CN106600611A - 基于稀疏三重马尔可夫场的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于稀疏三重马尔可夫场的SAR图像分割方法，主要解决现有技术对于复杂场景下的非平稳SAR图像多目标分割边界定位准确率低的问题。其实现步骤是：1、输入SAR图像，初始化标记场和辅助场；2、定义基于自适应非平稳划分的辅助场,构建扩展邻域下的稀疏势能函数，结合似然函数构建联合后验分布；3、利用Gibbs采样对联合后验分布进行采样，得到若干样本；4、利用MPM准则更新标记场和辅助场；5、利用若干样本进行参数估计。本发明提高了SAR图像分割区域的一致性及边界定位的准确率，可用于实现SAR图像的目标检测、目标识别与分类。

Description

基于稀疏三重马尔可夫场的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达SAR图像分割方法，可用于实现SAR图像的目标检测、目标识别与分类。

背景技术

由于合成孔径雷达SAR具有先天性的优势从而广泛的被应用在各个领域，SAR图像解析技术日渐受到人们的重视。SAR图像分割技术是对SAR图像进行分析的基础和前提，是一个非常关键的步骤。通过图像分割可以提供图像整体结构和纹理信息并且能够突出需要分类和识别的目标区域，为接下来的识别提供重要的依据。然而由于SAR的成像特点使得SAR图像包含大量的乘性相干斑噪声，使得图像分割技术难度大大增加。

目前，SAR图像分割处理技术方面已经有大量的研究成果，其中基于马尔可夫随机场MRF模型的分割方法已经被广泛的应用在SAR图像分割中，它描述了图像邻域像素的空间相关性，从而为图像分割提供了一个有效的建模方法。但是针对SAR图像出现的非平稳性该模型并没有进行考虑，在对非平稳SAR图像进行分割时显示出其能力不足。考虑了图像的非平稳性，三重马尔可夫随机场TMF模型被提出来。TMF模型是在MRF模型的基础上引入了第三个随机场对SAR图像的非平稳性进行建模，用辅助场的不同取值来定义图像处于不同的平稳态。因此，TMF模型有效的解决了非平稳性问题，并且能够使用不同参数下的多样统计模型对图像数据进行准确建模，同时使得分割结果更加令人满意。

然而，经典的TMF模型在对SAR图像建模时，对复杂场景下的非平稳SAR图像中的多目标区域和非目标区域的分割都是按照同一个标准进行的，通常并没有对图像内容进行区分。目前，也涌现出了一些基于TMF模型的扩展模型和与其他理论相结合的模型，如分层TMF模型、小波域TMF模型，模糊TMF模型、高维TMF模型、边缘惩罚TMF模型等。这些研究成果使用不同的方法在TMF中，引入数据之间的空间相关性或结构纹理特征来解决经典TMF利用观测数据相关性不足的问题，在对实测SAR图像的仿真中得到了令人满意的分割结果，然而他们依然采用了空间的四邻域或八邻域作为研究对象，所捕获的数据相关性非常有限，同时并没有对复杂场景中目标和非目标区域进行区分，影响了分割区域的一致性和类别的边界定位的准确性，从而对复杂场景下的非平稳SAR图像中多目标分割显示出能力不足。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于稀疏三重马尔可夫场的SAR图像分割方法，以实现复杂场景下的多目标分割，有效提高分割区域的一致性和分割边界定位的准确率。

实现本发明的技术方案是：对输入的测试数据进行初始分割，得到标记场和辅助场的初始标记，在稀疏三重马尔可夫随机场的框架下重新定义基于自适应非平稳划分的辅助场；将邻域扩展，并对其进行自适应划分，引入稀疏表示，构建扩展邻域下的稀疏势能函数，结合似然函数构成后验概率模型，依据最大后验概率准则完成对SAR图像的分割。具体步骤包括如下：

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

(2)初始化：

对输入的测试SAR图像Y′进行初始分割，得到初始分割标记场X，其中X＝{x_i|i∈S}，x_i为第i个像素点的分割标记，x_i∈[1,2,...,K]，K为分割标记的总类别数；

将辅助场U初始化为：U＝{u_i|i∈S}，u_i为第i个像素点的辅助场标记，u_i∈[0,1,2,…,M]，M为SAR图像中包含的平稳态个数；

(3)构建稀疏势能函数：

3a)定义基于自适应非平稳划分的辅助场U，在该辅助场中计算第i个像素的势能所需的像素集合Ω_i；

3b)定义基于扩展邻域的稀疏势能函数：

其中x_i表示第i个像素的类别标记，x_j表示第j个像素的类别标记，u_i表示第i个像素的辅助场标记，u_j表示第j个像素的辅助场标记，W₁表示标记场能量，W₂表示辅助场能量，W₃表示稀疏能量，θ＝(η,β,γ)是势能函数中的约束参数，a＝1为SAR图像的一个平稳态，b＝0为SAR图像的另外一个平稳态；δ(x_i,x_j)为冲激函数，若x_i＝x_j时，该冲激函数值为1，否则为0；δ^*(u_i,u_j,a)为符号函数，若u_i＝u_j＝a＝1或u_i＝u_j＝b＝0时，该符号函数值为1，否则为0；r(x_i)表示第i个像素的重构误差，r(x_j)表示第j个像素的重构误差，Ω_i表示以第i个像素为中心的候选像素集合，且j∈Ω_i；

(4)结合稀疏势能函数W_STMF(x_i,x_j,u_i,u_j|θ)和高斯似然函数p(y_i|x_i)，利用贝叶斯概率准则得到在标记场X和辅助场U联合作用下的联合后验分布p(x,u|y)；

(5)利用Gibbs采样方法对联合后验分布函数p(x,u|y)进行采样，得到整幅图像的标记场X的T个样本场：[X₁,X₂,…,X_T]和辅助场U的T个样本场：[U₁,U₂,…,U_T]；

(6)将采样后的标记场X和辅助场U的T个样本场作为先验数据，根据贝叶斯最大后验概率MPM准则分别对标记场X和辅助场U进行更新，得到更新后的标记场X'和辅助场U'；

(7)将采样得到的标记场X和辅助场U的T个样本作为先验数据，结合更新以后的标记场X'和辅助场U'，对扩展邻域下的稀疏势能函数W_STMF(x_i,x_j,u_i,u_j|θ)中参数θ进行估计；

(8)分别统计更新参数前后图像标号场中像素类别标号发生变化的像素数目，计算标号变化的像素数目与图像总的像素数目的比值Q，同时设定阈值并将比值与阈值比较：若就将更新以后的标记场X'和辅助场U'作为最终结果输出，否则返回(6)。

本发明与现有技术相比具有以下优点：

第一，本发明对像素的邻域结构进行扩展，考虑了像素更多的空间相关性信息，同时改善了低阶邻域中所利用相关信息不足的缺点，提高了多类分割的准确度。

第二，本发明充分考虑了复杂场景下非平稳SAR图像中的多目标情形，重新定义基于自适应非平稳划分的辅助场，对扩展的邻域结构进行自适应的划分，提高了分割图像中的边界定位准确率，自适应地改善了复杂场景下非平稳SAR图像多目标分割的效果。

第三，本发明由于构建基于扩展邻域下的稀疏势能函数，使得所计算的先验稀疏势能函数不仅具有类稀疏性，而且对像素有类别约束性，降低了像素的错分率，有效地提高了分割精度。

仿真结果表明，本发明与传统三重马尔可夫场分割方法相比，可以有效地抑制相干斑噪声，实现了对复杂场景下的SAR图像多目标的准确分割，同时对简单匀质区域也有较好的分割效果，分割边界定位的准确率与分割区域的一致性均得到了有效提高。

附图说明

图1是本发明的实现流程图；

图2是用本发明和现有三重马尔可夫场方法对高原实测SAR图像的分割结果图；

图3是用本发明和现有三重马尔可夫场方法对平原实测SAR图像的分割结果图；

图4是用本发明和现有三重马尔可夫场方法对城乡实测SAR图像的分割结果图；

图5是用本发明和现有三重马尔可夫场方法对街区实测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做进一步描述：

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′。

输入的SAR图像Y′为256灰度级图像，每个像素点i的灰度值y_i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S，则该SAR图像Y′表示为Y′＝{y_i|i∈S}，y_i∈[0,1,...,255]。

步骤2.对SAR图像Y′进行初始化。

2a)对输入的SAR图像进行初始标记，即将[0,1,…,255]的灰度范围平均分成K个灰度段，K为总的类别数；将第f个灰度段的灰度均值ε_f作为该类的中心，计算第i个像素到第f类的欧氏距离：e_if＝|y_i-ε_f|，

其中，y_i表示SAR图像中第i个像素灰度值，选取该欧氏距离最小时所对应的类别标号，即f∈[1,2,…,K],i∈S，x_i∈[1,2,…,K]为第i个像素的类别标记；

2b)输入SAR图像的初始分割结果即为初始化的标记场X，利用X对辅助场U进行初始化：从输入的SAR图像中选择以第i个像素为中心取大小为5×5的邻域块，统计该邻域块中具有不同分割标号的像素对数量H，同时设定阈值ζ＝13，将像素对数量与该阈值比较，对辅助场进行标记：若H>ζ，表示第i个像素属于平稳态，则将辅助场标记为1，否则，将辅助场标记为0；

遍历输入SAR图像中的每一个像素，得到初始辅助场U。

步骤3.构建势能函数。

3a)定义基于自适应非平稳划分的辅助场U，在该辅助场中计算第i个像素的势能所需的像素集合Ω_i：

3a1)在输入SAR图像的初始辅助场U中，以第i个像素为中心取大小为A×A的邻域块，其中A＝9；

3a2)将邻域块中的辅助场标号取0和1两种平稳态，标号为1的像素称为边缘像素，标号为0的像素称为非边缘像素；

3a3)将这些边缘像素连接形成边界线，根据边界线判断是否能将邻域块进行完整划分得到像素集合Ω_i：

若边界线能将邻域块划分成若干个两两互不重叠的区域，则第i个像素所在区域中的所有像素组成的集合为Ω_i；

否则，从第i个像素所在的位置出发，沿东-西、南-北、东北-西南、西北-东南四个方向进行搜索，当搜索到标号为1的像素或者到达邻域块的边界时停止搜索，用各个方向搜索得到的像素构成集合Ω_i；

3b)定义基于扩展邻域的稀疏势能函数：

其中x_i表示第i个像素的类别标记，x_j表示第j个像素的类别标记，u_i表示第i个像素的辅助场标记，u_j表示第j个像素的辅助场标记，W₁表示标记场能量，W₂表示辅助场能量，W₃表示稀疏能量，θ＝(η,β,γ)是势能函数中的约束参数，a＝1为SAR图像的一个平稳态，b＝0为SAR图像的另外一个平稳态；δ(x_i,x_j)为冲激函数，若x_i＝x_j时，该冲激函数值为1，否则为0；δ^*(u_i,u_j,a)为符号函数，若u_i＝u_j＝a＝1或u_i＝u_j＝b＝0时，该符号函数值为1，否则为0；r(x_i)表示第i个像素的重构误差，r(x_j)表示第j个像素的重构误差，Ω_i表示以第i个像素为中心的候选像素集合，且j∈Ω_i；

该势能函数W_STMF(x_i,x_j,u_i,u_j|θ)中的标记场能量W₁、辅助场能量W₂、稀疏能量W₃，分别按如下公式计算：

W₁＝η·(2δ(x_i,x_j)-1)

W₂＝(1-δ(x_i,x_j))·[β·δ^*(u_i,u_j,a)+γ·δ^*(u_i,u_j,b)]

W₃＝|r(x_i)-r(x_j)|

其中υ_ip表示以第i个像素为中心的4-邻域结构中第p个像素的直方图特征，υ_jp表示以第j个像素为中心的4-邻域结构中第p个像素的直方图特征，D_f为第f类的字典，为第i个像素的稀疏向量，为第j个像素的稀疏向量。

步骤4.结合稀疏势能函数W_STMF(x_i,x_j,u_i,u_j|θ)和高斯似然函数p(y_i|x_i)，利用贝叶斯概率准则得到联合后验分布p(x,u|y)。

4a)高斯似然函数p(y_i|x_i)，表示如下：

其中p(y_i|x_i＝f)是p(y_i|x_i)的一个实例，即当第i个像素标记为第f类时的似然概率，μ_f表示SAR图像中类别标号为f的所有像素的灰度均值，σ_f表示输入SAR图像中类别标号为f的所有像素灰度的标准差；

4b)根据高斯似然函数p(y_i|x_i)和势能函数W_STMF(x_i,x_j,u_i,u_j|θ)，利用贝叶斯概率准则得到联合后验分布p(x,u|y)，表示如下：

其中表示稀疏三重马尔可夫场的配分函数，x是标记场X的一个实例，u是辅助场U的一个实例，y是输入SAR图像的一个实例，W_STMF(x_i,x_j,u_i,u_j|θ)中符号“|”表示以参数为θ为前提，p(y_i|x_i)中的符号“|”表示在第i个像素被标记为x_i为前提。

步骤5.利用Gibbs采样方法对联合后验分布函数p(x,u|y)进行采样。

5a)在图像实例y的标记场X中查找使得联合后验分布概率p(x,u|y)最大的标记场标号，将该标号作为y的新标号，得到标记场的后验分布p(x|y)；

5b)在图像实例y的辅助场U中查找使得联合后验分布概率p(x,u|y)最大的辅助场标号，作为y的新辅助场标号，得到辅助场后验分布p(u|y)；

5c)经过T次查找，得到标记场X的T个样本：[X₁,X₂,…,X_T]和辅助场U的T个样本：[U₁,U₂,…,U_T]。

步骤6.利用最大后验边缘概率准则MPM更新标记场X′和辅助场U′。

6a)利用标记场X的样本[X₁,X₂,…,X_T]建立具有马尔可夫性质的标记场马尔可夫链X(t)＝{X₁,X₂,…,X_T}；

6b)利用辅助场U的样本[U₁,U₂,…,U_T]建立具有马尔可夫性质的辅助场马尔可夫链U(t)＝{U₁,U₂,…,U_T}，其中T为样本总数，t∈[1,2,…,T]；

6c)根据标记场马尔可夫链X(t)计算标号为x_i的概率p(x_i|y)，根据辅助场马尔可夫链U(t)计算辅助场标号为u_i的概率p(u_i|y)：

其中，X_t(i)表示标记场离散马尔可夫链X(t)的第t个样本场中第i个像素的标号，U_t(i)表示辅助场离散马尔可夫链U(t)中的第t个样本在第i个像素的辅助场标号；

6d)利用p(x_i|y)计算最终的标记场X′＝(x_i′)_i∈S，x_i′＝argmaxp(x_i|y)，x_i′表示最终标记场X′中第i个像素标号；利用p(u_i|y)计算最终的辅助场U′＝(u_i′)_i∈S，u_i′＝argmaxp(u_i|y)，u_i′表示最终辅助场U′中第i个像素的辅助场标号。

步骤7.估计基于扩展邻域下的稀疏势能函数中参数θ。

7a)初始化参数θ₀＝(η₀,β₀,γ₀)，学习参数l＝0.05；

7b)计算每个样本场下的势能函数对参数的偏导数，即其中W^t(X_t,U_t|θ_t)表示第t个样本的势能函数，X_t表示标记场X第t个的样本，U_t表示辅助场U的第t个样本，θ_t表示第t个参数；

7c)计算第t+1次的参数经过T次计算得到参数θ的T个估计结果[θ₁,θ₂,…,θ_T]，对这T个估计结果取平均得到最终的参数：

步骤8.分别统计更新参数前后图像标号场中像素类别标号发生变化的像素数目，计算标号变化的像素数目与图像总的像素数目的比值Q，同时设定阈值并将比值与阈值比较：若就将更新以后的标记场X'和辅助场U'作为最终结果输出，否则返回(6)。

本发明效果可通过以下仿真近一步说明：

1.仿真条件

本发明的仿真是在主频2.5 GHz Intel(R)Pentium(R)Dual-Core 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，采用本发明方法和现有经典三重马尔可夫场方法对高原实测SAR图像进行分割，分割结果如图2所示。其中图2(a)为待分割的高原实测SAR图像，大小为705×684，图2(b)为利用现有经典三重马尔可夫场方法对图2(a)的分割结果图，图2(c)为利用本发明对图2(a)的分割结果图。

从图2可见，待分割的图像不仅存在一部分复杂目标场景，而且包含大量的匀质区域，划分的区域较多，各区域之间的边界线也比较明显，但是部分灰度相近且不属于同一类的区域之间的类别边界不明显，用现有经典三重马尔可夫场方法分割结果虽有较好的区域一致性，但是一些类别边界定位错误率较高，且图像中部分复杂目标完全被错误分割，，而用本发明的分割结果具有更好的区域一致性，同时也能将复杂目标完整分割出来，边界定位的准确率比图2(b)更准确。

仿真2，采用本发明方法和现有三重马尔可夫场方法对平原实测SAR图像进行分割，分割结果如图3所示。其中图3(a)为待分割的平原实测SAR图像，大小为873×829，图3(b)为利用现有三重马尔可夫场方法对图3(a)的分割结果图，图3(c)为利用本发明方法对图3(a)的分割结果图。

从图3可见，待分割的图像包含了纹理密集区域和简单匀质区域，匀质区域存在一些细长的道路等结构，在图3(b)中，过分割现象严重，分割结果中纹理密集区域中的目标被错误分割，一些道路在分割结果图中丢失，在图3(c)中，在保持简单匀质区域分割的一致性的同时，还能将纹理密集区域中的目标分割出来，与图3(b)相比区域一致性较好，纹理密集区域的分割效果明显得到改善，保持了SAR图像的细节信息。

仿真3，采用本发明方法和现有三重马尔可夫场方法对城乡实测SAR图像进行分割，仿真结果如图4所示。其中图4(a)为待分割的城乡实测SAR图像，大小为559×652，图4(b)为利用现有三重马尔可夫场方法对图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。

从图4可见，待分割的图像存在复杂场景目标和简单匀质区域，但是图像中存在严重的乘性斑点噪声，简单区域之间的边缘比较模糊，在图4(b)中，分割区域过于平滑，类别边界存在一定的扭曲，在图4(c)中，匀质区域的一致性与图4(b)相比有所降低，但是保证了较高的边界定位准确率，同时也将一些弱目标很好的分割出来，从整体来看，提高了分割精度。

仿真4，采用本发明方法和现有三重马尔可夫场方法对街区实测SAR图像进行分割，仿真结果如图5所示。其中图5(a)为待分割的街区实测SAR图像，大小为889×1129，图5(b)为利用现有三重马尔可夫场方法对图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。

从图5可见，待分割的图像包含了大片的匀质区域，和一些道路、建筑物，以及湖泊、植被等目标，这些目标包含丰富的纹理信息，同时图中也存在严重乘性斑点噪声，在图5(b)中，过分割现象严重，分割结果中结构信息大部分丢失，只保留部分边界，一些区域存在变形，区域之间的边界也丢失，总体边界定位准确率较低，从在图5(c)中来看，图5(a)中的复杂结构的目标很好的分割出来，同时也具有较高的区域一致性，与图5(b)相比，边界定位的准确率更高，区域的一致性更好。

以上四个仿真表明：由于本发明一方面重新构建基于自适应非平稳划分的辅助场，使得分割结果中的类别边界定位更加准确，另一方面建立扩展邻域下的稀疏势能函数，考虑了势能函数在SAR图像中的全局自适应性，提高了多类分割的分割精度，且在分割结果中保持匀质区域一致性的同时，提高了目标类别边界定位的准确率。

Claims (9)

1.一种基于稀疏三重马尔可夫场的SAR图像分割方法，包括如下步骤：

(1)输入SAR图像：Y′＝{y_i|i∈S}，y_i为第i像素点的灰度值，y_i∈[0,1,...,255]，S为SAR图像像素点集；

(2)初始化：

对输入的测试SAR图像Y′进行初始分割，得到初始分割标记场X，其中X＝{x_i|i∈S}，x_i为第i个像素点的分割标记，x_i∈[1,2,...,K]，K为分割标记的总类别数；

将辅助场U初始化为：U＝{u_i|i∈S}，u_i为第i个像素点的辅助场标记，u_i∈[0,1,2,…M]，M为SAR图像中包含的平稳态个数；

(3)构建稀疏势能函数：

3a)定义基于自适应非平稳划分的辅助场U，在该辅助场中计算第i个像素的势能所需的像素集合Ω_i；

3b)定义基于扩展邻域的稀疏势能函数：

$\begin{array}{c}{W}_{STMF}(x_i,x_j,u_i,u_j|\mathrm{\θ})=\underset{j\∈{\mathrm{\Ω}}_i}{\Σ}(W_1+W_2)\×W_3\\ =\underset{j\∈{\mathrm{\Ω}}_i}{\Σ}\{\mathrm{\η}\·\left(2\mathrm{\δ}\right(x_i,x_j)-1)\\ +(1-\mathrm{\δ}(x_i,x_j\left)\right)\·\[\mathrm{\β}\·{\mathrm{\δ}}^{*}(u_i,u_j,a)+\mathrm{\γ}\·{\mathrm{\δ}}^{*}(u_i,u_j,b)\]\}\·|r\left(x_i\right)-r\left(x_j\right)|\end{array}$

其中x_i表示第i个像素的类别标记，x_j表示第j个像素的类别标记，u_i表示第i个像素的辅助场标记，u_j表示第j个像素的辅助场标记，W₁表示标记场能量，W₂表示辅助场能量，W₃表示稀疏能量，θ＝(η,β,γ)是势能函数中的约束参数，a＝1为SAR图像的一个平稳态，b＝0为SAR图像的另外一个平稳态；δ(x_i,x_j)为冲激函数，若x_i＝x_j时，该冲激函数值为1，否则为0；δ^*(u_i,u_j,a)为符号函数，若u_i＝u_j＝a＝1或u_i＝u_j＝b＝0时，该符号函数值为1，否则为0；r(x_i)表示第i个像素的重构误差，r(x_j)表示第j个像素的重构误差，Ω_i表示以第i个像素为中心的候选像素集合，且j∈Ω_i；

(4)结合稀疏势能函数W_STMF(x_i,x_j,u_i,u_j|θ)和高斯似然函数p(y_i|x_i)，利用贝叶斯概率准则得到在标记场X和辅助场U联合作用下的联合后验分布p(x,u|y)；

(5)利用Gibbs采样方法对联合后验分布函数p(x,u|y)进行采样，得到整幅图像的标记场X的T个样本场：[X₁,X₂,…,X_T]和辅助场U的T个样本场：[U₁,U₂,…,U_T]；

(6)将采样后的标记场X和辅助场U的T个样本场作为先验数据，根据贝叶斯最大后验概率MPM准则分别对标记场X和辅助场U进行更新，得到更新后的标记场X'和辅助场U'；

(7)将采样得到的标记场X和辅助场U的T个样本作为先验数据，结合更新以后的标记场X'和辅助场U'，对扩展邻域下的稀疏势能函数W_STMF(x_i,x_j,u_i,u_j|θ)中参数θ进行估计；

(8)分别统计更新参数前后图像标号场中像素类别标号发生变化的像素数目，计算标号变化的像素数目与图像总的像素数目的比值Q，同时设定阈值并将比值与阈值比较：若就将更新以后的标记场X'和辅助场U'作为最终结果输出，否则返回(6)。

2.根据权利要求1所述的方法，其特征在于：步骤(2)对输入的测试SAR图像Y′进行初始分割，按如下步骤进行：

2a)对SAR图像进行初始标记，即初始K类分割；将[0,1,…,255]的灰度范围平均分成K个灰度段，K为总的类别数，将第f个灰度段的灰度均值ε_f作为该类的中心，计算第i个像素到第f类的欧氏距离：e_if＝|y_i-ε_f|，y_i表示SAR图像中第i个像素的灰度值，选取该距离最小时所对应的类别标号，即x_i∈[1,2,…,K]为第i个像素的类别标记；

2b)根据初始化的标记场X对辅助场U进行初始化，在输入的SAR图像中选择以第i个像素为中心取大小为5×5的邻域块，统计该邻域块中具有不同分割标号的像素对数量H，同时设定阈值ζ＝13，若H>ζ，则第i个像素属于平稳态，并将辅助场标记为1，否则，将辅助场标记为0，遍历输入SAR图像中的每一个像素，得到初始辅助标记场U。

3.根据权利要求1所述的方法，其特征在于：步骤(3a)中在该辅助场中计算第i个像素的势能所需的像素集合Ω_i，按如下步骤进行：

3a1)在输入SAR图像的辅助场U中，以第i个像素为中心取大小为A×A的邻域块；

3a2)将邻域块中的辅助场标号取0和1两种平稳态，标号为1的像素称为边缘像素，标号为0的像素称为非边缘像素；

3a3)将这些边缘像素连接形成边界线，根据边界线判断是否能将邻域块进行完整划分得到像素集合Ω_i：

若边界线能将邻域块划分成若干个两两互不重叠的区域，则第i个像素所在区域中的所有像素组成的集合为Ω_i；

否则，从第i个像素所在的位置出发，沿东-西、南-北、东北-西南、西北-东南四个方向进行搜索，当搜索到标号为1的像素或者到达邻域块的边界时停止搜索，用各个方向搜索得到的像素构成集合Ω_i。

4.根据权利要求1所述的方法，其特征在于：步骤(3b)中的标记场能量W₁、辅助场能量W₂、稀疏能量W₃，分别按如下公式计算：

W₁＝η·(2δ(x_i,x_j)-1)

W₂＝(1-δ(x_i,x_j))·[β·δ^*(u_i,u_j,a)+γ·δ^*(u_i,u_j,b)]

W₃＝|r(x_i)-r(x_j)|

其中υ_ip表示以第i个像素为中心的4-邻域结构中第p个像素的直方图特征，υ_jp表示以第j个像素为中心的4-邻域结构中第p个像素的直方图特征，D_f为第f类的字典，为第i个像素的稀疏向量，为第j个像素的稀疏向量。

5.根据权利要求1所述的方法，其特征在于：步骤(4)中的高斯似然函数p(y_i|x_i)，表示如下：

$p\left(y_i\right|x_i=f)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_f}\exp (-\frac{{(y_i-{\mathrm{\μ}}_f)}^2}{2{{\mathrm{\σ}}_f}^2})$

其中p(y_i|x_i＝f)是p(y_i|x_i)的一个实例，即当第i个像素标记为第f类时的似然概率，μ_f表示SAR图像中类别标号为f的所有像素的灰度均值，σ_f表示输入SAR图像中类别标号为f的所有像素灰度的标准差。

6.根据权利要求1所述的方法，其特征在于：步骤(4)中的联合后验分布p(x,u|y)，表示如下：

$p(x,u|y)=\frac{1}{Z_{xu}\left(\mathrm{\θ}\right)}\exp \[\underset{i\∈S}{\Σ}\underset{j\∈{\mathrm{\Ω}}_i}{\Σ}{W}_{STMF}(x_i,x_j,u_i,u_j|\mathrm{\θ})+\underset{i\∈S}{\Σ}\log p\left(y_i\right|x_i)\],$

其中表示稀疏三重马尔可夫场的配分函数，x是标记场X的一个实例，u是辅助场U的一个实例，y是输入SAR图像的一个实例，W_STMF(x_i,x_j,u_i,u_j|θ)中符号“|”表示以参数为θ为前提，p(y_i|x_i)中的符号“|”表示在第i个像素被标记为x_i为前提。

7.根据权利要求1所述的方法，其特征在于：步骤(5)利用Gibbs采样方法对联合后验分布函数p(x,u|y)进行采样，按如下步骤进行：

5a)在图像实例y的标记场X中查找使得联合后验分布概率p(x,u|y)最大的标记场标号，将该标号作为y的新标号，得到标记场的后验分布p(x|y)；

5b)在图像实例y的辅助场U中查找使得联合后验分布概率p(x,u|y)最大的辅助场标号，作为y的新辅助场标号，得到辅助场后验分布p(u|y)；

5c)经过T次查找，得到标记场X的T个样本：[X₁,X₂,…,X_T]和辅助场U的T个样本：[U₁,U₂,…,U_T]。

8.根据权利要求1所述的方法，其特征在于：步骤(6)中根据贝叶斯最大后验概率MPM准则分别对标记场X和辅助场U进行更新，按如下步骤进行：

6a)利用标记场X的样本[X₁,X₂,…,X_T]建立具有马尔可夫性质的标记场马尔可夫链X(t)＝{X₁,X₂,…,X_T}，

6b)利用辅助场U的样本[U₁,U₂,…,U_T]建立具有马尔可夫性质的辅助场马尔可夫链U(t)＝{U₁,U₂,…,U_T}，其中T为样本总数，t∈[1,2,…,T]；

6c)根据标记场马尔可夫链X(t)计算标号为x_i的概率p(x_i|y)，根据辅助场马尔可夫链U(t)计算辅助场标号为u_i的概率p(u_i|y)：

$p\left(x_i\right|y)\≈\frac{1}{T}\underset{t}{\overset{T}{\Σ}}{\mathrm{\δ}}_{f,i}\left(t\right),$

$p\left(u_i\right|y)\≈\frac{1}{T}\underset{t}{\overset{T}{\Σ}}{\mathrm{\δ}}_{m,i}^{\′}\left(t\right),$

其中，

6d)利用p(x_i|y)计算最终的标记场X′＝(x′_i)_i∈S，x′_i＝argmax p(x_i|y)；利用p(u_i|y)计算最终的辅助场U′＝(u′_i)_i∈S，u′_i＝argmaxp(u_i|y)。

9.根据权利要求1所述的方法，其特征在于：步骤(7)中对参数θ的估计，按如下步骤进行：

7a)初始化参数θ₀＝(η₀,β₀,γ₀)，学习参数l＝0.05；

7b)计算每个样本场下的势能函数对参数的偏导数，即其中W^t(X_t,U_t|θ_t)表示第t个样本的势能函数，X_t表示标记场X第t个的样本，U_t表示辅助场U的第t个样本，θ_t表示第t个参数；

7c)计算第t+1次的参数经过T次计算得到参数θ的T个估计结果[θ₁,θ₂,…,θ_T]，对这T个估计结果取平均得到最终的参数：