CN105389798A - 基于反卷积网络与映射推理网络的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于反卷积网络和映射推理网络的SAR图像分割方法，主要解决现有技术分割不准的问题。其实现步骤是：1.根据SAR图像的素描模型提取素描图，补全该图中的素描线段得到区域图，并将其映射到原SAR图像，得到聚集、匀质和结构三个区域；2.对聚集和匀质区域中的各个互不连通区域分别采样，对采样样本进行无监督训练，得到表征各个互不连通区域结构特征的滤波器集合；3.对聚集和匀质区域中互不连通区域间的结构特征进行比较推理，得到聚集和匀质区域的分割结果；4.分割结构区域；5.合并聚集、匀质和结构三个区域的分割结果，得到最终分割结果。本发明分割结果准确，能有效对SAR图像的不同地物进行区分。

Description

基于反卷积网络与映射推理网络的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，涉及一种SAR图像分割方法，可进一步用于SAR图像中的目标检测与识别。

背景技术

合成孔径雷达SAR是遥感技术领域的重要进展，用来获取地球表面的高分辨图像。与其他类型的成像技术相比，SAR有着非常重要的优势，它不受云层、降雨或者大雾等大气条件以及光照强度的影响，能够全天时、全天候地获取高分辨遥感数据。SAR技术对于军事、农业、地理等许多领域具有重要指导意义。图像分割是指根据颜色、灰度和纹理等特征将图像划分成若干个互不相交的区域的过程。通过计算机对SAR图像进行解译是目前面临的一个巨大挑战，而SAR图像分割又是其必要步骤，它对进一步的检测、识别影响很大。

目前图像分割常用的方法有：基于边缘检测的方法、基于阈值的方法、基于区域生长和分水岭的方法及基于聚类的方法等。由于SAR独特的成像机理，SAR图像中含有许多相干斑噪声，导致很多光学图像的传统方法都不能直接用于SAR图像的分割。SAR图像的传统分割方法包括一些基于聚类如Kmeans、FCM等的方法，以及其他一些有监督和半监督的方法。它们往往需要靠人工经验进行特征提取，然而提取的特征的好坏对于SAR图像的分割结果有着关键作用。对于有监督和半监督的方法，需要有标签数据，SAR图像的标签数据很少，获取标签数据的成本很高。深度学习作为无监督特征学习的关键技术，可以用于SAR图像分割任务。然而，无监督的深度学习方法往往只能到达特征层面，缺乏进一步的推理，导致其无法有效完成对SAR图像的分割。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于反卷积网络与映射推理网络的SAR图像分割方法，以提高SAR图像分割的准确性。

为实现上述目的，本发明的技术方案如下：

(1)根据SAR图像的素描模型提取SAR图像的素描图，补全素描图中的素描线段得到区域图，并将区域图映射到原SAR图像，得到聚集区域A、匀质区域B和结构区域C；

(2)对于聚集区域A和匀质区域B中的各个互不连通区域分别进行采样，并用反卷积网络对采样获得的样本进行无监督训练，得到表征各个互不连通区域结构特征的滤波器集合；

(3)采用如下映射推理网络对聚集区域A和匀质区域B中互不连通区域间的结构特征进行相似性比较推理，得到聚集区域A和匀质区域B的分割结果：

(3a)在自组织网络基础上，加入自组织测试网络、映射比较模块和规则推理模块形成推理网络；

(3b)选取第一区域D，将步骤(2)得到的滤波器集合输入自组织网络中进行训练，得到n个滤波器子集，每个滤波器子集对应一个类别，权值是n个聚类中心的集合，训练完成后将推理网络中自组织测试网络的权值设置为自组织网络的权值，其中，对于聚集区域A，n＝20，对于匀质区域B，n＝3；

(3c)选取与第一区域D不连通的第二区域F，将步骤(2)得到的滤波器集合输入推理网络中进行映射；

(3d)根据映射结果，判定第一区域D与第二区域F之间的结构相似性；

(3e)根据各个互不连通区域间的结构相似性，得到聚集区域A和匀质区域B的分割结果；

(4)采用基于超像素的方法对结构区域C进行分割，得到结构区域C的分割结果；

(5)合并聚集区域A、匀质区域B和结构区域C的分割结果，得到SAR图像的最终分割结果。

本发明与现有技术相比具有如下优点：

第一、本发明在用无监督的深度学习方法学习特征的基础上进行了拓展，加入了特征推理，有效的完成了SAR图像的分割任务。

第二、本发明有效地利用了SAR的素描模型和区域图，根据区域图将原SAR图像映射为聚集区域、匀质区域和结构区域，在聚集区域和匀质区域内进行采样和特征学习。

第三、本发明利用反卷积网络模型能有效的学习到SAR图像的结构特征。

附图说明

图1是本发明的实现流程图；

图2是本发明中使用的原SAR图像；

图3是本发明中根据SAR图像的素描模型提取的素描图；

图4是本发明中根据素描图提取的区域图：

图5是本发明中反卷积网络的结构图；

图6是本发明中推理映射网络的结构图：

图7是本发明中对聚集区域的分割结果图；

图8是本发明中对匀质区域的分割结果图；

图9是本发明中对SAR图像的最终分割结果图。

具体实施方式

以下结合实施例附图对本发明做进一步说明。

参照图1，本发明的具体实施步骤如下：

步骤1，根据SAR图像的素描模型提取SAR图像的素描图，补全素描图中的素描线段得到区域图，并将区域图映射到原SAR图像，得到聚集区域A、匀质区域B和结构区域C。

(1.1)输入图2所示的SAR图像，根据SAR图像的素描模型得到SAR图像的素描图，如图3所示；

所述的SAR图像的素描模型，参见Jie-Wu等人于2014年发表在IEEETransactionsonGeoscienceandRemoteSensing杂志上的文章《LocalmaximalhomogenousregionsearchforSARspecklereductionwithsketch-basedgeometricalkernelfunction》，根据该SAR图像的素描模型得到SAR图像的素描图步骤如下：

(1.1a)构造具有不同方向和尺度的边、线模板，并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数，其中尺度个数取值为3～5，方向个数取值为18；

(1.1b)计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值和方差：

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

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

其中，μ表示区域Ω对应在合成孔径雷达SAR图像中像素的均值，Ω表示模板中的一个区域，g表示区域Ω中一个像素点的位置，∈表示属于符号，Σ表示求和操作，w_g表示区域Ω中位置g处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示区域Ω中位置g对应在合成孔径雷达SAR图像中的像素值，v表示区域Ω与合成孔径雷达SAR图像中对应像素的方差；

(1.1c)计算合成孔径雷达SAR图像中每个像素对比值算子的响应值：

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

其中，R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值，min{·}表示求最小值操作，a和b分别表示模板中任意两个不同区域的编号，μ_a和μ_b分别为根据(1.1b)得到的表示区域a和区域b的合成孔径雷达SAR图像中对应像素的均值；

(1.1d)计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值：

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

其中，C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值，a和b分别表示模板中任意两个不同区域的编号，v_a和v_b分别为根据(1.1b)得到的表示区域a和区域b对应在合成孔径雷达SAR图像中像素的方差，μ_a和μ_b分别为根据(1.1b)得到的表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值；

(1.1e)根据(1.1c)和(1.1d)得到结果，计算合成孔径雷达SAR图像中每个像素对各个模板的响应值：

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

其中，F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值；

(1.1f)选择具有最大响应值的模板作为合成孔径雷达SAR图像中像素的模板，并将最大响应值作为该像素的强度，将具有最大响应值的模板的方向作为该像素的方向，获得合成孔径雷达SAR图像的边线响应图和方向图；

(1.1g)利用孔径雷达SAR图像中每个像素所选择的模板，获得合成孔径雷达SAR图像的梯度图；

(1.1h)按照下式，将边线响应图和梯度图归一化到[0,1]并进行融合，得到强度图：

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

其中，I表示强度图中的强度值，x表示边线响应图中的值，y表示梯度图中的值；

(1.1i)采用非极大值抑制方法，对强度图进行检测，得到建议草图；

(1.1j)选取建议草图中具有最大强度的像素，将建议草图中与该最大强度的像素连通的像素连接形成建议线段，得到建议素描图；

(1.1k)按照下式，计算建议素描图中素描线的编码长度增益CLG：

$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表示建议素描图中素描线的编码长度增益，Σ表示求和操作，m表示当前素描线邻域中像素的个数，t表示当前素描线邻域中像素的编号，A_t表示当前素描线邻域中第t个像素的观测值，A_t,0表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第t个像素的估计值，ln(·)表示以e为底的对数操作，A_t,1表示在当前素描线能够表示结构信息的假设下，该素描线邻域中第t个像素的估计值；

(1.1l)设定阈值T为5～50，选择编码长度增益CLG>T的建议素描线作为最终素描图中的素描线，获得输入合成孔径雷达SAR图像对应的素描图。

(1.2)对素描图中的素描线段进行补全，得到SAR图像的区域图，如图4所示；

(1.3)将区域图像映射到原SAR图像，得到SAR图像的聚集区域A、匀质区域B和结构区域C。

步骤2，对于聚集区域A和匀质区域B中的各个互不连通区域分别进行采样，并用反卷积网络对采样获得的样本进行无监督训练。

(2.1)分别对于聚集区域A中和匀质区域B中的各个互不连通区域按29*29和25*25的窗口进行滑窗采样；

(2.2)构造一个5层的反卷积网络，其中第1层为输入层，第2层为反卷积层，包含9个7*7大小的滤波器和9个特征图，第3层为反卷积层，包含45个7*7大小的滤波器和45个特征图，第4层为反卷积层，包含100个7*7大小的滤波器和100个特征图，第5层为反卷积层，包含250个7*7大小的滤波器和250个特征图，如5所示；

(2.3)分别将聚集区域A和匀质区域B的各个互不连通区域的采样样本，输入到反卷积网络中；

(2.4)固定反卷积网络中特征图和滤波器的值，通过解决一个一维最优化问题，得到反卷积网络中辅助变量的值；

(2.5)固定反卷积网络中辅助变量和滤波器的值，通过解决一个线性系统最优化问题，得到反卷积网络中特征图的值；

(2.6)固定反卷积网络中特征图和辅助变量的值，通过使用梯度下降法，得到反卷积网络中滤波器的值。

(2.7)对于各个互不连通区域，将反卷积网络得到的滤波器集合作为区域结构特征。

步骤3，对聚集区域A和匀质区域B进行分割。

(3.1)构建推理网络：

在自组织网络基础上，加入自组织测试网络、映射比较模块和规则推理模块形成推理网络，如图6所示，图6所示的映射推理网络由自组织网络和推理网络两部分构成。自组织网络是一个无监督学习的神经网络，它能通过自身的训练对输入模式进行分类，其它由输入层和竞争层构成，输入层用于接受输入模式，竞争层用于输出结果。基本思想是网络的竞争层各神经元竞争对输入模式的相应的机会，最后仅有一个神经元成为竞争的胜利者，这一获胜神经元则表示对输入模式的分类。自组织测试网络是一个测试分类网络；映射比较模块用于实现区域间滤波器集合的比较；规则推理模块用于得到推理结果。

(3.2)选取第一区域D，将步骤2得到的滤波器集合输入自组织网络中进行训练，得到n个滤波器子集，每个滤波器子集对应一个类别，权值是n个聚类中心的集合，训练完成后将推理网络中自组织测试网络的权值设置为自组织网络的权值，其中，对于聚集区域A，n＝20，对于匀质区域B，n＝3；

(3.3)在聚集区域A中和匀质区域B中的各个互不连通区域中，分别选取与第一区域D不连通的第二区域F，将步骤2得到的滤波器集合输入推理网络中进行映射。

(3.3a)统计(3.2)中第一区域D的每个滤波器子集中各滤波器与相应聚类中心的相似性测度，并记录每个滤波器子集与相应聚类中心的相似性测度的最小值；

(3.3b)将第二区域F的滤波器集合中的每个滤波器输入推理网络；

(3.3c)计算第二区域F的滤波器集合中的每个滤波器与自组织测试网络的每个聚类中心的相似性测度，并按照从大到小的顺序，依次判断该相似性测度是否大于等于该聚类中心与第一区域D相应滤波器子集的相似性测度的最小值：如果满足，则称该滤波器映射成功，将该滤波器类别设置为第一区域D相应滤波器子集的类别，否则，该滤波器映射失败；

(3.4)根据映射结果，判定第一区域D与第二区域F之间的结构相似性；

(3.4a)计算第二区域F的滤波器集合中成功映射的滤波器所占的比例α；

(3.4b)设定阈值T＝0.7，若α≥T，则判定第一区域D与第二区域F是结构相似的，否则，判定第一区域D与第二区域F是结构相异的；

(3.5)根据聚集区域A各个互不连通区域间的结构相似性，得到聚集区域A的分割结果，如图7所示；

(3.6)根据匀质区域B各个互不连通区域间的结构相似性，得到匀质区域B的分割结果，如图8所示。

步骤4，采用基于超像素的方法对结构区域C进行分割。

(4.1)将结构区域分割成多个超像素，本步骤可以使用分水岭、MeanShift和TurboPixels等方法，本发明中使用分水岭算法；

(4.2)在SAR图像的素描图中，将平行且距离小于7个像素的两条素描线确定为第一类线目标素描线，将第一类线目标素描线之间的超像素进行合并，作为第一类线目标；

(4.3)在SAR图像的素描图中，将素描线两边属于同一区域的素描线确定为第二类线目标素描线，将第二类线目标素描线向两边各扩一个像素作为第二类线目标，将其它素描线作为刻画边界的素描线；

(4.4)对除了线目标和边界的覆盖区域以外的各个超像素，将与其相邻且灰度均值之差小于25的超像素进行合并，直到不存在相邻且灰度均值之差小于25的两个超像素为止；

(4.5)在合并后的各个超像素中，找到与该超像素灰度值均值之差最小的匀质区域，若该灰度值均值之差小于25，则将该超像素与该匀质区域合并，得到结构区域C的分割结果。

步骤5，合并聚集区域A、匀质区域B和结构区域C的分割结果，得到SAR图像的最终分割结果，如图9所示。

本发明在根据SAR图像素描模型提取的素描图的基础上，补全素描线段得到SAR图像的区域图，再根据区域图将原SAR图像映射为聚集区域、匀质区域和结构区域，对聚集区域和匀质区域采用本发明的提出的方法进行分割时，能够有效的进行特征的学习和推理，改善了SAR图像的分割结果。

本实施例没有具体描述的部分都属于本技术领域的公知常识和公知技术，且以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (10)

1.一种基于反卷积网络和映射推理网络的SAR图像分割方法，包括如下步骤：

(1)根据SAR图像的素描模型提取SAR图像的素描图，补全素描图中的素描线段得到区域图，并将区域图映射到原SAR图像，得到聚集区域A、匀质区域B和结构区域C；

(2)对于聚集区域A和匀质区域B中的各个互不连通区域分别进行采样，并用反卷积网络对采样获得的样本进行无监督训练，得到表征各个互不连通区域结构特征的滤波器集合；

(3)采用如下映射推理网络对聚集区域A和匀质区域B中互不连通区域间的结构特征进行相似性比较推理，得到聚集区域A和匀质区域B的分割结果：

(3a)在自组织网络基础上，加入自组织测试网络、映射比较模块和规则推理模块形成推理网络；

(3b)选取第一区域D，将步骤(2)得到的滤波器集合输入自组织网络中进行训练，得到n个滤波器子集，每个滤波器子集对应一个类别，权值是n个聚类中心的集合，训练完成后将推理网络中自组织测试网络的权值设置为自组织网络的权值，其中，对于聚集区域A，n＝20，对于匀质区域B，n＝3；

(3c)选取与第一区域D不连通的第二区域F，将步骤(2)得到的滤波器集合输入推理网络中进行映射；

(3d)根据映射结果，判定第一区域D与第二区域F之间的结构相似性；

(3e)根据各个互不连通区域间的结构相似性,得到聚集区域A和匀质区域B的分割结果；

(4)采用基于超像素的方法对结构区域C进行分割，得到结构区域C的分割结果；

(5)合并聚集区域A、匀质区域B和结构区域C的分割结果，得到SAR图像的最终分割结果。

2.根据权利要求1所述的SAR图像分割方法，其中步骤(2)所述的根据SAR图像的素描模型提取SAR图像的素描图，其步骤如下：

(2a)构造具有不同方向和尺度的边、线模板，并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数，其中尺度个数取值为3～5，方向个数取值为18；

(2b)计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值μ和方差v：

(2c)计算合成孔径雷达SAR图像中每个像素对比值算子的响应值R：

(2d)计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值C：

(2e)根据比值算子响应值R和相关性算子响应值C，计算合成孔径雷达SAR图像中每个像素对各个模板的响应值：其中，F表示合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表示合成孔径雷达SAR图像中像素对比值算子和合成孔径雷达SAR图像中像素对相关性算子的响应值；

(2f)选择具有最大响应值的模板作为合成孔径雷达SAR图像中像素的模板，并将最大响应值作为该像素的强度，将具有最大响应值的模板的方向作为该像素的方向，获得合成孔径雷达SAR图像的边线响应图和方向图；

(2g)利用孔径雷达SAR图像中每个像素所选择的模板，获得合成孔径雷达SAR图像的梯度图；

(2h)按照下式，将边线响应图和梯度图归一化到[0,1]并进行融合，得到强度图：

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

其中，I表示强度图中的强度值，x表示边线响应图中的值，y表示梯度图中的值；

(2i)采用非极大值抑制方法，对强度图进行检测，得到建议草图；

(2j)选取建议草图中具有最大强度的像素，将建议草图中与该最大强度的像素连通的像素连接形成建议线段，得到建议素描图；

(2k)按照下式，计算建议素描图中素描线的编码长度增益CLG：

$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表示建议素描图中素描线的编码长度增益，∑表示求和操作，m表示当前素描线邻域中像素的个数，t表示当前素描线邻域中像素的编号，A_t表示当前素描线邻域中第t个像素的观测值，A_t,0表示在当前素描线不能表示结构信息的假设下，该素描线邻域中第t个像素的估计值，ln(·)表示以e为底的对数操作，A_t,1表示在当前素描线能够表示结构信息的假设下，该素描线邻域中第t个像素的估计值；

(2l)设定阈值T，T的取值范围为5～50，选择CLG>T的建议素描线作为最终素描图中的素描线，获得输入合成孔径雷达SAR图像对应的素描图。

3.根据权利要求2所述的SAR图像分割方法，其中步骤(2b)中计算模板不同区域对应在合成孔径雷达SAR图像中像素的均值μ和方差ν，通过如下公式计算：

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

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

其中，μ表示区域Ω对应在合成孔径雷达SAR图像中像素的均值，Ω表示模板中的一个区域，g表示区域Ω中一个像素点的位置，∈表示属于符号，∑表示求和操作，w_g表示区域Ω中位置g处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示区域Ω中位置g对应在合成孔径雷达SAR图像中的像素值，v表示区域Ω与合成孔径雷达SAR图像中对应像素的方差。

4.根据权利要求2所述的SAR图像分割方法，其中步骤(2c)计算合成孔径雷达SAR图像中每个像素对比值算子的响应值R，公式如下：

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

其中，R表示合成孔径雷达SAR图像中每个像素对比值算子的响应值，min{·}表示求最小值操作，a和b分别表示模板中任意两个不同区域的编号，μ_a和μ_b分别为根据(2b)得到的表示区域a和区域b的合成孔径雷达SAR图像中对应像素的均值。

5.根据权利要求2所述的SAR图像分割方法，其中步骤(2d)中计算合成孔径雷达SAR图像中每个像素对相关性算子的响应值C，公式如下：

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

其中，C表示合成孔径雷达SAR图像中每个像素对相关性算子的响应值，a和b分别表示模板中任意两个不同区域的编号，v_a和v_b分别为根据(2b)得到的表示区域a和区域b对应在合成孔径雷达SAR图像中像素的方差，μ_a和μ_b分别为根据(2b)得到的表示区域a和区域b与合成孔径雷达SAR图像中对应像素的均值。

6.根据权利要求1所述的SAR图像分割方法，其中所述步骤(2)中对于聚集区域A和匀质区域B中的各个互不连通区域分别进行采样，并用反卷积网络对采样获得的样本进行无监督训练，其步骤如下：

(2a)分别对于聚集区域A中和匀质区域B中的各个互不连通区域按29*29和25*25的窗口进行滑窗采样；

(2b)构造一个5层的反卷积网络，其中第1层为输入层，第2层为反卷积层,包含9个7*7大小的滤波器和9个特征图，第3层为反卷积层,包含45个7*7大小的滤波器和45个特征图，第4层为反卷积层,包含100个7*7大小的滤波器和100个特征图,第5层为反卷积层,包含250个7*7大小的滤波器和250个特征图；

(2c)分别将聚集区域A和匀质区域B的各个互不连通区域的采样样本，输入到反卷积网络中；

(2d)固定反卷积网络中特征图和滤波器的值，通过解决一个一维最优化问题，得到反卷积网络中辅助变量的值；

(2e)固定反卷积网络中辅助变量和滤波器的值，通过解决一个线性系统最优化问题，得到反卷积网络中特征图的值；

(2f)固定反卷积网络中特征图和辅助变量的值，通过使用梯度下降法，得到反卷积网络中滤波器的值。

7.根据权利要求1所述的SAR图像分割方法，其中所述步骤(3a)中的自组织测试网络是一个测试分类网络；映射比较模块用于实现区域间滤波器集合的比较；规则推理模块用于得到推理结果。

8.根据权利要求1所述的SAR图像分割方法，其中步骤(3c)所述的将步骤(2)得到的滤波器集合输入推理网络中进行映射，其步骤如下：

(3c1)统计(3b)中第一区域D的每个滤波器子集中各滤波器与相应聚类中心的相似性测度，并记录每个滤波器子集与相应聚类中心的相似性测度的最小值；

(3c2)将第二区域F的滤波器集合中的每个滤波器输入到推理网络；

(3c3)计算第二区域F的滤波器集合中的每个滤波器与自组织测试网络的每个聚类中心的相似性测度，并按照从大到小的顺序，依次判断该相似性测度是否大于等于该聚类中心与第一区域D相应滤波器子集的相似性测度的最小值：如果满足，则称该滤波器映射成功，将该滤波器类别设置为第一区域D相应滤波器子集的类别，否则，该滤波器映射失败。

9.根据权利要求1所述的SAR图像分割方法，其中步骤(3d)中根据映射结果，判定第一区域D与第二区域F之间的结构相似性，其步骤如下：

(3d1)计算第二区域F的滤波器集合中成功映射的滤波器所占的比例α；

(3d2)设定阈值T＝0.7，若α≥T，则判定第一区域D与第二区域F是结构相似的，否则，判定第一区域D与第二区域F是结构相异的。

10.根据权利要求1所述的SAR图像分割方法，其中步骤(4)中采用基于超像素的方法对于结构区域C进行分割，其步骤如下：

(4.1)使用分水岭算法，将结构区域分割成多个超像素；

(4.2)在SAR图像的素描图中，将平行且距离小于7个像素的两条素描线确定为第一类线目标素描线，将第一类线目标素描线之间的超像素进行合并，作为第一类线目标；

(4.3)在SAR图像的素描图中，将素描线两边属于同一区域的素描线确定为第二类线目标素描线，将第二类线目标素描线向两边各扩一个像素作为第二类线目标，将其它素描线作为刻画边界的素描线；

(4.4)对除了线目标和边界的覆盖区域以外的各个超像素，将与其相邻且灰度均值之差小于25的超像素进行合并，直到不存在相邻且灰度均值之差小于25的两个超像素为止；

(4.5)在合并后的各个超像素中，找到与该超像素灰度值均值之差最小的匀质区域，若该灰度值均值之差小于25，则将该超像素与该匀质区域合并。