)根据第一区域R_m对应的特征H_m，以及该区域R_m对应的字典矩阵D_m，采用OMP算法计算区域R_m在字典矩阵D_m上的稀疏描述系数向量c_m：

c_m＝argmin||D_mc_m-H_m||₂subject to||c_m||₀≤L，其中，||D_mc_m-H_m||₂为(D_mc_m-H_m)的模值，||c_m||₀为向量c_m中非零元素的个数，L为稀疏度，设置为6；

4d)对于第二区域R_n，将完整字典矩阵D中第n列设为空向量，获得第二区域R_n对应的字典矩阵D_n；

4e)根据第二区域R_n对应的特征H_n，以及该区域R_n对应的字典矩阵D_n，采用OMP算法计算区域R_n在字典矩阵D_n上的稀疏描述系数向量c_n：

c_n＝arg min||D_nc_n-H_n||₂subject to||c_n||₀≤L；

4f)根据两区域R_m与R_n各自对应的稀疏描述向量，计算第一区域R_m与第二区域R_n之间的相关性测度corr(m,n)：

$\mathrm{corr}(m,n)=\frac{1}{2}[c_m\left(n\right)+c_n\left(m\right)].$

步骤5.对于SAR图像中任一像素点s，根据上述得到区域之间的相关性测度，构建该像素点s对应的非平稳邻域

5a)获取像素点s所处区域的区域标号，假设该像素点所处的区域为R_m；

5b)依据区域相关性测度，获得与区域R_m具有相关性区域的集合

$R_m^c=\left\{R_n\right|\mathrm{corr}(m,n)\≥T_s,n\≠m,n=1,...,M\},$ 其中，T_s为区域相关性阈值，设置为0.6；

5c)根据像素点s所处区域R_m以及其对应的相关性区域集合构建像素点s对应的非平稳邻域

其中，∪为并集符号。

步骤6.对于SAR图像中任一像素点s及其对应的非平稳邻域构建非平稳条件场模型在该点处的一元势能函数以及二元势能函数

6a)构建一元势能函数中的局部分类器其表示如下：

$P(x_s=l_s|y_{R_m})=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{l_s}}\exp [-\frac{1}{{{2\mathrm{\σ}}_{l_s}}^2}{(m\left(y_{R_m}\right)-{\mathrm{\μ}}_{l_s})}^2],$

其中，为SAR图像中区域R_m内所有像素的灰度均值，为对应于类别l_s的分类器均值参数，为对应于类别l_s的分类器标准差参数，其中l_s∈[1,2,...,K]，这两个参数通过对样本数据进行最大似然估计获得；

6b)在获得局部分类器的基础上，构建像素点s处基于非平稳邻域的一元势能函数其表示如下：

$f_s^U(x_s,y_{N_s^a})=\underset{l_s\∈\mathrm{\Ω}}{\mathrm{\Σ}}\mathrm{\δ}(x_s,l_s)\log \{P\left(x_s\right|y_{R_m})+\underset{R_n\∈R_m^c}{\mathrm{\Σ}}\mathrm{corr}(m,n)*P\left(x_s\right|y_{R_n})\},$

其中，Ω＝[1,2,...,K]，当x_s＝l_s时，δ(x_s,l_s)＝1，当x_s≠l_s时，δ(x_s,l_s)＝0；

6c)构建像素点s处基于非平稳邻域的二元势能函数其表示如下：

$f_s^P(x_{N_s^a},y_{N_s^a})=\underset{{t\∈R}_m}{\mathrm{\Σ}}{a}_t\left(y_{R_m}\right)*\mathrm{\δ}(x_s,x_i)+\underset{R_n\∈R_m^c}{\mathrm{\Σ}}\mathrm{corr}(m,n)*(\underset{{t\∈R}_n}{\mathrm{\Σ}}{a}_t\left(y_{R_n}\right)*\mathrm{\δ}(x_s,x_t)),$

其中，t为非平稳邻域内的像素点，当x_s＝x_t时，δ(x_s,x_t)＝1，当x_s≠x_t时，δ(x_s,x_t)＝0，为像素点t的空间作用参数，其估计方法为H_m为第一区域R_m对应的灰度直方图特征向量。

步骤7.根据SAR图像每一像素点处的局部一元、二元势能函数，利用吉布斯随机场概率公式计算SAR图像在非平稳条件场模型下的全局后验概率p_NCRF(x|y)：

$p_{\mathrm{NCRF}}\left(x\right|y)=\frac{1}{Z_{\mathrm{NCRF}}}\exp \{\underset{s\∈Q}{\mathrm{\Σ}}{f}_s^U(x_s,y_{N_s^a})+\underset{s\∈Q}{\mathrm{\Σ}}{f}_s^P(x_{N_s^a},y_{N_s^a})\},$

其中，Z_NCRF是归一化常数。

步骤8.对非平稳条件场模型中的全局后验概率p_NCRF(x|y)进行贝叶斯推导，获得最终的SAR图像分割结果X。

对后验概率进行贝叶斯推导有多种方法，包括基于吉布斯采样的后验边缘处理方法、基于图割的处理方法以及基于置信传递的处理方法等。

在本实例中，采用基于吉布斯采样的后验边缘处理方法进行贝叶斯推导，获得最终的分割结果，其步骤如下：

8a)对非平稳条件场模型中的全局后验概率p_NCRF(x|y)进行20次吉布斯采样处理，计算任一像素点s的后验边缘概率p_NCRF(x_s|y)；

8b)利用贝叶斯最大后验边缘概率准则，将后验边缘概率p_NCRF(x_s|y)最大时所对应的类别作为像素点s的分割标记值结果；

8c)对SAR图像中所有像素点按步骤(8b)进行处理，获得SAR图像对应的分割结果X。

本发明效果可以通过以下仿真进一步说明：

1.仿真条件

本发明的仿真是在主频2.5 GHz Intel(R)Pentium(R)2 CPU的硬件环境以及MATLAB R2009b，Window XP Professional的软件环境下进行的。

2.仿真内容与结果分析

仿真1，采用本发明的方法和现有条件场方法对实测平原SAR图像进行分割，仿真结果如图2所示。其中图2(a)为待分割的平原SAR图像，大小为256×256，图2(b)为利用现有条件场方法对图2(a)的分割结果，图2(c)为利用本发明方法对图2(a)的分割结果。

从仿真1结果可得，在图2(c)中SAR图像匀质区域的分割结果相较于图2(b)具有更好的区域一致性，减少了因斑点噪声带来的错误分割。同时，SAR图像中左下角的细节特征在图2(c)中也得到了更好的保留，边缘特征的分割结果更加连贯，白色的细节特征也准确地分割出来，而在图2(b)中，白色的细节特征被错误分割为背景匀质区域。

仿真2，采用本发明的方法和现有条件场方法对农田SAR图像进行分割，仿真结果如图3所示。其中图3(a)为待分割的农田SAR图像，大小为415×438，图3(b)为利用现有条件场方法对图3(a)的分割结果，图3(c)为利用本发明方法对图3(a)的分割结果。

仿真3，采用本发明的方法和现有条件场方法对实测城区SAR图像进行分割，仿真结果如图4所示。其中图4(a)为待分割的城区SAR图像，大小为317×324，图4(b)为利用现有条件场方法对图4(a)的分割结果，图4(c)为利用本发明方法对图4(a)的分割结果。

仿真4，采用本发明的方法和现有条件场方法对实测河流SAR图像进行分割，仿真结果如图5所示。其中图5(a)为待分割河流SAR图像，大小为256×256，图5(b)为利用现有条件场方法对图5(a)的分割结果，图5(c)为利用本发明方法对图5(a)的分割结果。

以上四个仿真表明：本发明方法考虑了SAR图像局部非平稳相关性信息，构建非平稳邻域，将非平稳相关性信息引入到条件场模型中，不仅提高了SAR图像同质区域分割的一致性，而且提高了SAR图像细节特征分割的精细度。

Claims (5)

1.一种基于非平稳条件场的SAR图像分割方法，包括如下步骤：

(1)输入SAR图像Y，Y＝{Y_s|s∈Q}，Y_s为像素点s的灰度值，Y_s∈[0,1,...,255]，Q为SAR图像像素点集；

(2)对SAR图像Y进行初始分割，获得分割标记场X，X＝{X_s|s∈Q}，X_s为像素点s的分割标记值，X_s∈[1,2,...,K]，K为分割标记的总类别数，取值为正整数；

(3)对SAR图像Y采用canny算子进行边缘检测，获取SAR图像对应的边缘强度图，在边缘强度图上采用分水岭算法得到初始区域划分集合R^Y＝{R_m,m＝1,2,...,M}，R_m为第m个区域，M为初始区域总个数，对于R^Y中任一区域R_m，提取SAR图像在该区域内像素灰度分布直方图作为该区域对应的特征H_m；

(4)采用稀疏描述算法计算初始区域集合R^Y中任意两个不同区域R_m与R_n之间相关性测度corr(m,n)，其中m＝1,2,...,M，n＝1,2,...,M，且n≠m；

(5)对于SAR图像中任一像素点s，根据区域之间相关性测度corr(m,n)，构建该像素点对应的非平稳邻域

5a)获取像素点s所处区域的区域标号，假设该像素点所处的区域为R_m；

5b)依据区域相关性测度，获得与区域R_m具有相关性区域的集合

$R_m^c=\left\{R_n\right|\mathrm{corr}(m,n)\≥T_s,n\≠m,n=1,...,M\},$ 其中，T_s为区域相关性阈值，设置为0.6；

5c)根据像素点s所处区域R_m以及其对应的相关性区域集合构建像素点s对应的非平稳邻域

$N_s^a=R_m\∪R_m^c,$ 其中，∪为并集符号；

(6)对于SAR图像中任一像素点s及其对应的非平稳邻域构建非平稳条件场模型在该点处的一元势能函数以及二元势能函数

$f_s^U(x_s,y_{N_s^a})=\underset{l_s\∈\mathrm{\Ω}}{\mathrm{\Σ}}\mathrm{\δ}(x_s,l_s)\log \{P\left(x_s\right|y_{R_m})+\underset{R_n\∈R_m^c}{\mathrm{\Σ}}\mathrm{corr}(m,n)*p\left(x_s\right|y_{R_n})\},$

$f_s^P(x_{N_s^a},y_{N_s^a})=\underset{t\∈R_m}{\mathrm{\Σ}}{a}_t\left(y_{R_m}\right)*\mathrm{\δ}(x_s,x_t)+\underset{R_n\∈R_m^c}{\mathrm{\Σ}}\mathrm{corr}(m,n)*(\underset{t\∈R_n}{\mathrm{\Σ}}{a}_t\left(y_{R_n}\right)*\mathrm{\δ}(x_s,x_t)),$

其中，Ω＝[1,2,...,K]，当x_s＝l_s时，δ(x_s,l_s)＝1，当x_s≠l_s时，δ(x_s,l_s)＝0，为在观测数据条件下的局部分类器，t为非平稳邻域内的像素点，为像素点t的空间作用参数，当x_s＝x_t时，δ(x_s,x_t)＝1，当x_s≠x_t时，δ(x_s,x_t)＝0；

(7)根据SAR图像每一像素点处的局部一元、二元势能函数，利用吉布斯随机场概率公式计算SAR图像在非平稳条件场模型下的全局后验概率p_NCRF(x|y)：

$p_{\mathrm{NCRF}}\left(x\right|y)=\frac{1}{Z_{\mathrm{NCRF}}}\exp \{\underset{s\∈Q}{\mathrm{\Σ}}{f}_s^U(x_s,y_{N_s^a})+\underset{s\∈Q}{\mathrm{\Σ}}{f}_s^P(x_{N_s^a},y_{N_s^a})\},$

其中，Z_NCRF是归一化常数；

(8)对全局后验概率p_NCRF(x|y)进行20次吉布斯采样处理，计算任一像素点s的后验边缘概率p_NCRF(x_s|y)，利用贝叶斯最大后验边缘概率准则，将后验边缘概率p_NCRF(x_s|y)最大时所对应的类别作为像素点s的分割标记值结果；

(9)对SAR图像中所有像素点按步骤(8)进行处理，获得SAR图像对应的分割结果X。

2.根据权利要求1所述的基于非平稳条件场的SAR图像分割方法，其特征在于：所述步骤(2)的初始分割，是将SAR图像所有像素点依据其灰度特征自动划分为指定K类，根据聚类结果得到初始分割标记场X，X＝{X_s|s∈Q}，X_s为像素点s的分割标记值，X_s∈[1,2,...,K]，K为设定的总类别数，取值为正整数。

3.根据权利要求1所述的基于非平稳条件场的SAR图像分割方法，其特征在于：步骤4)所述的计算任意两个不同区域R_m与R_n之间相关性测度corr(m,n)，按如下步骤进行：

4a)将初始区域集合R^Y中每一区域的特征向量依次按列排列，组成完整字典矩阵D；

4b)对于第一区域R_m，将完整字典矩阵D中第m列设为空向量，获得第一区域R_m对应的字典矩阵D_m；

4c)根据第一区域R_m对应的特征H_m，以及该区域R_m对应的字典矩阵D_m，采用OMP算法计算区域R_m在字典矩阵D_m上的稀疏描述系数向量c_m：

c_m＝argmin||D_mc_m-H_m||₂subject to||c_m||₀≤L，其中，||D_mc_m-H_m||₂为(D_mc_m-H_m)的模值，||c_m||₀为向量c_m中非零元素的个数，L为稀疏度，设置为6；

4d)对于第二区域R_n，将完整字典矩阵D中第n列设为空向量，获得第二区域R_n对应的字典矩阵D_n；

4e)根据第二区域R_n对应的特征H_n，以及该区域R_n对应的字典矩阵D_n，采用OMP算法计算区域R_n在字典矩阵D_n上的稀疏描述系数向量c_n：

c_n＝argmin||D_nc_n-H_n||₂subject to||c_n||₀≤L；

4f)计算第一区域R_m与第二区域R_n之间的相关性测度corr(m,n)：

$\mathrm{corr}(m,n)=\frac{1}{2}[c_m\left(n\right)+c_n\left(m\right)].$

4.根据权利要求1所述的基于非平稳条件场的SAR图像分割方法，其特征在于：所述步骤(6)中的局部分类器其表示如下：

$P(x_s=l_s|y_{R_m})=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{l_s}}\exp [-\frac{1}{{{2\mathrm{\σ}}_{l_s}}^2}{(m\left(y_{R_m}\right)-{\mathrm{\μ}}_{l_x})}^2],$

其中，为SAR图像中区域R_m内像素灰度均值，为对应于类别l_s的分类器均值参数，为对应于类别l_s的分类器标准差参数，其中l_s∈[1,2,...,K]，这两个参数通过对样本数据进行最大似然估计获得。

5.根据权利要求1所述的基于非平稳条件场的SAR图像分割方法，其特征在于：所述步骤(6)中的空间作用参数其表示如下：

其中，H_m为第一区域R_m对应的灰度直方图特征向量。