基于反卷积网络和稀疏分类的极化SAR图像分割方法技术

本发明专利技术公开了一种基于反卷积网络和稀疏分类的极化SAR图像分割方法，主要解决现有技术需要依靠人工经验提取特征的问题。其实现步骤是：1.依次提取极化SAR图像的功率图和素描图；2.利用素描图提取极化SAR图像功率图的区域图；3.在极化SAR图像对应的聚集区域中提取样本；4.利用聚集区域中的样本对反卷积网络进行训练，并利用训练得到的滤波器构造相似性矩阵；5.利用相似性矩阵分割聚集区域；6.分别对匀质区域和结构区域进行分割；7.合并聚集区域、匀质区域和结构区域的分割结果，得到分割后的极化SAR图像。本发明专利技术的分割结果具有较好的区域一致性,且提高了极化SAR图像的分割效果,可用于目标检测和识别。

Polarimetric SAR image segmentation method based on deconvolution network and sparse classification

The invention discloses a polarization SAR image segmentation method based on deconvolution network and sparse classification, which mainly solves the problem that the existing technology needs to rely on artificial experience to extract features. The actual steps are as follows: 1. extract the power map and the sketch map of the polarizing SAR image in turn; 2. use the sketch map to extract the regional map of the power map of the polarized SAR image; 3. extract the samples in the aggregated region corresponding to the polarized SAR image; 4. use the samples in the aggregation region to train the deconvolution network and use the trained filter structure. The similarity matrix is built; 5. the clustering area is segmented by the similarity matrix; 6. is divided into the homogeneous region and the structure region respectively; 7. the segmentation results of the aggregation region, the homogeneous region and the structure region are obtained, and the polarized SAR image after the segmentation is obtained. The segmentation results of the invention have good regional consistency, and improve the segmentation effect of polarimetric SAR images, and can be used for target detection and recognition.

【技术实现步骤摘要】
基于反卷积网络和稀疏分类的极化SAR图像分割方法
本专利技术属于图像处理和遥感
，涉及极化SAR图像的分割方法。可用于后续的极化合成孔径雷达SAR图像的目标检测与识别。
技术介绍
极化合成孔径雷达SAR图像分割是指将图像划分成若干个特定的、具有独特性质的区域的过程。极化合成孔径雷达SAR图像分割的目的是提取出感兴趣的目标和区域并用于后续的目标检测和识别。极化合成孔径雷达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到后续的分析和识别的工作。现有的极化合成孔径雷达SAR图像分割方法主要分为三种：第一种是基于极化统计分布特性的分割方法；第二种是基于极化电磁波散射特性的分割方法；第三种是结合极化统计分布特性和极化电磁波散射特性的分割方法。基于极化统计分布特性的分割方法主要有：1988年，Kong等人提出了单视极化SAR图像的极大似然ML分类器；1994年，Lee等人根据极化协方差矩阵满足复wishart分布的特点，提出了有监督的极化SAR图像分割方法。基于极化电磁波散射特性的分割方法主要有：1989年，VanZyl等人提出了一种基于奇次散射、偶次散射和体散射三种散射机理本文档来自技高网...

【技术保护点】
一种基于反卷积网络和稀疏分类的极化SAR图像分割方法，包括如下步骤：(1)输入待分割的极化SAR图像的数据，对该极化SAR图像进行Pauli分解，得到极化SAR图像相干矩阵对角线三个通道的幅度值，将三个通道幅度值相加得到极化SAR图像的功率图，对极化SAR图像功率图进行素描化；(2)根据极化SAR图像功率图的素描图提取区域图，并根据区域图将极化SAR图像映射为聚集区域、匀质区域和结构区域；(3)对聚集区域进行分割：(3a)对聚集区域中的各个互不连通的区域分别进行采样，并利用采样得到的样本对反卷积网络进行无监督的训练，得到表征各个互不连通区域结构特征的滤波器集合；(3b)利用提取到的各个互不连通...

【技术特征摘要】
1.一种基于反卷积网络和稀疏分类的极化SAR图像分割方法，包括如下步骤：(1)输入待分割的极化SAR图像的数据，对该极化SAR图像进行Pauli分解，得到极化SAR图像相干矩阵对角线三个通道的幅度值，将三个通道幅度值相加得到极化SAR图像的功率图，对极化SAR图像功率图进行素描化；(2)根据极化SAR图像功率图的素描图提取区域图，并根据区域图将极化SAR图像映射为聚集区域、匀质区域和结构区域；(3)对聚集区域进行分割：(3a)对聚集区域中的各个互不连通的区域分别进行采样，并利用采样得到的样本对反卷积网络进行无监督的训练，得到表征各个互不连通区域结构特征的滤波器集合；(3b)利用提取到的各个互不连通区域的滤波器集合构造字典，结合字典构造相似性矩阵:(3b1)提取聚集区域最后一层的100个7×7大小的幅度信息的滤波器和相位信息的滤波器，将两组滤波器进行对应相加，得到表示该聚集区域的一个滤波器组，将所有聚集区域的滤波器组进行组合得到整个聚集区域的字典D；(3b2)按照投影公式，将一个聚集区域的滤波器组中的100个滤波器分别对字典进行投影，得到滤波器对字典的投影值d，对100个滤波器对字典的投影值求取平均值，得到表示该聚集区域的向量X：X＝(x1,x2,x3,...xi...,x100)，其中xi代表第i个滤波器对字典投影值的平均值，i＝1,2…100：所述的投影公式如下：其中，d表示滤波器对字典的投影值，d的取值范围为[0,1]，F表示聚集区域的一个滤波器，D表示字典，·表示点积操作，||·||表示求模操作；(3b3)计算每两个聚集区域向量之间的余弦距离cosθi,j：其中xi和yi分别代表两个聚集区域的第i个滤波器对字典投影值的平均值；(3c)利用相似性矩阵合并相似的聚集区域，得到聚集区域的分割结果；(4)对匀质区域进行分割；(5)对结构区域进行分割，提取出孤立目标和边界；(6)将聚集区域、匀质区域和结构区域的分割结果进行合并，得到分割后的极化SAR图像。2.根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法，其特征在于：其中步骤(1)中对极化SAR图像功率图进行素描化，按如下步骤进行：(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；(1b)按照下式，计算模板不同区域对应在极化合成孔径雷达SAR图像中像素的均值和方差：其中，μ表示区域Ω对应在极化合成孔径雷达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，wg表示区域Ω中位置g处的权重系数，wg的取值范围为wg∈[0,1]，Ag表示区域Ω中位置g对应在极化合成孔径雷达SAR图像中的像素值，ν表示区域Ω与极化合成孔径雷达SAR图像中对应像素的方差；(1c)按照下式，计算极化合成孔径雷达SAR图像中每个像素对比值算子的响应值：其中，R表示极化合成孔径雷达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，μa和μb分别表示区域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值；(1d)按照下式，计算极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值：其中，C表示极化合成孔径雷达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，νa和νb分别表示区域a和区域b对应在极化合成孔径雷达SAR图像中像素的方差，μa和μb分别表示区域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值，表示平方根操作；(1e)按照下式，融合极化合成孔径雷达SAR图像中像素对比值算子的响应值和极化合成孔径雷达SAR图像中像素对相关性算子的响应值，计算极化合成孔径雷达SAR图像中每个像素对各个模板的响应值：其中，F表示极化合成孔径雷达SAR图像中每个像素对各个模板的响应值，R和C分别表示极化合成孔径雷达SAR图像中像素对比值算子和极化合成孔径雷达SAR图像中像素对相关性算子的响应值，表示平方根操作；(1f)选择具有最大响应值的模板作为极化合成孔径雷达SAR图像中像素的模板，并将最大响应值作为该像素的功率，将具有最大响应值的模板的方向作为该像素的方向，获得极化合成孔径雷达SAR图像的边线响应图和方向图；(1g)利用极化合成孔径雷达SAR图像中每个像素所选择的模板，获得极化合成孔径雷达SAR图像的梯度图；(1h)按照下式，将归一化到[0,1]的边线响应图与归一化到[0,1]的梯度图进行融合，得...

【专利技术属性】
技术研发人员：刘芳，李婷婷，石志彬，郝红侠，焦李成，尚荣华，马文萍，马晶晶，杨淑媛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61