CN107341813B - 基于结构学习和素描特性推理网络的sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于结构学习和素描特性推理网络的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。其实现步骤是：1.根据SAR图像的素描模型，提取素描图；2.根据SAR图像的素描图，得到区域图，并将区域图映射到SAR图像中，得到SAR图像的混合像素子空间、结构像素子空间和匀质像素子空间；3.对混合像素子空间进行特征学习；4.构造素描特性推理网络并对混合像素子空间进行分割；5.对结构像素子空间和匀质像素子空间依次进行相应的分割；6.合并各个像素空间的分割结果，得到最终分割结果。本发明提高了SAR图像分割的准确性，可用于合成孔径雷达SAR图像的目标检测与识别。

Description

基于结构学习和素描特性推理网络的SAR图像分割方法

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达SAR图像分割方法，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 Remote Sensing，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CN105389798 A)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，在特征学习过程中，未能有效利用图像中的素描先验信息，同时，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，该网络存在人为确定类别数的缺点，并且在映射方面，采用单一的像素特征映射，未能加入结构约束，导致方向不一致的滤波器特征映射成功，极大地影响了SAR图像分割的准确性。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于结构学习和素描特性推理网络的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，本发明实现方案包括如下：

(1)根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图；

(2)根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并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图像的混合像素子空间、结构像素子空间和匀质像素子空间；

(3)对混合像素子空间进行特征学习：

(3a)构造一个由1个输入层和4个反卷积层组成的5层脊波反卷积网络RDN，并利用脊波函数，分别对该5层脊波反卷积网络RDN中的4个反卷积层的滤波器组进行初始化；

(3b)在混合像素子空间的各个互不连通区域，分别训练一个5层的脊波反卷积网络RDN，得到混合像素子空间中每个区域的滤波器集合，并将每个区域的滤波器集合作为该区域的结构特征；

(4)对混合像素子空间中各个区域的结构特征进行素描方向统计，获取每个区域的素描线段方向类，利用素描线段方向类别数设定自组织网络竞争层的神经元个数，对混合像素子空间中每个区域构造一个基于素描统计特性的自组织网络；

(5)分割混合像素子空间：

(5a)利用步骤(4)构建的自组织网络，构造素描特性推理网络，该素描特性推理网络包含基于素描统计特性自组织网络模块、结构映射模块、区域间相似度计算模块和层次聚类模块；

(5b)利用基于素描统计特性的自组织网络模块，将混合像素子空间各个区域的滤波器集合划分为多个子集，并得到各个子集的质心；

(5c)利用现有的初始素描模型，构造滤波器子集中各个滤波器和滤波器子集质心的方向特征向量D和位置特征向量L；

(5d)根据(5c)构造的方向特征向量D和位置特征向量L，建立混合像素子空间各个不连通区域的相关性，并计算各个不连通区域间的相似度φ，得到区域间的相似度矩阵Φ；

(5e)将区域间的相似度矩阵Φ作为层次聚类算法的相似度矩阵，利用层次聚类算法，对混合像素子空间中各个区域进行最终的分类合并；

(6)分割结构像素子空间：用视觉语义规则，分割线目标；基于素描线的聚拢特征，分割独立目标；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)分割匀质像素子空间：利用基于自适应邻域多项式隐模型的分割方法，对匀质像素子空间进行分割，得到匀质像素子空间的分割结果；

(8)对混合像素子空间，结构像素子空间和匀质像素子空间的分割结果进行合并，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，由于本发明构造了一个5层脊波反卷积网络，克服了现有技术对合成孔径雷达SAR图像进行分割所使用的特征是人工设计的特征，采用本发明可以学习出图像的结构特征，比人工设计的特征更加准确，因此，获得更好的区域分割一致性。

第二，由于本发明构造了基于素描统计特性的自组织网络，克服了现有技术将人为确定自组织特征映射网络的聚类数，使得聚类结果更加合理准确。

第三，由于本发明根据滤波器的素描信息，设计并构造区域滤波器子集中各个滤波器和滤波器质心的方向特征向量和位置特征向量，克服了现有技术忽略结构约束的不足，使得采用本发明能抓住SAR图像滤波器最重要的结构特征，利用结构约束，提高了SAR图像分割的准确性。

第四，由于本发明利用结构约束，计算区域间的相似度，克服了现有技术仅仅依赖像素特征进行区域特征的映射比较，同时由于本发明中加入了结构约束，提高了映射推理的准确率，进而提高区域分割的准确性。

附图说明

图1是本发明的实现流程图；

图2是本发明实施例使用的SAR原图像；

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是本发明中根据区域图提取的混合像素子空间；

图6是本发明中推理映射网络的结构图；

图7是本发明中对图5所示的混合像素子空间的分割结果图；

图8是用现有基于反卷积网络与映射推理网络的SAR图像分割方法对混合像素子空间的分割结果图；

图9是用本发明对图2所示的SAR图像的最终分割结果图；

图10是用现有基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法中对SAR图像的最终分割结果图。

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，根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图。

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IEEE Transactionson Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous regionsearch for SAR speckle reduction with sketch-based geometrical kernelfunction》，根据该SAR图像的素描模型得到SAR图像的素描图步骤如下：

(1.1)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；

(1.2)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：

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，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；

(1.3)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分别表示模板中任意两个不同区域的编号，μ_a和μ_b分别为根据(1.2)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；

(1.4)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分别表示模板中任意两个不同区域的编号，v_a和v_b分别为根据(1.2)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(1.2)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；

(1.5)根据(1.3)和(1.4)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：

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；

(1.6)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；

(1.7)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；

(1.8)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：

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；

(1.9)采用非极大值抑制方法，对强度图进行检测，得到建议草图；

(1.10)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；

(1.11)按照下式，计算建议素描图中素描线的编码长度增益CLG：

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，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；

(1.12)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，如图3所示。

步骤2，根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并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图像的混合像素子空间、结构像素子空间和匀质像素子空间。

(2.1)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；

(2.2)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；

(2.3)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；

(2.4)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；

(2.5)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；

(2.6)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，得到SAR图像的区域图，如图4所示。

(2.7)将图4所示的区域图分别映射到合成孔径雷达SAR图像上，得到合成孔径雷达SAR图像的混合像素子空间、结构像素子空间和匀质结构像素子空间，SAR图像的混合像素子空间如图5所示。

步骤3，对混合像素子空间进行特征学习。

(3.1)构造一个由1个输入层和4个反卷积层组成的5层脊波反卷积网络RDN，并利用脊波函数，分别对该5层脊波反卷积网络RDN中的4个反卷积层的滤波器组进行初始化：

(3.1a)将脊波反卷积网络的第1层设置为输入层；

(3.1b)将脊波反卷积网络的第2层设置为第一反卷积层，该第一反卷积层包含9个7×7大小的滤波器和9个37×37大小的特征图，该9个7×7大小的滤波器组成第一滤波器组；

(3.1c)将脊波反卷积网络的第3层设置为第二反卷积层，该第二反卷积层包含45个7×7大小的滤波器以及45个43×43大小的特征图，该45个7×7大小的滤波器组成第二滤波器组；

(3.1d)将脊波反卷积网络的第4层设置为第三反卷积层，该第三反卷积层包含100个7×7大小的滤波器以及100个49×49大小的特征图，该100个7×7大小的滤波器组成第三滤波器组；

(3.1e)将脊波反卷积网络的第5层设置为第四反卷积层，该第四反卷积层包含484个7×7大小的滤波器以及484个49×49大小的特征图，该484个7×7大小的滤波器组成第四滤波器组；

(3.1f)给定连续脊波函数公式如下：

其中，A表示连续脊波函数，a表示连续脊波函数的尺度参数，a的取值范围为a∈(0,3]，离散化间隔为1，∈表示属于符号，ψ(·)表示小波函数，x₁和x₂分别表示反卷积层滤波器组中的滤波器中像素点的横坐标和纵坐标，θ表示连续脊波函数的方向参数，θ的取值范围为θ∈[0,π)，b表示连续脊波函数的位移参数，当方向参数θ在θ∈[0,π/2)范围内取值时，b的取值范围为b∈[0,n×(sinθ+cosθ)]，当方向参数θ在θ∈[π/2,π)范围内取值时，b的取值范围为b∈[n×cosθ,n×sinθ]，n表示位移参数b的阈值参数，n的取值范围为n∈(0,1]，sin表示正弦函数，cos表示余弦函数，b的离散化间隔为1；

(3.1g)根据SAR图像素描模型，统计区域的素描方向信息，将该素描方向信息作为脊波函数中方向θ的参数值；并利用(3.1f)中的连续脊波函数计算得到脊波函数中尺度a和位移b的离散化参数值；

(3.1h)从(3.1g)中得到脊波函数的参数值中，取区域前9个主要方向作为脊波函数方向θ的参数值，并任取9组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3.1f)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第一反卷积层的滤波器组进行初始化；

(3.1i)从(3.1g)中得到脊波函数的参数值中，取区域前45个主要方向作为脊波函数方向θ的参数值，并任取45组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3.1f)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第二反卷积层的滤波器组进行初始化；

(3.1j)从(3.1g)中得到脊波函数的参数值中，取区域前100个主要方向作为脊波函数方向θ的参数值，并任取100组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3.1f)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第三反卷积层的滤波器组进行初始化；

(3.1k)从(3.1g)中得到脊波函数的参数值中，重复选取取区域前120个主要方向，得到484个方向值，将该方向值作为脊波函数方向θ的参数值，并任取484组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3.1f)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第四反卷积层的滤波器组进行初始化；；

(3.2)在混合像素子空间的各个互不连通区域，分别训练一个5层的脊波反卷积网络RDN，得到混合像素子空间中每个区域的滤波器集合，并将每个区域的滤波器集合作为该区域的结构特征；

(3.2a)对混合像素子空间中各个不连通的极不匀质区域分别进行滑窗采样，采样窗口大小为31×31，得到该像素子空间各个区域的采样样本；

(3.2b)分别将混合像素子空间各个区域的采样样本，输入到5层脊波反卷积网络RDN中；

(3.2c)固定脊波反卷积网络中特征图和滤波器组的值，通过解决一个一维最优化问题，得到脊波反卷积网络中辅助变量的最优值；

(3.2d)固定脊波反卷积网络中辅助变量和滤波器组的值，通过解决一个线性系统最优化问题，得到脊波反卷积网络中特征图的最优值；

(3.2e)固定脊波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，得到脊波反卷积网络中滤波器组的最优值。

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，对混合像素子空间中各个区域的结构特征进行素描方向统计，获取每个区域的素描线段方向类，利用素描线段方向类别数设定自组织网络竞争层的神经元个数，对混合像素子空间中每个区域构造一个基于素描统计特性的自组织网络。

(4.1)对于SAR混合像素子空间中的某一个极不匀质区域I，利用脊波反卷积网络模型获取其滤波器集合表示；

(4.2)将区域I滤波器集合所有的滤波器拼接成一幅大小为区域滤波器图，其中s为该区域滤波器大小，ω为该区域滤波器个数；

(4.3)根据初始素描模型，获取该区域的滤波器集合图的素描表示，即滤波器素描图；

(4.4)将该滤波器素描图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，统计滤波器素描图中所有素描线段在坐标系中的坐标值；

(4.5)按照下式，计算滤波器素描图中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；

(4.6)根据方向信息构造方向统计直方图，该直方图横轴表示方向区间，纵轴表示该方向区域间的素描线段的个数；

(4.7)通过观察分析直方图，选取方向统计直方图中素描线段条数大于阈值σ的所有方向区间作为素描线段方向类别数；

(4.8)根据上述步骤，得到区域I的素描线段方向类别数，对SAR混合像素子空间中所有极不匀质区域进行如上处理，利用各区域的素描方向统计信息作为先验知识，获得每个区域的素描线段方向类别K；

(4.9)利用素描线段方向类别K设定自组织网络竞争层的神经元个数。

步骤5，分割混合像素子空间。

(5.1)利用步骤(4)构建的自组织网络，构造素描特性推理网络，该素描特性推理网络包含基于素描统计特性自组织网络模块、结构映射模块、区域间相似度计算模块和层次聚类模块，如图6所示；

(5.2)利用基于素描统计特性的自组织网络模块，将混合像素子空间各个区域的滤波器集合划分为多个子集，并得到各个子集的质心；

(5.3)利用现有的初始素描模型，构造滤波器子集中各个滤波器和滤波器子集质心的方向特征向量D和位置特征向量L；

(5.3a)利用初始素描模型获取滤波器素描块，统计素描块中的方向和长度信息，得到滤波器素描块的方向信息向量和长度信息向量；

(5.3b)利用滤波器素描块的方向信息向量和长度信息向量，构造滤波器的方向特征向量：

初始化一个36维的方向特征向量D，将[0,180°]角度空间作为方向区间，以5°为单位，将方向区间划分为36个单位方向区间，根据滤波器素描块中的素描线段的方向值，设定各个单位方向区间的响应值：

若滤波器素描块中只有一条素描线段的方向值在某一个单位方向区间内响应，则将该单位方向区间的响应值设定为该素描线段的长度，其他不响应区间的响应值设定为0；

若滤波器素描块中有多条素描线段的方向值在同一单位方向区间内响应，则将该单位方向区间的响应值为滤波器素描块中最长素描线段的长度；

(5.3c)根据滤波器的初始素描模型，得到大小为r×r的滤波器素描块；

(5.3d)以大小为z×z的感受窗口，位移步长为z的平移操作对滤波器素描块进行池化操作，即统计每个感受窗口所对应素描块区域内素描线上素描点的个数，以此作为该区域的特征参数；将该感受窗口滑过素描块中的所有区域，得到该素描块池化后的位置特征图；

(5.3e)将素描块的位置特征图转换成向量的形式，得到该素描块的位置特征向量L；

(5.4)根据(5.3)构造的方向特征向量D和位置特征向量L，建立混合像素子空间各个不连通区域的相关性，并计算各个不连通区域间的相似度φ，得到区域间的相似度矩阵Φ：

(5.4a)选取混合像素子空间的两个区域，即第一区域I和第二区域J；

(5.4b)利用步骤(4)所述的自组织网络，得到第一区域I的K个滤波器子集和K个子集的质心；

(5.4c)利用初始素描模型分别提取第一区域I中各个滤波器子集和各个质心的素描块；

(5.4d)根据质心素描块，利用步骤(5.3)方向特征向量的构造思想，构造第一区域I中各个滤波器子集所对应质心的方向特征向量；

(5.4e)根据初始素描模型，提取第二区域J中所有滤波器的素描块，并且根据素描块构造各个滤波器的方向特征向量，选取第二区域J滤波器集合R^J中任意一个滤波器，构造该滤波器的方向特征向量为根据如下公式计算与第一区域I中各个质心方向特征向量的最短距离；

其中表示第二区域J中任一滤波器的方向特征向量，表示第一区域I任一质心的方向特征向量，表示最短距离，min为求最短距离操作，ω是区域滤波器个数；

(5.4f)利用(5.4a)～(5.4e)的素描结构映射步骤，将第二区域J滤波器集合中其他滤波器向第一区域I各个质心进行结构映射，得到第二区域J相对于第一区域I滤波器素描结构映射的结果，从而建立第一区域I和第二区域J之间的相关性；

(5.4g)对于第一区域I，选取其中一个滤波器子集其对应质心为构造子集中每个滤波器的方向特征向量和质心的方向特征向量，分别计算每个滤波器与质心方向特征向量之间的欧式距离，并计算最大距离值，将其作为第一区域I的结构映射参数，记为

(5.4h)根据滤波器位置特征向量的构造思想，构造第一区域I中子集中每个滤波器的位置特征向量和质心的位置特征向量，分别计算每个滤波器与质心位置特征向量之间的欧式距离，并计算最大距离值，将其作为区域I的位置映射参数，记为

(5.4i)计算第一区域I中子集每个滤波器与质心之间的欧式距离，并计算最大距离值，将其作为区域I的像素映射参数，记为

(5.4j)对于第二区域J中质心同样为的滤波器子集计算如下参数：

计算该子集中每个滤波器与质心的方向特征向量之间的欧式距离：

计算每个滤波器与质心位置特征向量之间的欧式距离：

计算每个滤波器与质心像素特征之间的欧式距离：

其中τ_j表示区域J滤波器子集中滤波器的个数；

(5.4k)根据(5.4g)～(5.4j)的结果判断映射是否成功：

若且的滤波器，则表示第二区域J子集与第一区域I的子集结构相似，结构映射成功；

若则表示第二区域J子集与第一区域I的子集像素特征相似，则像素特征映射成功；

(5.4l)计算第二区域J中子集中滤波器向第一区域I子集映射成功的滤波器数量μ_j；

(5.4m)对第二区域J中其他所有的滤波器子集进行步骤(5.4g)～(5.4l)的映射过程，根据如下公式计算第二区域J映射成功的滤波器的总数：

其中α^J为区域J映射成功的滤波器的总数，K为子集的总数，μ_j为子集中映射成功的滤波器数量；

(5.4n)根据映射成功的滤波器的总数，按如下公式计算区域间的相似度；

其中，φ_J,I表示区域J相对于区域I的相似度，α^J为区域J映射成功的滤波器的总数，ω为区域滤波器的总数；

(5.4o)根据步骤(5.4g)～(5.4n)得到混合像素子空间中所有区域两两之间的相似度，根据区域间的相似度，得到混合像素子空间的区域相似度矩阵Φ；

(5.5)将区域间的相似度矩阵Φ作为层次聚类算法的相似度矩阵，利用层次聚类算法，对混合像素子空间中各个区域进行最终的分类合并，如图7所示。

步骤6，分割结构像素子空间。

(6.1)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，在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；

(6.2)基于素描线的聚拢特征，分割独立目标：

(6.2a)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；

(6.2b)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；

(6.2c)判断几何结构窗内是否存在其它素描线的端点，若存在，则执行(6.2d)；否则，执行(6.2f)；

(6.2d)判断几何结构窗内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(6.2e)；

(6.2e)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；

(6.2f)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，则返回(6.2d)；否则，执行(6.2g)；

(6.2g)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；

(6.2h)判断素描线的条数n是否等于2，若是，则执行(6.2i)；否则，执行(6.2j)；

(6.2i)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；

(6.2j)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；

(6.2k)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条和第i+1条是否在第i条素描线段所在直线的同一侧，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，2≤i≤n-1；

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条和第i+1条是否在第i条素描线段所在直线的同一侧，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；

(6.2l)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；

(6.2m)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(6.2l)；否则，执行(6.2n)；

(6.2n)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；

(6.2o)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；

(6.3)将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，分割匀质像素子空间。

现有方法有：

(a)基于脊波反卷积网络和稀疏分类的分割方法

(b)基于灰度共生矩阵和层次聚类的分割方法

(c)基于自适应邻域多项式隐模型的分割方法

本发明采用基于自适应邻域多项式隐模型的分割方法，对匀质像素子空间进行分割，得到匀质像素子空间的分割结果，其步骤如下：

(7.1)从匀质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；

(7.2)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；

(7.3)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(7.4)；否则，执行(7.2)；

(7.4)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，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；

(7.5)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；

(7.6)将先验概率p₁'与似然概率p₂'相乘，得到后验概率p₁₂'；

(7.7)判断匀质像素子空间中是否还有未处理的像素点，若有，执行(7.1)～(7.7)；否则，执行(7.8)；

(7.8)根据最大后验概率准则，得到匀质像素子空间的分割结果。

步骤8，对混合像素子空间，结构像素子空间和匀质像素子空间的分割结果进行合并，得到最终合成孔径雷达SAR图像分割结果，如图9所示。

本发明的效果可通过与现有技术的对比进一步说明：

1.对SAR图像混合像素子空间的分割结果对比：

用本发明对图5所示的SAR图像混合像素子空间进行分割，结果如图7；

现有基于反卷积网络和映射推理网络的SAR图像分割方法对SAR图像混合像素子空间进行分割，结果如图8；

从图7与图8的对比可看出：本发明方法对SAR图像混合像素子空间的分割类别数更加合理，区域一致性较好，有效改善了混合像素子空间的分割准确性；

2.对SAR图像的最终分割结果对比：

用本发明对图2所示的SAR原图像进行分割，结果如图9；

现有基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法对图2所示SAR原图像进行分割，结果如图10；

从图9与图10的对比可看出：本发明方法对于SAR图像中的极不匀质区域的边界确定更加精确，分割结果更合理，同时能对SAR图像中的独立目标进行较好的分割处理，提高了SAR图像分割的准确性。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明的内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于结构学习和素描特性推理网络的SAR图像分割方法，包括：

(1)根据合成孔径雷达SAR图像的素描模型，提取合成孔径雷达SAR图像的素描图；

(2)根据合成孔径雷达SAR图像的素描图，得到合成孔径雷达SAR图像的区域图，并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图像的混合像素子空间、结构像素子空间和匀质像素子空间；

(3)对混合像素子空间进行特征学习：

(3a)构造一个由1个输入层和4个反卷积层组成的5层脊波反卷积网络RDN，并利用脊波函数，分别对该5层脊波反卷积网络RDN中的4个反卷积层的滤波器组进行初始化；

(3b)在混合像素子空间的各个互不连通区域，分别训练一个5层的脊波反卷积网络RDN，得到混合像素子空间中每个区域的滤波器集合，并将每个区域的滤波器集合作为该区域的结构特征；

(4)对混合像素子空间中各个区域的结构特征进行素描方向统计，获取每个区域的素描线段方向类，利用素描线段方向类别数设定自组织网络竞争层的神经元个数，对混合像素子空间中每个区域构造一个基于素描统计特性的自组织网络；

(5)分割混合像素子空间：

(5a)利用步骤(4)构建的自组织网络，构造素描特性推理网络，该素描特性推理网络包含基于素描统计特性自组织网络模块、结构映射模块、区域间相似度计算模块和层次聚类模块；

(5b)利用基于素描统计特性的自组织网络模块，将混合像素子空间各个区域的滤波器集合划分为多个子集，并得到各个子集的质心；

(5c)利用现有的初始素描模型，分别构造滤波器子集中各个滤波器和滤波器子集质心的方向特征向量D和位置特征向量L；

(5d)根据(5c)构造的方向特征向量D和位置特征向量L，建立混合像素子空间各个不连通区域的相关性，并计算各个不连通区域间的相似度φ，得到区域间的相似度矩阵Φ；

(5e)将区域间的相似度矩阵Φ作为层次聚类算法的相似度矩阵，利用层次聚类算法，对混合像素子空间中各个区域进行最终的分类合并；

(6)分割结构像素子空间：用视觉语义规则，分割线目标；基于素描线的聚拢特征，分割独立目标；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)分割匀质像素子空间：利用基于自适应邻域多项式隐模型的分割方法，对匀质像素子空间进行分割，得到匀质像素子空间的分割结果；

(8)对混合像素子空间，结构像素子空间和匀质像素子空间的分割结果进行合并，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所述的方法，其中步骤(3a)中构造5层脊波反卷积网络RDN，按如下步骤进行：

(3a1)将脊波反卷积网络的第1层设置为输入层；

(3a2)将脊波反卷积网络的第2层设置为第一反卷积层，该第一反卷积层包含9个7×7大小的滤波器和9个37×37大小的特征图，该9个7×7大小的滤波器组成第一滤波器组；

(3a3)将脊波反卷积网络的第3层设置为第二反卷积层，该第二反卷积层包含45个7×7大小的滤波器以及45个43×43大小的特征图，该45个7×7大小的滤波器组成第二滤波器组；

(3a4)将脊波反卷积网络的第4层设置为第三反卷积层，该第三反卷积层包含100个7×7大小的滤波器以及100个49×49大小的特征图，该100个7×7大小的滤波器组成第三滤波器组；

(3a5)将脊波反卷积网络的第5层设置为第四反卷积层，该第四反卷积层包含484个7×7大小的滤波器以及484个49×49大小的特征图，该484个7×7大小的滤波器组成第四滤波器组。

3.根据权利要求1所述的方法，其中步骤(3a)中利用脊波函数，分别对该5层脊波反卷积网络RDN中的4个反卷积层的滤波器组进行初始化，按如下步骤进行：

(3a6)给定连续脊波函数公式如下：

其中，A表示连续脊波函数，a表示连续脊波函数的尺度参数，a的取值范围为a∈(0,3]，离散化间隔为1，∈表示属于符号，ψ(·)表示小波函数，x₁和x₂分别表示反卷积层滤波器组中的滤波器中像素点的横坐标和纵坐标，θ表示连续脊波函数的方向参数，θ的取值范围为θ∈[0,π)，b表示连续脊波函数的位移参数，当方向参数θ在θ∈[0,π/2)范围内取值时，b的取值范围为b∈[0,n×(sinθ+cosθ)]，当方向参数θ在θ∈[π/2,π)范围内取值时，b的取值范围为b∈[n×cosθ,n×sinθ]，n表示位移参数b的阈值参数，n的取值范围为n∈(0,1]，sin表示正弦函数，cos表示余弦函数，b的离散化间隔为1；

(3a7)根据SAR图像素描模型，统计区域的素描方向信息，将该素描方向信息作为脊波函数中方向θ的参数值；并利用(3a6)中的连续脊波函数计算得到脊波函数中尺度a和位移b的离散化参数值；

(3a8)从(3a7)中得到脊波函数的参数值中，取区域前9个主要方向作为脊波函数方向θ的参数值，并任取9组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3a6)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第一反卷积层的滤波器组进行初始化；

(3a9)从(3a7)中得到脊波函数的参数值中，取区域前45个主要方向作为脊波函数方向θ的参数值，并任取45组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3a6)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第二反卷积层的滤波器组进行初始化；

(3a10)从(3a7)中得到脊波函数的参数值中，取区域前100个主要方向作为脊波函数方向θ的参数值，并任取100组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3a6)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第三反卷积层的滤波器组进行初始化；

(3a11)从(3a7)中得到脊波函数的参数值中，重复选取取区域前120个主要方向，得到484个方向值，将该方向值作为脊波函数方向θ的参数值，并任取484组离散化的脊波函数尺度a和位移b的参数值，将该参数值作为公式(3a6)的输入，生成脊波滤波器，利用该脊波滤波器对脊波反卷积网络第四反卷积层的滤波器组进行初始化。

4.根据权利要求1所述的方法，其中步骤(3b)中在混合像素子空间的各个互不连通区域，分别训练一个5层的脊波反卷积网络RDN，按如下步骤进行：

(3b1)对混合像素子空间中各个不连通的极不匀质区域分别进行滑窗采样，采样窗口大小为31×31，得到该像素子空间各个区域的采样样本；

(3b2)分别将混合像素子空间各个区域的采样样本，输入到5层脊波反卷积网络RDN中；

(3b3)固定脊波反卷积网络中特征图和滤波器组的值，通过解决一个一维最优化问题，得到脊波反卷积网络中辅助变量的最优值；

(3b4)固定脊波反卷积网络中辅助变量和滤波器组的值，通过解决一个线性系统最优化问题，得到脊波反卷积网络中特征图的最优值；

(3b5)固定脊波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，得到脊波反卷积网络中滤波器组的最优值。

5.根据权利要求1所述的方法，其中步骤(4)中对混合像素子空间中各个区域的结构特征进行素描方向统计，获取每个区域的素描线段方向类，按如下步骤进行：

(4a)对于SAR混合像素子空间中的某一个极不匀质区域I，利用脊波反卷积网络模型获取其滤波器集合表示；

(4b)将区域I滤波器集合所有的滤波器拼接成一幅大小为区域滤波器图，其中s为该区域滤波器大小，ω为该区域滤波器个数；

(4c)根据初始素描模型，获取该区域的滤波器集合图的素描表示，即滤波器素描图；

(4d)将该滤波器素描图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，统计滤波器素描图中所有素描线段在坐标系中的坐标值；

(4e)按照下式，计算滤波器素描图中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；

(4f)根据方向信息构造方向统计直方图，该直方图横轴表示方向区间，纵轴表示该方向区域间的素描线段的个数；

(4g)通过观察分析直方图，选取方向统计直方图中素描线段条数大于阈值σ的所有方向区间作为素描线段方向类别数；

(4h)根据上述步骤，得到区域I的素描线段方向类别数，对SAR混合像素子空间中所有极不匀质区域进行如上处理，利用各区域的素描方向统计信息作为先验知识，获得每个区域的素描线段方向类别。

6.根据权利要求1所述的方法，其中步骤(5c)中利用现有的初始素描模型，构造滤波器子集中各个滤波器和滤波器子集质心的方向特征向量D，按如下步骤进行：

(5c1)利用初始素描模型获取滤波器素描块，统计素描块中的方向和长度信息，得到滤波器素描块的方向信息向量和长度信息向量；

(5c2)利用滤波器素描块的方向信息向量和长度信息向量，构造滤波器的方向特征向量：

初始化一个36维的方向特征向量D，将[0,180°]角度空间作为方向区间，以5°为单位，将方向区间划分为36个单位方向区间，根据滤波器素描块中的素描线段的方向值，设定各个单位方向区间的响应值：

若滤波器素描块中只有一条素描线段的方向值在某一个单位方向区间内响应，则将该单位方向区间的响应值设定为该素描线段的长度，其他不响应区间的响应值设定为0；

若滤波器素描块中有多条素描线段的方向值在同一单位方向区间内响应，则将该单位方向区间的响应值为滤波器素描块中最长素描线段的长度。

7.根据权利要求1所述的方法，其中步骤(5c)中构造位置特征向量L，按如下步骤进行：

(5c3)根据滤波器的初始素描模型，得到大小为r×r的滤波器素描块；

(5c4)以大小为z×z的感受窗口，位移步长为z的平移操作对滤波器素描块进行池化操作，即统计每个感受窗口所对应素描块区域内素描线上素描点的个数，以此作为该区域的特征参数；将该感受窗口滑过素描块中的所有区域，得到该素描块池化后的位置特征图；

(5c5)将素描块的位置特征图转换成向量的形式，得到该素描块的位置特征向量L。

8.根据权利要求1所述的方法，其中步骤(5d)中根据(5c)构造的方向特征向量D和位置特征向量L，建立混合像素子空间各个不连通区域的相关性，按如下步骤进行：

(5d1)选取混合像素子空间的两个区域，即第一区域I和第二区域J；

(5d2)利用步骤(4)所述的自组织网络，得到第一区域I的K个滤波器子集和K个子集的质心；

(5d3)利用初始素描模型分别提取第一区域I中各个滤波器子集和各个质心的素描块；

(5d4)根据质心素描块，利用步骤(5c)方向特征向量的构造思想，构造第一区域I中各个滤波器子集所对应质心的方向特征向量；

(5d5)根据初始素描模型，提取第二区域J中所有滤波器的素描块，并且根据素描块构造各个滤波器的方向特征向量，选取第二区域J滤波器集合R^J中任意一个滤波器，构造该滤波器的方向特征向量为根据如下公式计算与第一区域I中各个质心方向特征向量的最短距离；

其中表示第二区域J中任一滤波器的方向特征向量，表示第一区域I任一质心的方向特征向量，表示最短距离，min为求最短距离操作，ω是区域滤波器个数；

(5d6)利用(5d1)～(5d5)的素描结构映射步骤，将第二区域J滤波器集合中其他滤波器向第一区域I各个质心进行结构映射，得到第二区域J相对于第一区域I滤波器素描结构映射的结果，从而建立第一区域I和第二区域J之间的相关性。

9.根据权利要求1所述的方法，其中步骤(5d)中计算各个不连通区域间的相似度φ，得到区域间的相似度矩阵Φ，按如下步骤进行：

(5d7)对于第一区域I，选取其中一个滤波器子集其对应质心为构造子集中每个滤波器的方向特征向量和质心的方向特征向量，分别计算每个滤波器与质心方向特征向量之间的欧式距离，并计算最大距离值，将其作为第一区域I的结构映射参数，记为

(5d8)根据滤波器位置特征向量的构造思想，构造第一区域I中子集中每个滤波器的位置特征向量和质心的位置特征向量，分别计算每个滤波器与质心位置特征向量之间的欧式距离，并计算最大距离值，将其作为区域I的位置映射参数，记为

(5d9)计算第一区域I中子集每个滤波器与质心之间的欧式距离，并计算最大距离值，将其作为区域I的像素映射参数，记为

(5d10)对于第二区域J中质心同样为的滤波器子集计算如下参数：

计算该子集中每个滤波器与质心的方向特征向量之间的欧式距离：

计算每个滤波器与质心位置特征向量之间的欧式距离：

计算每个滤波器与质心像素特征之间的欧式距离：

其中τ_j表示区域J滤波器子集中滤波器的个数；

(5d11)根据(5d7)～(5d10)的结果判断映射是否成功：

若且的滤波器，则表示第二区域J子集与第一区域I的子集结构相似，结构映射成功；

若则表示第二区域J子集与第一区域I的子集像素特征相似，则像素特征映射成功；

(5d12)计算第二区域J中子集中滤波器向第一区域I子集映射成功的滤波器数量μ_j；

(5d13)对第二区域J中其他所有的滤波器子集进行步骤(5d7)～(5d12)的映射过程，根据如下公式计算第二区域J映射成功的滤波器的总数：

其中α^J为区域J映射成功的滤波器的总数，∑为求和操作，K为子集的总数，μ_j为子集中映射成功的滤波器数量；

(5d14)根据映射成功的滤波器的总数，按如下公式计算区域间的相似度；

其中，φ_J,I表示区域J相对于区域I的相似度，α^J为区域J映射成功的滤波器的总数，ω为区域滤波器的总数；

(5d15)根据步骤(5d7)～(5d14)得到混合像素子空间中所有区域两两之间的相似度，根据区域间的相似度，得到混合像素子空间的区域相似度矩阵Φ。

10.根据权利要求1所述的方法，其中步骤(7)中利用基于自适应邻域多项式隐模型的分割方法，对匀质像素子空间进行分割，按如下步骤进行：

(7a)从匀质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；

(7b)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；

(7c)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(7d)；否则，执行(7b)；

(7d)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，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；

(7e)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；

(7f)将先验概率p₁'与似然概率p₂'相乘，得到后验概率p₁₂'；

(7g)判断匀质像素子空间中是否还有未处理的像素点，若有，执行(7a)～(7g)；否则，执行(7h)；

(7h)根据最大后验概率准则，得到匀质像素子空间的分割结果。