CN106611421A - 基于特征学习和素描线段约束的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于特征学习和素描线段约束的SAR图像分割方法。主要解决现有技术分割SAR图像不准确的问题。其实现步骤如下：(1)SAR图像素描化；(2)根据SAR图像的区域图，划分SAR图像的像素子空间；(3)采用反卷积模型进行特征学习；(4)构建方向特征向量和长度特征向量，进行滤波器结构聚类；(5)基于方向约束的码本投影；(6)分割SAR图像混合聚集结构地物像素子空间；(7)基于素描线聚拢特征的独立目标分割；(8)基于视觉语义规则的线目标分割；(9)采用基于多项式逻辑回归先验模型对匀质区域像素子空间进行分割；(10)合并得到SAR图像分割结果。本发明获得了SAR图像的良好分割效果，可用于SAR图像的语义分割。

Description

基于特征学习和素描线段约束的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于脊波反卷积网络和稀疏分类的合成孔径雷达(Synthetic Aperture Radar，SAR)图像分割方法。本发明能够对合成孔径雷达SAR图像的不同区域准确地进行分割，并且可用于后续的合成孔径雷达SAR图像的目标检测与识别。

背景技术

合成孔径雷达SAR图像分割是指根据灰度、纹理、结构、聚集性等特征将合成孔径雷达SAR图像划分成若干个互不相交的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性的过程。合成孔径雷达SAR图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。合成孔径雷达SAR图像分割是图像理解与解译的基础，分割质量的好坏直接影响后续的分析、识别等。通常，分割越准确，识别越成功。

现有的合成孔径雷达SAR图像分割方法主要分为基于特征的方法和基于统计模型的方法。基于特征的方法主要是提取一些合成孔径雷达SAR图像的特征进行分割，比如纹理特征、边特征以及混合特征等。基于统计模型的方法将合成孔径雷达SAR图像分割问题用概率的方式表达，将图像的特征描述为一些经验的分布，例如Nakagami分布、Gamma分布、K分布、G分布等。

刘芳，段一平，李玲玲，焦李成等在其发表的论文“基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割”(IEEE Trancactions on Geoscience and RemoteSensing，2016,54(7):4287‐4301.)中提出了一种基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法，该方法根据合成孔径雷达SAR图像的素描模型提取出SAR图像的素描图，采用素描线区域化方法，得到SAR图像的区域图，并将区域图映射到SAR图像中，最终将合成孔径SAR图像划分为聚集区域、匀质区域和结构区域。基于该划分，对不同特性的区域采用了不同的分割方法。对于聚集区域，提取了灰度共生矩阵特征，并采用局部线性约束编码的方法得到每个聚集区域的表示，进而采用层次聚类的方法进行分割。对结构区域，通过分析边模型和线模型，设计了视觉语义规则定位边界和线目标。另外，边界和线目标包含了强烈的方向信息，因此设计了基于几何结构窗的多项式隐模型进行分割。对匀质区域，为了能找到恰当的邻域去表示中心像素，设计了基于自适应窗口的多项式隐模型进行分割。这三个区域的分割结果被整合到一起得到最后的分割结果。该方法的不足之处是，对于聚集区域边界定位不够精确；对于匀质区域的分割结果区域一致性较差，且类别数不够合理；而结构区域的分割结果中未对独立目标进行处理。

林达，徐新，潘雪峰，张海涛在其发表的论文“一种新的MSTAR SAR图像分割方法”(武汉大学学报，2014,3,9)中提出了一种新的MSTAR SAR图像分割方法。该方法首先根据地物的散射机制进行属性散射中心特征提取，构造属性散射中心特征向量，然后使用马尔科夫随机场结合属性散射中心特征对MSTAR SAR图像进行空间邻域关系描述，最后运用标号代价能量优化算法得到最终的分割结果。该方法存在的不足之处是，该方法对合成孔径雷达SAR图像进行分割所使用的特征是人工提取的，人工选取特征是一件非常费力、需要专业知识的方法，能不能选取到好的特征很大程度上靠经验和运气，因此人工选取的特征的好坏往往成为整个系统性能的瓶颈。

西安电子科技大学在其申请的专利“基于深度自编码和区域图的SAR图像分割方法”(专利申请号201410751944.2，公开号CN104392456 A)中公开了一种基于深度自编码和区域图的SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图，将区域图映射到原图得到聚集、匀质和结构区域；分别对聚集、匀质区域用不同的深度自编码器训练，得到聚集和匀质区域每个点的特征；分别对聚集和匀质区域构建字典，各点投影至相应字典并汇聚出各子区域的区域特征，分别对两类区域的子区域特征进行聚类；对结构区域在素描线段指导下使用超像素合并进行分割；合并各区域分割结果完成SAR图像分割。该方法存在的不足之处是，所用的自动提取图像特征的深度自编码器的输入为一维向量，破坏了图像的空间结构特征，因此，不能提取图像的本质特征，降低了SAR图像分割的精度。

西安电子科技大学在其申请的专利“基于反卷积网络与映射推理网络的SAR图像分割方法”(专利申请号CN201510679181.X，公开号CN105389798A)中公开了一种反卷积网络与映射推理网络的SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图，将区域图映射到原图得到聚集、匀质和结构区域；分别对聚集和匀质区域中各个互不连通的区域进行无监督训练，得到表征各个互不连通区域结构特征的滤波器集合；分别对两类区域的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；对结构区域在素描线段指导下使用超像素合并进行分割；合并各区域分割结果完成SAR图像分割。该方法存在的不足之处是，在对聚集区域中互不连通区域间的结构特征进行比较推理的时候，该方法采用的推理网络是自组织特征映射SOM网络，由于自组织映射SOM本身具有人为确定聚类数，聚类时间久的缺点，并且SOM在对SAR滤波器特征处理时，将具有明显方向差异的滤波器特征聚类为一类，导致聚类准确性极大降低，极大地影响了SAR图像分割的准确性。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于特征学习和素描线段约束的(Synthetic Aperture Radar，SAR)图像分割方法。以提高合成孔径雷达SAR图像分割的准确性。

为实现上述目的，本发明具体实现步骤包括如下：

(1)SAR图像素描化：

(1a)建立合成孔径雷达SAR图像的素描模型；

(1b)从素描模型提取合成孔径雷达SAR图像的素描图；

(2)划分像素子空间：

(2a)采用素描线区域化方法，得到合成孔径雷达SAR图像的区域图；

(2b)将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、匀质区域像素子空间、结构像素子空间；

(3)特征学习：

利用反卷积神经网络，对混合聚集结构地物像素子空间的各个互不连通区域进行无监督训练，得到表征SAR图像混合聚集结构地物像素子空间中各个互不连通区域的滤波器集合；

(4)滤波器结构聚类：

(4a)利用初始素描线PrimalSketch稀疏表示模型，对混合聚集结构地物像素子空间中各个互不连通区域滤波器集合中的每个滤波器进行素描化，得到混合聚集结构地物像素子空间中各个互不连通区域滤波器集合中每个滤波器的素描块；

(4b)提取各个互不连通区域中每个滤波器素描块的结构信息，将滤波器方向信息、滤波器素描线段长度信息以及滤波器所属方向区间信息等相关属性设计为方向特征向量和线段特征向量；

(4c)利用方向特征向量和线段特征向量，对混合聚集结构地物像素子空间中每个区域的滤波器集合进行结构聚类，得到每个区域按方向聚类后的滤波器集合；

(4d)将每个区域结构聚类后的滤波器集合拼接成一个集合，将该集合作为混合聚集结构地物像素子空间的码本；

(5)分割SAR图像混合聚集结构地物像素子空间：

采用基于方向约束的码本投影方法，将每一个区域的每个滤波器，按方向区间向码本投影，得到该区域的一个结构特征向量，利用AP算法聚类，对SAR图像混合聚集结构地物像素子空间进行分割，得到混合聚集结构像素子空间的分割结果；

(6)分割结构像素子空间：

(6a)用视觉语义规则，分割线目标；

(6b)基于素描线的聚拢特征，分割独立目标；

(6c)对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果。

(7)分割匀质区域像素子空间：

采用基于多项式逻辑回归先验模型的匀质区域分割方法，对匀质区域像素子空间进行分割，得到匀质区域像素子空间的分割结果；

(8)获得SAR图像分割结果：

合并混合聚集结构像素子空间的分割结果，匀质区域像素子空间的分割结果，以及结构像素子空间的分割结果，得到最终合成孔径雷达SAR图像分割结果。

本发明与现有技术相比具有以下优点：

第一，由于本发明利用反卷积神经网络，对混合聚集结构地物像素子空间各个区域进行无监督训练，克服了现有技术自动提取图像特征的深度自编码器没有关注图像中像素间的空间关系的缺点，使得采用本发明可以自动提取图像的本质特征，因此，获得更好的区域分割一致性。

第二，由于本发明提取各个互不连通区域中每个滤波器素描块的结构信息，将滤波器方向信息、滤波器素描线段长度信息以及滤波器所属方向区间信息等相关属性设计为方向特征向量和线段特征向量，克服了现有技术将单一能量特征作为唯一推理特征的缺点，使得采用本发明能抓住SAR图像滤波器最重要的结构特征，提高了SAR图像分割的准确性。

第三，由于本发明通过利用方向特征向量和线段特征向量，对混合聚集结构地物像素子空间中每个区域的滤波器集合进行结构聚类，克服了现有技术人为确定聚类数，聚类时间久的缺点以及将具有明显方向差异的滤波器特征聚为一类，导致聚类准确性极大降低的缺点，使得采用本发明提高了滤波器聚类的准确率，进一步提高SAR图像分割的准备性。

第四，由于本发明采用基于方向约束的码本投影方法，克服了现有技术投影时间长的缺点，使得采用本发明提高了SAR图像分割的时间效率。

附图说明

图1是本发明的流程图；

图2是本发明的仿真图；

图3是本发明推理实验的仿真图；

图4是本发明仿真结果示意图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照附图1，本发明的具体步骤如下。

步骤1，SAR图像素描化。

输入合成孔径雷达SAR图像，将其素描化，得到合成孔径雷达SAR图像的素描图。

第1步，构造具有不同方向和尺度的由像素点组成的边、线的一个模板，利用模板的方向和尺度信息构造各向异性高斯函数，统计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；

第2步，按照下式，计算与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值和方差值：

其中，μ表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值，∑表示求和操作，g表示模板第Ω个区域中一个像素点的位置，∈表示属于符号，w_g表示模板第Ω个区域中像素点在g位置处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示与模板第Ω个区域中像素点在g位置处对应的合成孔径雷达SAR图像中的像素值，ν表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的方差值；

第3步，按照下式，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：

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分别表示模板中的两个不同的区域，μ_a和μ_b分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值；

第4步，按照下式，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：

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分别表示模板中两个不同的区域，v_a和v_b分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的方差值，u_a和u_b分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值，表示平方根操作；

第5步，按照下式，融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值，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，表示平方根操作；

第6步，从各个模板的响应值中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；

第7步，利用合成孔径雷达SAR图像中每个像素所选择的具有最大响应值的模板，获得合成孔径雷达SAR图像的梯度图；

第8步，按照下式，融合边线响应图的响应值和梯度图的值，计算得到强度值，由强度值的各个像素点组成合成孔径雷达SAR图像的强度图：

其中，I表示强度值，x表示合成孔径雷达SAR图像边线响应图中的值，y表示合成孔径雷达SAR图像梯度图中的值；

第9步，采用非极大值抑制方法，对强度图进行检测，得到建议草图；

第10步，从建议草图中选取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；

第11步，按照下式，计算建议素描图中素描线的编码长度增益：

其中，CLG表示建议素描图中素描线的编码长度增益，m表示当前素描线邻域中像素的个数，∑表示求和操作，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前提下，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前提下，该素描线邻域中第t个像素的估计值；

第12步，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。

本发明使用的合成孔径雷达SAR图像素描模型是Jie‐Wu等人于2014年发表在IEEETransactions on Geoscience and Remote Sensing杂志上的文章《Local maximalhomogenous region search for SAR speckle reduction with sketch‐basedgeometrical kernel function》中所提出的模型。

步骤2，划分像素子空间。

第1步，按照合成孔径雷达SAR图像的素描图中素描线段的聚集度，将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线；

第2步，根据素描线段聚集度的直方图统计，选取聚集度等于最优聚集度的素描线段作为种子线段集{E_k,k＝1,2,...,m}，其中，E_k表示种子线段集中的任一条素描线段，k表示种子线段集中任一条素描线段的标号，m表示种子线段的总条数，{·}表示集合操作；

第3步，将未被选取添加进某个种子线段集和的线段作为基点，以此基点递归求解新的线段集合；

第4步，构造一个半径为最优聚集度区间上界的圆形基元，用该圆形基元对线段集合中的线段进行膨胀，对膨胀后的线段集合由外向内进行腐蚀，在素描图上得到以素描点为单位的聚集区域；

第5步，对表示边界、线目标以及孤立目标的素描线，以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗，得到结构区域；

第6步，将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域；

第7步，将素描图中的聚集区域、结构区域和不可素描区域，分别映射到合成孔径雷达SAR图像上，得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、结构像素子空间和匀质结构像素子空间。

步骤3，特征学习。

第1步，在混合聚集结构地物像素子空间中任意选取一个区域进行滑窗采样；

第2步，构造一个5层反卷积网络，其中，第1层为输入层，第2层为包含9个7×7大小的滤波器和9个特征图的反卷积层，第3层为包含45个7×7大小的滤波器和45个特征图的反卷积层，第4层为包含100个7×7大小的滤波器和100个特征图的反卷积层，第5层为包含484个7×7大小的滤波器和484个特征图的反卷积层；

第3步，对混合聚集结构地物像素子空间中所选取的区域进行采样，将得到的采样样本输入到反卷积网络进行训练；

第4步，将反卷积网络中第5层中的484个滤波器，作为表征混合聚集结构地物像素子空间中所选取的区域的滤波器集合；

第5步，判断混合聚集结构地物像素子空间中所有区域是否选取完，若是，结束采样样本的训练；否则，执行第1步。

所述的训练反卷积网络的方法，参见Matthew D.Zeiler等人于2010年发表在会议Computer Vision and Pattern Recognition上的文章《Deconvolutional Networks》，这是一种无监督层次提取图像特征的方法。

步骤4，滤波器结构聚类。

利用初始素描线PrimalSketch稀疏表示模型，对混合聚集结构地物像素子空间中各个区域滤波器集合中的每个滤波器进行素描化，得到混合聚集结构地物像素子空间中各个互不连通区域滤波器集合中每个滤波器的素描块。

提取各个互不连通区域中每个滤波器素描块的结构信息，统计得到含有滤波器方向信息、滤波器素描线段长度信息以及滤波器所属方向区间信息的方向统计向量和线段统计向量。

第1步，将任意一个滤波器素描块左上角作为直角坐标系的原点，构建一个直角坐标系，该坐标系的Y轴方向向下，统计滤波器素描块中所有素描线段在坐标系中的坐标值；

第2步，按照下式，计算每一个素描线段与坐标系X轴夹角值，将所计算的夹角值作为该夹角值所对应的素描线段的方向：

其中，θ_t表示第t个素描线段与坐标系X轴的夹角值，arctan表示反正切操作，x₁，y₁分别表示第t个素描线段的一个端点坐标，x₂，y₂分别表示第t个素描线段的另一端点的坐标；

第3步，初始化一个19维方向特征向量D，该向量以10°为单位，将[0°,180°]划分为18个方向区间，该向量前18维的每个下标对应相应的方向区间，如第一个下标的含义表示[0°,10°]的方向区间，每一维的分量表示相应方向区间的素描线段的个数，第19维表示一个判断分量；将所有素描线段按照对应方向区间放入该19维特征向量，得到滤波器的方向特征向量D；

第4步，统计滤波器素描块每个素描线段的素描点，初始化一个3维的线段特征向量L，该向量第1维表示该素描块所有素描线段的个数l，第2维表示该素描块中所有素描线段中最长的素描线段d，第3维表示该素描块素描线段的平均长度m，得到一个3维的滤波器线段特征向量L，其中L＝(l,d,m)。

利用方向特征向量和线段特征向量，对混合聚集结构地物像素子空间中每个区域的滤波器集合进行结构聚类，得到每个区域按方向聚类后的滤波器集合。

第1步，按照单方向聚类：若线段特征向量L中的素描线段个数为1，则表示该滤波器素描块只有一个方向，方向特征向量D中只有某一分量的值不为0，其他分量的值都为0，不为0分量对应的下标就是该滤波器素描块所对应的原滤波器的方向类类别号；

第2步，按照多方向聚类：若线段特征向量L中的素描线段个数为2，则表示该滤波器素描块只有两个不同方向，从方向特征向量D找出线段特征向量L的分量d，其中分量d的下标号，表示该滤波器素描块的方向类类别号；

第3步，按照围拢趋势聚类：若线段特征向量L中的素描线段个数大于2，则表示该滤波器素描块有多个方向，统计滤波器素描块所在区域r中所有素描块素描线段长度信息，按照下式计算，得到区域r的具有统计意义用来判断围拢趋势的阈值：

TH^r＝m^r+λ^r×(d^r-m^r)

其中，TH^r表示区域r具有统计意义的用来判断围拢趋势的阈值，λ^r表示区域r的可调参数，m^r表示区域r中所有素描块素描线段的平均值，d^r表示区域r所有素描块素描线段的最大值；

若该滤波器素描块的线段特征向量中最长素描线段长度大于阈值TH^r，则执行第2步，将该素描块按照多方向处理；若该滤波器素描块的线段特征向量中最长素描线段长度小于阈值TH^r，则该滤波器为围拢趋势，该滤波器方向特征向量D的判别分量的下标为其方向类类别号；

第4步，按照上述步骤，迭代处理混合聚集结构地物像素子空间各个互不连通的区域，得到每个区域按方向聚类后的滤波器集合。

将每个区域结构聚类后的滤波器集合拼接成一个更大的集合，该集合作为混合聚集结构地物像素子空间的码本。

步骤5，分割SAR图像混合聚集结构地物像素子空间。

第1步，将每个区域结构聚类后的滤波器集合拼接成的集合作为混合聚集结构地物像素子空间的码本；

第2步，将混合聚集结构像素子空间中各个互不连通区域的每个滤波器分别向码本投影，进行基于方向约束的投影，属于同一个方向的滤波器进行投影时，投影方案采用内积，不属于同一方向的滤波器之间投影值为0，得到每个区域中每一个滤波器按方向投影后的特征向量；

第3步，对每个区域所有滤波器投影后的特征向量进行最大池化，得到最终表征该区域的一个结构特征向量；

第4步，利用AP算法，对混合聚集结构地物像素子空间中各个互不连通区域进行聚类，得到SAR图像混合聚集结构地物像素子空间各个互不连通区域的分割结果。

步骤6，分割结构像素子空间。

用视觉语义规则，分割线目标。

设第i条素描线l_i与第j条素描线l_j之间的距离为D_ij，l_i的方向为O_i，l_j的方向为O_j，i,j∈[1,2,...,S]，S为素描线的总条数。

将宽度大于3个像素的线目标用两条素描线l_i和l_j表示，l_i和l_j之间的距离D_ij小于T₁且方向差(O_i-O_j)小于10度，其中T₁＝5。

设第s条素描线l_s的几何结构窗w_s内每一列的平均灰度为A_i，设相邻列的灰度差为AD_i＝|A_i-A_i+1|，设z_s＝[z_s1,z_s2,...,z_s9]为相邻列的灰度差AD_i的标记向量。

将宽度小于3个像素的线目标用单个素描线l_s表示，l_s的几何结构窗w_s内，计算相邻列的灰度差AD_i，如果AD_i>T₂，则z_si＝1；否则z_si＝0，z_s中有两个元素的值为1，其余为0，其中T₂＝34。

设L₁,L₂是表示线目标的素描线的集合，如果D_ij<T₁并且|O_i-O_j|<10，则l_i,l_j∈L₁；如果sum(z_s)＝2，则l_s∈L₂，其中sum(·)表示参量元素的和。

在结构像素子空间，根据线目标的素描线的集合L₁，将l_i和l_j之间的区域作为线目标。

在结构像素子空间，根据线目标的素描线的集合L₂，将覆盖l_s的区域作为线目标。

基于素描线的聚拢特征，分割独立目标。

第1步，在区域图的结构区域中，将不表示线目标的所有素描线标记为候选素描线集合中的素描线；

第2步，从候选素描线集合中随机选取一条素描线，以所选取的素描线的一个端点为中心，构造大小为5×5的一个几何结构窗；

第3步，判断几何结构窗内是否存在其它素描线的端点，若存在，执行第4步；否则，执行第6步；

第4步，判断是否只存在一个端点，若是，将该端点所在素描线和当前素描线进行连接；否则，执行第5步；

第5步，连接所选取素描线与各端点所在的素描线，从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线；

第6步，判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点，若存在，执行第4步；否则，执行第7步；

第7步，对完成连接操作的素描线，选取包含两条及两条以上素描线段的素描线，统计所选取素描线中包含素描线段的条数n，其中n≥2；

第8步，判断素描线的条数n是否等于2，若是，则执行第9步；否则，执行第10步；

第9步，将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线；

第10步，选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线；

第11步，在所选出的素描线中，定义如下两种情况：

第一种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1，若素描线上的所有素描线段与相邻线段都在同一侧，则标记该素描线为具有聚拢特征的素描线；

第二种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1，若素描线上有n‐1条素描线段与相邻线段在同一侧，而有一条素描线段与其相邻线段在非同一侧，也标记该素描线为具有聚拢特征的素描线；

第12步，在具有聚拢特征的素描线中任选一条素描线，由所选取素描线的两个端点坐标，确定两个端点间的距离，若该端点距离在[0,20]范围内，则将所选取素描线作为表示独立目标的素描线；

第13步，判断未处理的具有聚拢特征的素描线是否全部选完，若是，执行第12步；否则，执行第14步；

第14步，用超像素分割的方法，对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割，将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素；

第15步，合并独立目标超像素，将合并后的独立目标超像素的边界作为独立目标的边界，得到独立目标的分割结果。

对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果。

步骤7，分割匀质区域像素子空间。

将混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间的分割结果进行合并，得到合成孔径雷达SAR图像的最终分割结果。

第1步，从匀质区域像素子空间中任意选取一个像素点，以所选取的像素点为中心建立3×3的方形窗口，计算该窗口的标准差σ₁；

第2步，将方形窗口的边长增加2，得到新的方形窗口，计算新方形窗口的标准差σ₂；

第3步，设标准差阈值T₃＝3，如果|σ₁-σ₂|<T₃，则将标准差为σ₂的方形窗口作为最终的方形窗口，执行第4步；否则，执行第2步；

第4步，按照下式，计算方形窗口内中心像素的先验概率：

其中，p′₁表示方形窗口内中心像素的先验概率，exp(·)表示指数函数操作，η′表示概率模型参数，η′取值为1，x_k′′表示方形窗口内属于第k′类的像素个数，k′∈[1,...,K']，K′表示分割的类别数，K′取值为5，x_i′表示第3步得到的方形窗口内属于第i′类的像素个数；

第5步，将像素灰度的概率密度与纹理的概率密度相乘，得到似然概率p′₂，其中，灰度的概率密度由衰落信道Nakagami分布得到，纹理的概率密度由t分布得到；

第6步，将先验概率p₁′与似然概率p₂′相乘，得到后验概率p₁₂′；

第7步，判断匀质区域像素子空间中是否还有未处理的像素点，若有，执行第1步；否则，执行第9步；

第8步，根据最大后验概率准则，得到匀质区域像素子空间的分割结果。

步骤8，最终SAR图像分割结果。

合并步骤(5)得到的混合聚集结构像素子空间的分割结果，步骤(6)得到的结构像素子空间的分割结果，以及步骤(7)得到的匀质区域像素子空间的分割结果，得到最终合成孔径雷达SAR图像分割结果。

下面结合仿真图对本发明做进一步的描述。

1.仿真条件：

本发明仿真的硬件条件为：智能所图形工作站；本发明仿真所使用的合成孔径雷达SAR图像为：Ku波段分辨率为1米的Piperiver图。

2.仿真内容：

本发明的仿真实验是对SAR图像中的Piperiver图进行分割，如图2(a)所示的Piperiver图。该图来源于Ku波段分辨率为1米的合成孔径雷达SAR图像。

采用本发明的SAR图像素描化步骤，对图2(a)所示的Piperiver图素描化，得到如图2(b)所示的素描图。

采用本发明的划分像素子空间步骤，对图2(b)所示的素描图区域化，得到如图2(c)所示的区域图。图2(c)中的白色空间表示聚集区域，其他的为无素描线区域和结构区域。将图2(c)所示区域图映射到图2(a)所示Piperiver图，得到如图2(d)所示的Piperiver图像混合聚集结构地物像素子空间图。将图2(c)所示区域图中结构区域映射到图2(b)所示素描图，得到图2(e)所示的结构区域对应的素描线。图2(f)所示的结构区域对应的素描线中，黑色为代表线目标的素描线，图2(g)所示的结构区域对应的素描线中，黑色为代表独立目标的素描线。

采用本发明的特征学习步骤，对图2(d)所示的混合聚集结构地物像素子空间区域1特征学习，得到如图3(a)所示的表征区域1滤波器集合；采用本发明的滤波器结构聚类，对图3(a)所示的滤波器集合进行初始素描化，得到如图3(b)所示的区域1的所有滤波器的素描块；，对比图3(c)和图3(d)，本发明的方法明显较好，其中图3(c)是本发明的方法，图3(d)是基于反卷积网络和映射推理的SAR图像分割中的方法。

采用本发明的分割SAR图像混合聚集结构地物像素子空间步骤，对图2(d)所示的Piperiver图的混合聚集结构地物像素子空间图进行分割，得到图4(a)所示的混合聚集结构地物像素子空间分割结果图，其中灰色区域表示未处理的地物空间，其余相同颜色的区域表示同一种地物，不同颜色的区域表示不同的地物空间。

采用本发明的基于素描线的聚拢特征，分割独立目标步骤，对图2(a)所示的Piperiver图进行独立目标的分割，得到图4(b)所示的独立目标的分割结果图，其中黑色区域表示独立目标。

采用本发明的合并分割结果步骤，合并图4(a)所示的混合聚集结构地物像素子空间分割结果和匀质区域像素子空间分割结果和结构像素子空间分割结果，得到图4(c)，图4(c)是图2(a)Piperiver图像的最终分割结果图。

3.仿真效果分析：

图4(c)是本发明方法对Piperiver图像的最终分割结果图，图4(d)是基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对Piperiver图像的最终分割结果图，通过对比分割结果图，可得出结论，本发明方法对于混合聚集结构地物像素子空间的边界确定更加精确，对于匀质区域像素子空间的分割，区域一致性明显较好，类别数更加合理，且对结构像素子空间中的独立目标进行了较好的分割处理。使用本发明方法对合成孔径雷达SAR图像进行分割，有效的将SAR图像进行了分割，并提高了SAR图像分割的准确性。

Claims (10)

1.一种基于特征学习和素描线段约束的SAR图像分割方法，包括如下步骤：

(1)SAR图像素描化：

(1a)建立合成孔径雷达SAR图像的素描模型；

(1b)从素描模型提取合成孔径雷达SAR图像的素描图；

(2)划分像素子空间：

(2a)采用素描线区域化方法，得到合成孔径雷达SAR图像的区域图；

(2b)将区域图映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、匀质区域像素子空间、结构像素子空间；

(3)特征学习：

利用反卷积神经网络，对混合聚集结构地物像素子空间的各个互不连通区域进行无监督训练，得到表征SAR图像混合聚集结构地物像素子空间中各个互不连通区域的滤波器集合；

(4)滤波器结构聚类：

(4a)利用初始素描线PrimalSketch稀疏表示模型，对混合聚集结构地物像素子空间中各个互不连通区域滤波器集合中的每个滤波器进行素描化，得到混合聚集结构地物像素子空间中各个互不连通区域滤波器集合中每个滤波器的素描块；

(4b)提取各个互不连通区域中每个滤波器素描块的结构信息，将滤波器方向信息、滤波器素描线段长度信息以及滤波器所属方向区间信息等相关属性设计为方向特征向量和线段特征向量；

(4c)利用方向特征向量和线段特征向量，对混合聚集结构地物像素子空间中每个区域的滤波器集合进行结构聚类，得到每个区域按方向聚类后的滤波器集合；

(4d)将每个区域结构聚类后的滤波器集合拼接成一个集合，将该集合作为混合聚集结构地物像素子空间的码本；

(5)分割SAR图像混合聚集结构地物像素子空间：

采用基于方向约束的码本投影方法，将每一个区域的每个滤波器，按方向区间向码本投影，得到该区域的一个结构特征向量，利用AP算法聚类，对SAR图像混合聚集结构地物像素子空间进行分割，得到混合聚集结构像素子空间的分割结果；

(6)分割结构像素子空间：

(6a)用视觉语义规则，分割线目标；

(6b)基于素描线的聚拢特征，分割独立目标；

(6c)对线目标和独立目标分割的结果进行合并，得到结构像素子空间的分割结果。

(7)分割匀质区域像素子空间：

采用基于多项式逻辑回归先验模型的匀质区域分割方法，对匀质区域像素子空间进行分割，得到匀质区域像素子空间的分割结果；

(8)获得SAR图像分割结果：

合并混合聚集结构像素子空间的分割结果，匀质区域像素子空间的分割结果，以及结构像素子空间的分割结果，得到最终合成孔径雷达SAR图像分割结果。

2.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于，步骤(1)中所述素描化的具体步骤如下：

第1步，构造具有不同方向和尺度的由像素点组成的边、线的一个模板，利用模板的方向和尺度信息构造各向异性高斯函数，统计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；

第2步，按照下式，计算与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值和方差值：

$\mathrm{\&mu;}=\frac{\underset{g\&Element;\mathrm{\&Omega;}}{\&Sigma;}{w}_g{A}_g}{\underset{g\&Element;\mathrm{\&Omega;}}{\&Sigma;}{w}_g}$

$v=\frac{\underset{g\&Element;\mathrm{\&Omega;}}{\&Sigma;}{w}_g{(A_g-u)}^2}{\underset{g\&Element;\mathrm{\&Omega;}}{\&Sigma;}{w}_g}$

其中，μ表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的均值，∑表示求和操作，g表示模板第Ω个区域中一个像素点的位置，∈表示属于符号，w_g表示模板第Ω个区域中像素点在g位置处的权重系数，w_g的取值范围为w_g∈[0,1]，A_g表示与模板第Ω个区域中像素点在g位置处对应的合成孔径雷达SAR图像中的像素值，ν表示与模板区域位置相对应的合成孔径雷达SAR图像中像素的方差值；

第3步，按照下式，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：

$R=1-min\{\frac{{\mathrm{\&mu;}}_a}{{\mathrm{\&mu;}}_b},\frac{{\mathrm{\&mu;}}_b}{{\mathrm{\&mu;}}_a}\}$

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分别表示模板中的两个不同的区域，μ_a和μ_b分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值；

第4步，按照下式，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：

$C=\sqrt{\frac{1}{1+2\&CenterDot;\frac{v_a^2+v_b^2}{{({\mathrm{\&mu;}}_a+{\mathrm{\&mu;}}_b)}^2}}}$

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分别表示模板中两个不同的区域，v_a和v_b分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的方差值，u_a和u_b分别表示与模板区域a和模板区域b位置对应的合成孔径雷达SAR图像中像素的均值，表示平方根操作；

第5步，按照下式，融合合成孔径雷达SAR图像中像素对比值算子的响应值和合成孔径雷达SAR图像中像素对相关性算子的响应值，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，表示平方根操作；

第6步，从各个模板的响应值中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；

第7步，利用合成孔径雷达SAR图像中每个像素所选择的具有最大响应值的模板，获得合成孔径雷达SAR图像的梯度图；

第8步，按照下式，融合边线响应图的响应值和梯度图的值，计算得到强度值，由强度值的各个像素点组成合成孔径雷达SAR图像的强度图：

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

其中，I表示强度值，x表示合成孔径雷达SAR图像边线响应图中的值，y表示合成孔径雷达SAR图像梯度图中的值；

第9步，采用非极大值抑制方法，对强度图进行检测，得到建议草图；

第10步，从建议草图中选取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；

第11步，按照下式，计算建议素描图中素描线的编码长度增益：

$CLG=\underset{t}{\overset{m}{\&Sigma;}}\&lsqb;\frac{A_t^2}{A_{t,0}^2}+ln\left(A_{t,0}^2\right)-\frac{A_t^2}{A_{t,1}^2}-ln\left(A_{t,1}^2\right)\&rsqb;$

其中，CLG表示建议素描图中素描线的编码长度增益，m表示当前素描线邻域中像素的个数，∑表示求和操作，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前提下，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前提下，该素描线邻域中第t个像素的估计值；

第12步，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1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于，步骤(2a)中所述的素描线区域化方法的具体步骤如下：

第1步，按照合成孔径雷达SAR图像的素描图中素描线段的聚集度，将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线；

第2步，根据素描线段聚集度的直方图统计，选取聚集度等于最优聚集度的素描线段作为种子线段集{E_k,k＝1,2,...,m}，其中，E_k表示种子线段集中的任一条素描线段，k表示种子线段集中任一条素描线段的标号，m表示种子线段的总条数，{·}表示集合操作；

第3步，以未被选取添加进种子线段集和的线段作为基点，以此基点递归求解新的线段集合；

第4步，构造一个半径为最优聚集度区间上界的圆形基元，用该圆形基元对线段集合中的线段进行膨胀，对膨胀后的线段集合由外向内进行腐蚀，在素描图上得到以素描点为单位的聚集区域；

第5步，对表示边界、线目标以及孤立目标的素描线，以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗，得到结构区域；

第6步，将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域；

第7步，将素描图中的聚集区域、结构区域和不可素描区域，分别映射到合成孔径雷达SAR图像上，得到合成孔径雷达SAR图像的混合聚集结构地物像素子空间、结构像素子空间和匀质结构像素子空间。

4.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于，步骤(3)中所述的利用反卷积神经网络，对混合聚集结构地物像素子空间各个互不连通区域进行无监督训练的具体步骤如下：

第1步，在混合聚集结构地物像素子空间中任意选取一个区域进行滑窗采样；

第2步，构造一个5层反卷积网络，其中，第1层为输入层，第2层为包含9个7×7大小的滤波器和9个特征图的反卷积层，第3层为包含45个7×7大小的滤波器和45个特征图的反卷积层，第4层为包含100个7×7大小的滤波器和100个特征图的反卷积层，第5层为包含484个7×7大小的滤波器和484个特征图的反卷积层；

第3步，对混合聚集结构地物像素子空间中所选取的区域进行采样，将得到的采样样本输入到反卷积网络进行训练；

第4步，将反卷积网络中第5层中的484个滤波器，作为表征混合聚集结构地物像素子空间中所选取的区域的滤波器集合；

第5步，判断混合聚集结构地物像素子空间中所有区域是否选取完，若是，结束采样样本的训练；否则，执行第1步。

5.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于：步骤(4b)中所述的提取各个互不连通区域中每个滤波器素描块的结构信息的具体步骤如下：

第1步，将任意一个滤波器素描块左上角作为直角坐标系的原点，构建一个直角坐标系，该坐标系的Y轴方向向下，统计滤波器素描块中所有素描线段在坐标系中的坐标值；

第2步，按照下式，计算每一个素描线段与坐标系X轴夹角值，将所计算的夹角值作为该夹角值所对应的素描线段的方向：

${\mathrm{\&theta;}}_t=arctan\frac{(y_2-y_1)}{(x_2-x_1)}$

其中，θ_t表示第t个素描线段与坐标系X轴的夹角值，arctan表示反正切操作，x₁，y₁分别表示第t个素描线段的一个端点坐标，x₂，y₂分别表示第t个素描线段的另一端点的坐标；

第3步，初始化一个19维方向特征向量D，该向量以10°为单位，将[0°,180°]划分为18个方向区间，该向量前18维的每个下标对应相应的方向区间，如第一个下标的含义表示[0°,10°]的方向区间，每一维的分量表示相应方向区间的素描线段的个数，第19维表示一个判断分量；将所有素描线段按照对应方向区间放入该19维特征向量，得到滤波器的方向特征向量D；

第4步，统计滤波器素描块每个素描线段的素描点，初始化一个3维的线段特征向量L，该向量第1维表示该素描块所有素描线段的个数l，第2维表示该素描块中所有素描线段中最长的素描线段d，第3维表示该素描块素描线段的平均长度m，得到一个3维的滤波器线段特征向量L，其中L＝(l,d,m)。

6.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于：步骤(4c)中所述的利用方向特征向量和线段特征向量，对混合聚集结构地物像素子空间中每个区域的滤波器集合进行结构聚类的具体步骤如下：

第1步，按照单方向聚类：若线段特征向量L中的素描线段个数为1，则表示该滤波器素描块只有一个方向，方向特征向量D中只有某一分量的值不为0，其他分量的值都为0，不为0分量对应的下标就是该滤波器素描块所对应的原滤波器的方向类类别号；

第2步，按照多方向聚类：若线段特征向量L中的素描线段个数为2，则表示该滤波器素描块只有两个不同方向，从方向特征向量D找出线段特征向量L的分量d，其中分量d的下标号，表示该滤波器素描块的方向类类别号；

第3步，按照围拢趋势聚类：若线段特征向量L中的素描线段个数大于2，则表示该滤波器素描块有多个方向，统计滤波器素描块所在区域r中所有素描块素描线段的长度，按照下式计算，得到区域r的具有统计意义用来判断围拢趋势的阈值：

TH^r＝m^r+λ^r×(d^r-m^r)

其中，TH^r表示区域r具有统计意义的用来判断围拢趋势的阈值，λ^r表示区域r的可调参数，m^r表示区域r中所有素描块素描线段的平均值，d^r表示区域r所有素描块素描线段的最大值；

若该滤波器素描块的线段特征向量中最长素描线段长度大于阈值TH^r，则执行第2步，将该素描块按照多方向处理；若该滤波器素描块的线段特征向量中最长素描线段长度小于阈值TH^r，则该滤波器为围拢趋势，该滤波器方向特征向量D的判别分量的下标为其方向类类别号。

第4步，按照上述步骤，迭代处理混合聚集结构地物像素子空间各个互不连通的区域，得到每个区域按方向聚类后的滤波器集合。

7.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于：步骤(5)中所述的基于方向约束的码本投影方法的具体步骤如下：

第1步，将每个区域结构聚类后的滤波器集合拼接成的集合作为混合聚集结构地物像素子空间的码本；

第2步，将混合聚集结构像素子空间中各个互不连通区域的每个滤波器分别向码本投影，进行基于方向约束的投影，属于同一个方向的滤波器进行投影时，投影方案采用内积，不属于同一方向的滤波器之间投影值为0，得到每个区域中每一个滤波器按方向投影后的特征向量；

第3步，对每个区域所有滤波器投影后的特征向量进行最大池化，得到最终表征该区域的一个结构特征向量；

第4步，利用AP算法，对混合聚集结构地物像素子空间中各个互不连通区域进行聚类，得到SAR图像混合聚集结构地物像素子空间各个互不连通区域的分割结果。

8.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于，步骤(6a)中所述的视觉语义规则如下：

设第i条素描线l_i与第j条素描线l_j之间的距离为D_ij，l_i的方向为O_i，l_j的方向为O_j，i,j∈[1,2,...,S]，S为素描线的总条数；

将宽度大于3个像素的线目标用两条素描线l_i和l_j表示，l_i和l_j之间的距离D_ij小于T₁且方向差(O_i-O_j)小于10度，其中T₁＝5；

设第s条素描线l_s的几何结构窗w_s内每一列的平均灰度为A_i，设相邻列的灰度差为AD_i＝|A_i-A_i+1|，设z_s＝[z_s1,z_s2,...,z_s9]为相邻列的灰度差AD_i的标记向量；

将宽度小于3个像素的线目标用单个素描线l_s表示，l_s的几何结构窗w_s内，计算相邻列的灰度差AD_i，如果AD_i>T₂，则z_si＝1；否则z_si＝0，z_s中有两个元素的值为1，其余为0，其中T₂＝34；

设L₁,L₂是表示线目标的素描线的集合，如果D_ij<T₁并且|O_i-O_j|<10，则l_i,l_j∈L₁；如果sum(z_s)＝2，则l_s∈L₂，其中sum(·)表示对向量的所有分量求和的操作。

9.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于，步骤(6b)中所述的分割独立目标的具体步骤如下：

第1步，在区域图的结构区域中，将不表示线目标的所有素描线标记为候选素描线集合中的素描线；

第2步，从候选素描线集合中随机选取一条素描线，以所选取的素描线的一个端点为中心，构造大小为5×5的一个几何结构窗；

第3步，判断几何结构窗内是否存在其它素描线的端点，若存在，执行第4步；否则，执行第6步；

第4步，判断是否只存在一个端点，若是，将该端点所在素描线和当前素描线进行连接；否则，执行第5步；

第5步，连接所选取素描线与各端点所在的素描线，从所有连接线中选取其中夹角最大的两条素描线作为连接完成的素描线；

第6步，判断素描线的另一个端点的几何结构窗内是否存在其他素描线的端点，若存在，执行第4步；否则，执行第7步；

第7步，对完成连接操作的素描线，选取包含两条及两条以上素描线段的素描线，统计所选取素描线中包含素描线段的条数n，其中n≥2；

第8步，判断素描线的条数n是否等于2，若是，则执行第9步；否则，执行第10步；

第9步，将素描线顶点的角度值在[10°,140°]的范围内的素描线作为具有聚拢特征的素描线；

第10步，选出素描线对应的n-1个顶点的角度值都在[10°,140°]范围内的素描线；

第11步，在所选出的素描线中，定义如下两种情况：

第一种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1，若素描线上的所有素描线段与相邻线段都在同一侧，则标记该素描线为具有聚拢特征的素描线；

第二种情况，判断第i条素描线段相邻两条素描线段第i-1条、第i+1条是否在第i条素描线段所在直线的同一侧，2≤i≤n-1，若素描线上有n-1条素描线段与相邻线段在同一侧，而有一条素描线段与其相邻线段在非同一侧，也标记该素描线为具有聚拢特征的素描线；

第11步，在具有聚拢特征的素描线中任选一条素描线，由所选取素描线的两个端点坐标，确定两个端点间的距离，若该端点距离在[0,20]范围内，则将所选取素描线作为表示独立目标的素描线；

第12步，判断未处理的具有聚拢特征的素描线是否全部选完，若是，执行第11步；否则，执行第13步；

第13步，用超像素分割的方法，对合成孔径雷达SAR图像中表示独立目标的素描线周围的像素进行超像素分割，将分割后超像素的灰度值在[0,45]或[180,255]内的超像素作为独立目标超像素；

第14步，合并独立目标超像素，将合并后的独立目标超像素的边界作为独立目标的边界，得到独立目标的分割结果。

10.根据权利要求1所述的基于特征学习和素描线段约束的SAR图像分割方法，其特征在于，步骤(7)中所述基于多项式逻辑回归先验模型的匀质区域分割方法的具体步骤如下：

第1步，从匀质区域像素子空间中任意选取一个像素点，以所选取的像素点为中心建立3×3的方形窗口，计算该窗口的标准差σ₁；

第2步，将方形窗口的边长增加2，得到新的方形窗口，计算新方形窗口的标准差σ₂；

第3步，设标准差阈值T₃＝3，如果|σ₁-σ₂|<T₃，则将标准差为σ₂的方形窗口作为最终的方形窗口，执行第4步；否则，执行第2步；

第4步，按照下式，计算方形窗口内中心像素的先验概率：

${p_1}^{\&prime;}=\frac{\exp \left({\mathrm{\&eta;}}^{\&prime;}\right(1+{x_{k^{\&prime;}}}^{\&prime;}\left)\right)}{\underset{i=1}{\overset{K^{\&prime;}}{\&Sigma;}}\exp \left({\mathrm{\&eta;}}^{\&prime;}\right(1+{x_{i^{\&prime;}}}^{\&prime;}\left)\right)}$

其中，p′₁表示方形窗口内中心像素的先验概率，η'表示概率模型参数，η'取值为1，x_k′′表示方形窗口内属于第k'类的像素个数，k'∈[1,...,K']，K'表示分割的类别数，K'取值为5，x_i'表示第3步得到的方形窗口内属于第i'类的像素个数；

第5步，将像素灰度的概率密度与纹理的概率密度相乘，得到似然概率p'₂，其中，灰度的概率密度由衰落信道Nakagami分布得到，纹理的概率密度由t分布得到；

第6步，将先验概率p₁'与似然概率p₂'相乘，得到后验概率p₁₂'；

第7步，判断匀质区域像素子空间中是否还有未处理的像素点，若有，执行第1步；否则，执行第9步；

第8步，根据最大后验概率准则，得到匀质区域像素子空间的分割结果。