技術(shù)特征：

1.一種多視SAR圖像分割方法，其特征在于，包括：

讀取待分割多視SAR圖像；所述待分割多視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：

${\mathrm{\β}}_l=\frac{\underset{i=1}{\overset{n}{\Σ}}{w}_{il}{z}_i}{\mathrm{\α}\underset{i=1}{\overset{n}{\Σ}}{w}_{il}}$

其中，α為Gamma分布形態(tài)參數(shù)；

計(jì)算所述圖像的或然率p(z|w)；

$p\left(z\right|w)=\underset{i=1}{\overset{n}{\Π}}p\left(z_i\right|w_{il})$

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：

$p\left(z_i\right|w_{il})=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(z_i\right|{\mathrm{\β}}_l)=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\frac{z_i^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l}\exp (-\frac{z_i}{{\mathrm{\β}}_l});$

計(jì)算所述雙權(quán)重w的分布函數(shù)p(w)：

$p\left(w\right)=\frac{1}{A}\exp (-\mathrm{\η}\underset{i=1}{\overset{n}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}\underset{i^{\′}\∈N_i}{\Σ}{\left(w_{il}-w_{i^{\′}l}\right)}^2)$

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，所述品質(zhì)函數(shù)L為所述或然率p(z|w)與所述分布函數(shù)p(w)聯(lián)合概率分布函數(shù)的對(duì)數(shù)函數(shù)；

根據(jù)梯度法更新所述雙權(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：

${{\mathrm{\Δw}}_{il}}^{\left(t\right)}=\frac{\∂L}{\∂w_{il}}=\frac{1}{\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp \right(-\frac{z_i}{{\mathrm{\β}}_l}\left)\right)}\·\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp (-\frac{z_i}{{\mathrm{\β}}_l})-2\mathrm{\η}\underset{i^{\′}\∈N_i}{\Σ}(w_{il}-w_{i^{\′}l});$

將更新后的所述雙權(quán)重w代入所述品質(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)前的所述雙權(quán)重w確定所述圖像中各個(gè)像素所屬的類別；

按照所述各個(gè)像素所屬的類別輸出分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，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)的聯(lián)合概率分布函數(shù)p(z,w)：

p(z,w)＝p(z|w)p(w)；

對(duì)所述聯(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)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，確定所述像素所屬的類別包括：

計(jì)算所述雙權(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)；

將所述最大值作為所述像素所屬的類別。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，按照所述各個(gè)像素所屬的類別輸出分割結(jié)果包括：用所述圖像中同一類別中的所有像素的強(qiáng)度的均值更新所述同一類別中的所有像素的強(qiáng)度，得到均值圖像；通過(guò)顯示裝置顯示所述均值圖像。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

設(shè)置常數(shù)，所述常數(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。

6.一種多視SAR圖像分割裝置，其特征在于，包括：

讀取模塊，用于讀取待分割多視SAR圖像；所述待分割多視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：

${\mathrm{\β}}_l=\frac{\underset{i=1}{\overset{n}{\Σ}}{w}_{il}{z}_i}{\mathrm{\α}\underset{i=1}{\overset{n}{\Σ}}{w}_{il}}$

其中，α為Gamma分布形態(tài)參數(shù)；

計(jì)算所述圖像的或然率p(z|w)；

$p\left(z\right|w)=\underset{i=1}{\overset{n}{\Π}}p\left(z_i\right|w_{il})$

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：

$p\left(z_i\right|w_{il})=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(z_i\right|{\mathrm{\β}}_l)=\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\frac{z_i^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l}\exp (-\frac{z_i}{{\mathrm{\β}}_l});$

計(jì)算所述雙權(quán)重w的分布函數(shù)p(w)：

$p\left(w\right)=\frac{1}{A}\exp (-\mathrm{\η}\underset{i=1}{\overset{n}{\Σ}}\underset{l=1}{\overset{k}{\Σ}}\underset{i^{\′}\∈N_i}{\Σ}{\left(w_{il}-w_{i^{\′}l}\right)}^2)$

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，所述品質(zhì)函數(shù)L為所述或然率p(z|w)與所述分布函數(shù)p(w)聯(lián)合概率分布函數(shù)的對(duì)數(shù)函數(shù)；

根據(jù)梯度法更新所述雙權(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：

${{\mathrm{\Δw}}_{il}}^{\left(t\right)}=\frac{\∂L}{\∂w_{il}}=\frac{1}{\underset{l=1}{\overset{k}{\Σ}}{w}_{il}\left(\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp \right(-\frac{z_i}{{\mathrm{\β}}_l}\left)\right)}\·\frac{{z_i}^{\mathrm{\α}-1}}{\mathrm{\Γ}\left(\mathrm{\α}\right){\mathrm{\β}}_l^{\mathrm{\α}}}\exp (-\frac{z_i}{{\mathrm{\β}}_l})-2\mathrm{\η}\underset{i^{\′}\∈N_i}{\Σ}(w_{il}-w_{i^{\′}l});$

將更新后的所述雙權(quán)重w代入所述品質(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)前的所述雙權(quán)重w確定所述圖像中各個(gè)像素所屬的類別；

輸出模塊，用于按照所述各個(gè)像素所屬的類別輸出分割結(jié)果。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述權(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)所述聯(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)。

8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述類別確定模塊包括：

最大值計(jì)算單元，用于計(jì)算所述雙權(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)；

類別確定單元，用于將所述最大值作為所述像素所屬的類別。

9.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述輸出模塊包括：

均值單元，用于所述圖像中同一類別中的所有像素的強(qiáng)度的均值更新所述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(guò)顯示裝置顯示所述均值圖像。

10.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括：

常數(shù)設(shè)置模塊，用于設(shè)置常數(shù)，所述常數(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。