本發(fā)明涉及圖像分割技術(shù)領(lǐng)域，具體而言，涉及一種多視SAR圖像分割方法及裝置。

背景技術(shù)：

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種高分辨率成像雷達(dá)，通過接收目標(biāo)散射的電磁波并轉(zhuǎn)換成圖像以記錄地物形態(tài)，其特有的成像機(jī)制所導(dǎo)致的固有斑點(diǎn)噪聲給圖像分割帶來了巨大的困難。盡管多視技術(shù)能夠減少部分噪聲，但是，在實(shí)際應(yīng)用中多視SAR圖像仍然存在大量斑點(diǎn)噪聲，因此，多視SAR圖像分割方法的抗噪性及準(zhǔn)確性一直是研究的熱點(diǎn)問題。

目前，多視SAR圖像分割的方法主要有：閾值法、邊界法、聚類法及統(tǒng)計(jì)模型法等。其中，應(yīng)用最廣泛的為統(tǒng)計(jì)法，其通常采用混合模型刻畫圖像的復(fù)雜分布情況?；旌夏Ｐ椭凶畛Ｓ玫臑楦咚够旌夏Ｐ?Gaussian Mixture Model,GMM)，其假設(shè)圖像中像素的灰度值服從高斯分布，但是，傳統(tǒng)GMM中的權(quán)重系數(shù)為用向量表示的僅與聚類相關(guān)的單權(quán)重，且SAR圖像服從Gamma分布，上述問題均會(huì)導(dǎo)致傳統(tǒng)GMM對(duì)SAR圖像建模不夠準(zhǔn)確。

針對(duì)上述多視SAR圖像分割方法抗噪性能差及分割結(jié)果不理想的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種多視SAR圖像分割方法及裝置，能夠提高圖像分割的抗噪性能且增強(qiáng)分割精度。

為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例采用的技術(shù)方案如下：

第一方面，本發(fā)明實(shí)施例提供了一種多視SAR圖像分割方法，包括：

讀取待分割多視SAR圖像；上述待分割多視SAR圖像使用特征場(chǎng)z表示：

z＝{z_i(x_i,y_i):i＝1,…,n}

其中，i為像素索引，n為總像素?cái)?shù)，z_i為像素i的強(qiáng)度，(x_i，y_i)∈D為像素i的格點(diǎn)位置，D為圖像域；

初始化雙權(quán)重w：

w_i＝(w_il:l＝1,…,k)

其中，w_il為類屬l包含像素i的類屬權(quán)重，滿足k為類數(shù)；

重復(fù)執(zhí)行下述步驟：計(jì)算Gamma分布尺度參數(shù)β：

其中，α為Gamma分布形態(tài)參數(shù)；

計(jì)算上述圖像的或然率p(z|w)；

其中p(z_i|w_il)為以雙權(quán)重Gamma混合模型定義的z_i的概率密度，如下：

計(jì)算上述雙權(quán)重w的分布函數(shù)p(w)：

其中，A為歸一化系數(shù)，η為鄰域作用系數(shù)，N_i為以(x_i,y_i)為中心的8鄰域像素集合，且滿足i’∈N_i,i’≠i；

計(jì)算品質(zhì)函數(shù)L，上述品質(zhì)函數(shù)L為或然率p(z|w)與分布函數(shù)p(w)聯(lián)合概率分布函數(shù)的對(duì)數(shù)函數(shù)；

根據(jù)梯度法更新上述雙權(quán)重w：

w^(t+1)＝w^(t)+ξΔw^(t)

其中，t為迭代次數(shù)，ξ為步長(zhǎng)，Δw^(t)為梯度，如下：

將更新后的雙權(quán)重w代入品質(zhì)函數(shù)L；

直到|L^(t+1)-L^(t)|小于預(yù)設(shè)的閾值ε時(shí)，停止執(zhí)行上述步驟，根據(jù)當(dāng)前的雙權(quán)重w確定上述圖像中各個(gè)像素所屬的類別；

按照各個(gè)像素所屬的類別輸出分割結(jié)果。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種可能的實(shí)施方式，其中，計(jì)算品質(zhì)函數(shù)L包括：

計(jì)算或然率p(z|w)與分布函數(shù)p(w)聯(lián)合概率分布函數(shù)p(z,w)：

p(z,w)＝p(z|w)p(w)；

對(duì)該聯(lián)合概率分布函數(shù)取對(duì)數(shù)：

L(w)＝log p(z,w)＝log p(z|w)+log p(w)。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第二種可能的實(shí)施方式，其中，確定上述像素所屬的類別包括：

計(jì)算雙權(quán)重的最大值：

c_i＝arg max{w_il,l＝1,...,k}；

其中，c_i為第i個(gè)像素所屬類別的標(biāo)號(hào)；

將上述最大值作為上述像素所屬的類別。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第三種可能的實(shí)施方式，其中，按照各個(gè)像素所屬的類別輸出分割結(jié)果包括：用圖像中同一類別中的所有像素的強(qiáng)度的均值更新該同一類別中的所有像素的強(qiáng)度，得到均值圖像；通過顯示裝置顯示該均值圖像。

結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第四種可能的實(shí)施方式，還包括：設(shè)置常數(shù)，上述常數(shù)包括：類數(shù)k、Gamma分布形態(tài)參數(shù)α、歸一化常數(shù)A和鄰域作用系數(shù)η。

第二方面，本發(fā)明實(shí)施例還提供了一種多視SAR圖像分割裝置，包括：讀取模塊，用于讀取待分割多視SAR圖像；上述待分割多視SAR圖像使用特征場(chǎng)z表示：

z＝{z_i(x_i,y_i):i＝1,…,n}

其中，i為像素索引，n為總像素?cái)?shù)，z_i為像素i的強(qiáng)度，(x_i，y_i)∈D為像素i的格點(diǎn)位置，D為圖像域；

雙權(quán)重初始化模塊，用于初始化雙權(quán)重w：

w_i＝(w_il:l＝1,…,k)

其中，w_il為類屬l包含像素i的類屬權(quán)重，滿足k為類數(shù)；

權(quán)重參數(shù)迭代更新模塊，用于重復(fù)執(zhí)行下述計(jì)算：計(jì)算Gamma分布尺度參數(shù)β：

其中，α為Gamma分布形態(tài)參數(shù)；

計(jì)算圖像的或然率p(z|w)；

其中p(z_i|w_il)為以雙權(quán)重Gamma混合模型定義的z_i的概率密度，如下：

計(jì)算上述雙權(quán)重w的分布函數(shù)p(w)：

其中，A為歸一化系數(shù)，η為鄰域作用系數(shù)，N_i為以(x_i,y_i)為中心的8鄰域像素集合，且滿足i’∈N_i,i’≠i；

計(jì)算品質(zhì)函數(shù)L，上述品質(zhì)函數(shù)L為或然率p(z|w)與分布函數(shù)p(w)聯(lián)合概率分布函數(shù)的對(duì)數(shù)函數(shù)；

根據(jù)梯度法更新上述雙權(quán)重w：

w^(t+1)＝w^(t)+ξΔw^(t)

其中，t為迭代次數(shù)，ξ為步長(zhǎng)，Δw^(t)為梯度，如下：

將更新后的雙權(quán)重w代入品質(zhì)函數(shù)L；

直到|L^(t+1)-L^(t)|小于預(yù)設(shè)的閾值ε時(shí)，停止執(zhí)行上述計(jì)算；

類別確定模塊，用于根據(jù)當(dāng)前的雙權(quán)重w確定圖像中各個(gè)像素所屬的類別；

輸出模塊，用于按照各個(gè)像素所屬的類別對(duì)圖像進(jìn)行分割，輸出分割結(jié)果。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第一種可能的實(shí)施方式，其中，上述權(quán)重參數(shù)迭代更新模塊包括：第一計(jì)算單元，用于計(jì)算或然率p(z|w)與分布函數(shù)p(w)的聯(lián)合概率分布函數(shù)p(z,w)：

p(z,w)＝p(z|w)p(w)；

第二計(jì)算單元，用于對(duì)上述聯(lián)合概率分布函數(shù)取對(duì)數(shù)：

L(w)＝log p(z,w)＝log p(z|w)+log p(w)。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第二種可能的實(shí)施方式，其中，類別確定模塊包括：最大值計(jì)算單元，用于計(jì)算雙權(quán)重的最大值：

c_i＝arg max{w_il,l＝1,...,k}；

其中，c_i為第i個(gè)像素所屬類別的標(biāo)號(hào)；

類別確定單元，用于將上述最大值作為像素所屬的類別。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第三種可能的實(shí)施方式，其中，上述輸出模塊包括：均值單元，用于圖像中同一類別中的所有像素的強(qiáng)度的均值更新該同一類別中的所有像素的強(qiáng)度，得到均值圖像；顯示單元，用于通過顯示裝置顯示該均值圖像。

結(jié)合第二方面，本發(fā)明實(shí)施例提供了第二方面的第四種可能的實(shí)施方式，還包括：常數(shù)設(shè)置模塊，用于設(shè)置常數(shù)，上述常數(shù)包括：類數(shù)k、Gamma分布形態(tài)參數(shù)α、歸一化常數(shù)A和鄰域作用系數(shù)η。

本發(fā)明實(shí)施例提供的多視SAR圖像分割方法及裝置，采用基于類屬場(chǎng)表示的雙權(quán)重Gamma混合模型對(duì)圖像特征場(chǎng)進(jìn)行建模；為了引入鄰域關(guān)系，基于馬爾科夫隨機(jī)場(chǎng)模型(Markov Random Filed,MRF)，結(jié)合誤差平方和理論將中心像素類屬權(quán)重視為均值，構(gòu)造其與鄰域像素類屬權(quán)重差的平方和函數(shù)以描述鄰域窗口內(nèi)像素的差異性，用誤差平方和表征差異能充分利用類屬信息，增強(qiáng)了圖像的分割精度。同時(shí)在估計(jì)Gamma混合模型中的雙權(quán)重時(shí)，本發(fā)明實(shí)施例采用梯度法對(duì)雙權(quán)重進(jìn)行求解，迭代速度快、不易出現(xiàn)局部最優(yōu)問題。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1示出了本發(fā)明實(shí)施例所提供的一種多視SAR圖像分割裝置的流程圖；

圖2示出了本發(fā)明實(shí)施例所提供的一種多視SAR圖像分割裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在此處附圖中描述和示出的本發(fā)明實(shí)施例的組件可以以各種不同的配置來布置和設(shè)計(jì)。因此，以下對(duì)附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實(shí)施例。基于本發(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

考慮到現(xiàn)有技術(shù)中的多視SAR圖像分割方法存在的抗噪性能及準(zhǔn)確性差的問題，本發(fā)明實(shí)施例提供了一種多視SAR圖像分割方法及裝置，該技術(shù)可以采用相應(yīng)的軟件和硬件實(shí)現(xiàn)。下面通過實(shí)施例進(jìn)行描述。

實(shí)施例1

圖1示出了本發(fā)明實(shí)施例提供的多視SAR圖像分割方法的流程示意圖。下面將對(duì)圖1所示方法的具體流程進(jìn)行詳細(xì)闡述。

步驟S110，讀取待分割多視SAR圖像。

該待分割多視SAR圖像使用特征場(chǎng)z表示：

z＝{z_i(x_i,y_i):i＝1,…,n}

其中，i為像素索引，n為總像素?cái)?shù)，z_i為像素i的強(qiáng)度，(x_i，y_i)∈D為像素i的格點(diǎn)位置，D為圖像域。

步驟S120，初始化雙權(quán)重w。

在本實(shí)施例中，定義雙權(quán)重w表示像素與類屬之間關(guān)系，具體如下：

w_i＝(w_il:l＝1,…,k)

其中，w_il為類屬l包含像素i的類屬權(quán)重，滿足k為類數(shù)。其中，初始雙權(quán)重隨機(jī)生成，行表示像素，列表示類別，矩陣中元素取值范圍為0～1，并且滿足每一行和為1。

步驟S130，計(jì)算Gamma分布尺度參數(shù)β。

在本實(shí)施例中，定義Gamma分布尺度參數(shù)β_l為關(guān)于類屬權(quán)重w_il的函數(shù)，具體如下：

其中，α為Gamma分布形態(tài)參數(shù)，對(duì)于多視SAR圖像，α等于其視數(shù)?；陔p權(quán)重，結(jié)合Gamma混合模型定義特征場(chǎng)概率分布，其中，混合模型中分布尺度參數(shù)與分布形態(tài)參數(shù)的乘積為均值。

步驟S140，計(jì)算上述圖像的或然率p(z|w)。

假設(shè)圖像中各像素特征值相互獨(dú)立，定義上述或然率為：

其中p(z_i|w_il)為以雙權(quán)重Gamma混合模型定義的z_i的概率密度，如下：

步驟S150，計(jì)算上述雙權(quán)重w的分布函數(shù)p(w)。

具體地，以誤差平方和理論為基礎(chǔ)，結(jié)合MRF定義中心像素與其鄰域像素差異性，進(jìn)而得到雙權(quán)重w的分布函數(shù)p(w)為：

其中，A為歸一化系數(shù)，控制聚類尺度；η為鄰域作用系數(shù)，表征鄰域影響強(qiáng)度；N_i為以(x_i,y_i)為中心的8鄰域像素集合，且滿足i’∈N_i,i’≠i。

步驟S160，計(jì)算品質(zhì)函數(shù)L，該品質(zhì)函數(shù)L為或然率p(z|w)與分布函數(shù)p(w)聯(lián)合概率分布函數(shù)的對(duì)數(shù)函數(shù)。

其中，計(jì)算品質(zhì)函數(shù)L具體包括：

計(jì)算或然率p(z|w)與分布函數(shù)p(w)的聯(lián)合概率分布函數(shù)p(z,w)：

p(z,w)＝p(z|w)p(w)；

品質(zhì)函數(shù)L定義為p(z,w)的對(duì)數(shù)函數(shù)，即對(duì)上式取對(duì)數(shù)：

L(w)＝log p(z,w)＝log p(z|w)+log p(w)。

步驟S170，根據(jù)梯度法更新上述雙權(quán)重w。

w^(t+1)＝w^(t)+ξΔw^(t)

其中，t為迭代次數(shù)，ξ為步長(zhǎng)，Δw^(t)為梯度，該梯度定義為上述品質(zhì)函數(shù)L的導(dǎo)數(shù)如下：

步驟S180，將更新后的雙權(quán)重w代入品質(zhì)函數(shù)L。

步驟S190，重復(fù)執(zhí)行上述步驟S130-S180，直到|L^(t+1)-L^(t)|小于預(yù)設(shè)的閾值ε時(shí)，停止執(zhí)行上述步驟，根據(jù)當(dāng)前的雙權(quán)重w確定圖像中各個(gè)像素所屬的類別。

確定上述各個(gè)像素所屬的類別具體包括以下步驟：

(1)計(jì)算上述雙權(quán)重的最大值：

c_i＝arg max{w_il,l＝1,...,k}；

其中，c_i為第i個(gè)像素所屬類別的標(biāo)號(hào)；

(2)將該最大值作為該像素所屬的類別。

由上述步驟S120中雙權(quán)重的定義可知，其是像素與類屬的關(guān)系矩陣，每一行中最大值對(duì)應(yīng)的列即為像素所屬類別。

步驟S200，按照各個(gè)像素所屬的類別輸出分割結(jié)果。

具體地，通過上述步驟確定待分割圖像的每個(gè)像素屬于哪個(gè)類別后，將同一類中所有像素的強(qiáng)度(即像素的灰度值)求均值，將該均值作為此類的強(qiáng)度值即得到分割結(jié)果。用上述圖像中同一類別中的所有像素的強(qiáng)度的均值更新該同一類別中的所有像素的強(qiáng)度，得到均值圖像；通過顯示裝置顯示該均值圖像。

在本實(shí)施例的方法實(shí)際實(shí)施時(shí)，在輸入待分割的圖像后執(zhí)行上述步驟前，還包括設(shè)置常數(shù)的步驟，該常數(shù)具體包括：類數(shù)k、Gamma分布形態(tài)參數(shù)α、歸一化常數(shù)A和鄰域作用系數(shù)η。

本發(fā)明實(shí)施例提供的多視SAR圖像分割方法，通過采用基于類屬場(chǎng)表示的雙權(quán)重Gamma混合模型對(duì)圖像特征場(chǎng)進(jìn)行建模；為了引入鄰域關(guān)系，基于馬爾科夫隨機(jī)場(chǎng)模型(Markov Random Filed,MRF)，結(jié)合誤差平方和理論將中心像素類屬權(quán)重視為均值，構(gòu)造其與鄰域像素類屬權(quán)重差的平方和函數(shù)以描述鄰域窗口內(nèi)像素的差異性，用誤差平方和表征差異能充分利用類屬信息，增強(qiáng)了圖像的分割精度；同時(shí)在估計(jì)Gamma混合模型中的雙權(quán)重時(shí)，本發(fā)明實(shí)施例采用梯度法對(duì)雙權(quán)重進(jìn)行求解。具體如下：

(1)利用Gamma混合模型刻畫SAR圖像特征場(chǎng)的概率分布，以類屬場(chǎng)表征像素與類屬間關(guān)系，該關(guān)系用矩陣表示，并將該類屬矩陣作為Gamma混合模型的雙權(quán)重，從像素與聚類兩個(gè)角度共同作用于Gamma分布，較傳統(tǒng)混合模型中以向量表示的僅與聚類相關(guān)的單權(quán)重能夠更好地刻畫特征場(chǎng)；

(2)基于誤差平方和及馬爾科夫隨機(jī)場(chǎng)(Markov Random Field,MRF)理論，以中心像素與其8鄰域像素類屬權(quán)重差的平方和刻畫鄰域窗口內(nèi)特征差異程度，進(jìn)而定義雙權(quán)重的分布函數(shù)，當(dāng)平方和越大時(shí)，說明窗口內(nèi)像素特征差異越大，即其屬于不同類別的概率越大；

(3)利用貝葉斯定理定義特征場(chǎng)和雙權(quán)重的聯(lián)合概率分布函數(shù)，以其對(duì)數(shù)函數(shù)作為品質(zhì)函數(shù)，并利用梯度法求解雙權(quán)重，以獲得最小化品質(zhì)函數(shù)對(duì)應(yīng)的最佳估計(jì)值。

本發(fā)明實(shí)施例的效果可通過如下仿真實(shí)驗(yàn)進(jìn)一步說明：

(1)仿真實(shí)驗(yàn)條件

本實(shí)施例在CPU為Core(TM)i5-3470 3.20GHz的Windows 7旗艦版系統(tǒng)上使用MATLAB 2011a軟件編程實(shí)現(xiàn)仿真。

仿真數(shù)據(jù)1為模擬SAR圖像，包含3個(gè)同質(zhì)區(qū)域，其由標(biāo)準(zhǔn)模板圖像添加形態(tài)參數(shù)為4，尺度參數(shù)分別為2、10、20的Gamma分布隨機(jī)數(shù)得到。仿真數(shù)據(jù)2為真實(shí)SAR影像，包含2個(gè)同質(zhì)區(qū)域，由于真實(shí)遙感圖像無標(biāo)準(zhǔn)模板，因此將手繪模板視為標(biāo)準(zhǔn)模板。以上仿真數(shù)據(jù)圖像大小均為128×128，圖像總像素?cái)?shù)n＝16384。

(2)仿真實(shí)驗(yàn)結(jié)果

為了證明本實(shí)施例算法的有效性，分別以模板圖像為標(biāo)準(zhǔn)，對(duì)本實(shí)施例算法及對(duì)比算法分割結(jié)果生成混淆矩陣，并計(jì)算其用戶精度、產(chǎn)品精度及Kappa值，以對(duì)本實(shí)施例方法進(jìn)行定量分析(如表1所示)，其中“-”表示圖像中無此區(qū)域。由表1可知，本實(shí)施例的總精度及Kappa值均高于對(duì)比算法，從數(shù)字角度精確地驗(yàn)證了本實(shí)施例方法的有效性。本實(shí)施例的方法抗噪性能較好，分割結(jié)果誤分現(xiàn)象較少，分割邊界擬合精確；而對(duì)比算法不能有效克服復(fù)雜噪聲，分割結(jié)果中誤分像素較多，導(dǎo)致視覺效果極差。

表1

實(shí)施例2

結(jié)合前述實(shí)施例，本實(shí)施例提供了一種多視SAR圖像分割裝置，參見圖2所示的多視SAR圖像分割裝置的結(jié)構(gòu)示意圖，該裝置包括：讀取模塊301、雙權(quán)重初始化模塊302、權(quán)重參數(shù)迭代更新模塊303、類別確定模塊304和顯示模塊305。

具體介紹如下：

讀取模塊301，用于讀取待分割多視SAR圖像。

該待分割多視SAR圖像使用特征場(chǎng)z表示：

z＝{z_i(x_i,y_i):i＝1,…,n}

其中，i為像素索引，n為總像素?cái)?shù)，z_i為像素i的強(qiáng)度，(x_i，y_i)∈D為像素i的格點(diǎn)位置，D為圖像域。

雙權(quán)重初始化模塊302，用于初始化雙權(quán)重w。

在本實(shí)施例中，定義雙權(quán)重w表示像素與類屬之間關(guān)系，具體如下：

w_i＝(w_il:l＝1,…,k)

其中，w_il為類屬l包含像素i的類屬權(quán)重，滿足k為類數(shù)。其中，初始雙權(quán)重隨機(jī)生成，行表示像素，列表示類別，矩陣中元素取值范圍為0～1，并且滿足每一行和為1。

權(quán)重參數(shù)迭代更新模塊303，用于重復(fù)執(zhí)行下述計(jì)算：

計(jì)算Gamma分布尺度參數(shù)β。

定義Gamma分布尺度參數(shù)β_l為關(guān)于類屬權(quán)重w_il的函數(shù)，具體如下：

其中，α為Gamma分布形態(tài)參數(shù)，對(duì)于多視SAR圖像，α等于其視數(shù)。基于雙權(quán)重，結(jié)合Gamma混合模型定義特征場(chǎng)概率分布，其中，混合模型中分布尺度參數(shù)與分布形態(tài)參數(shù)的乘積為均值。

計(jì)算圖像的或然率p(z|w)。

假設(shè)圖像中各像素特征值相互獨(dú)立，定義上述或然率為：

其中p(z_i|w_il)為以雙權(quán)重Gamma混合模型定義的z_i的概率密度，如下：

計(jì)算上述雙權(quán)重w的分布函數(shù)p(w)。

具體地，以誤差平方和理論為基礎(chǔ)，結(jié)合MRF定義中心像素與其鄰域像素差異性，進(jìn)而得到雙權(quán)重w的分布函數(shù)p(w)為：

其中，A為歸一化系數(shù)，控制聚類尺度；η為鄰域作用系數(shù)，表征鄰域影響強(qiáng)度；N_i為以(x_i,y_i)為中心的8鄰域像素集合，且滿足i’∈N_i,i’≠i。

計(jì)算品質(zhì)函數(shù)L，上述品質(zhì)函數(shù)L為或然率p(z|w)與分布函數(shù)p(w)聯(lián)合概率分布函數(shù)的對(duì)數(shù)函數(shù)。

上述權(quán)重參數(shù)迭代更新模塊303包括：第一計(jì)算單元，用于計(jì)算或然率p(z|w)與分布函數(shù)p(w)的聯(lián)合概率分布函數(shù)p(z,w)：

p(z,w)＝p(z|w)p(w)；

第二計(jì)算單元，用于對(duì)上式取對(duì)數(shù)：

L(w)＝log p(z,w)＝log p(z|w)+log p(w)。

根據(jù)梯度法更新上述雙權(quán)重w。

w^(t+1)＝w^(t)+ξΔw^(t)

其中，t為迭代次數(shù)，ξ為步長(zhǎng)，Δw^(t)為梯度，該梯度定義為上述品質(zhì)函數(shù)L的導(dǎo)數(shù)如下：

將更新后的雙權(quán)重w代入品質(zhì)函數(shù)L；

直到|L^(t+1)-L^(t)|小于預(yù)設(shè)的閾值ε時(shí)，停止執(zhí)行上述步驟。

類別確定模塊304，用于根據(jù)當(dāng)前的雙權(quán)重w確定圖像中各個(gè)像素所屬的類別。

上述類別確定模塊304包括：最大值計(jì)算單元，用于計(jì)算雙權(quán)重的最大值：

c_i＝arg max{w_il,l＝1,...,k}

其中，c_i為第i個(gè)像素所屬類別的標(biāo)號(hào)；

類別確定單元，用于將上述最大值作為像素所屬的類別。

由上述雙權(quán)重的定義可知，其是像素與類屬的關(guān)系矩陣，每一行中最大值對(duì)應(yīng)的列即為像素所屬類別。

輸出模塊305，用于按照各個(gè)像素所屬的類別輸出分割結(jié)果。

具體地，上述輸出模塊305包括：

均值單元，用于圖像中同一類別中的所有像素的強(qiáng)度的均值更新該同一類別中的所有像素的強(qiáng)度，得到均值圖像；

顯示單元，用于通過顯示裝置顯示該均值圖像。

在本實(shí)施例的裝置實(shí)際實(shí)施時(shí)，還包括：常數(shù)設(shè)置模塊，用于設(shè)置常數(shù)，上述常數(shù)包括：類數(shù)k、Gamma分布形態(tài)參數(shù)α、歸一化常數(shù)A和鄰域作用系數(shù)η。

本實(shí)施例所提供的多視SAR圖像分割裝置的實(shí)現(xiàn)原理及產(chǎn)生的技術(shù)效果和前述實(shí)施例相同，為簡(jiǎn)要描述，本實(shí)施例部分未提及之處，可參考前述實(shí)施例中相應(yīng)內(nèi)容。

上述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。