随着SAR成像技术的快速发展,使得SAR图像解译技术的研究成为焦点,而SAR图像分割技术是研究SAR图像解译技术的前提和基础,也是SAR图像解译工作的重要组成部分。由于SAR图像存在混杂、异构、高维等特点,使得SAR图像特征提取工作困难重重,为SAR图像分割工作的进行添加了难度。本团队提出的层次视觉语义模型,将SAR图像划分成混合,结构以及匀质区域像素子空间,该模型很好的解决了SAR图像的异构问题,为SAR图像分割问题的解决打下了良好的基础。本文在此基础上,利用SAR图像素描图中素描线段的信息,提出了基于素描信息和贝叶斯网络特征学习的SAR图像语义分割方法,具体研究成果如下:(1)提出一种基于素描方向信息和特征学习的混合像素子空间分割方法。设计了素描方向统计向量对SAR图像混合像素子空间中的极不匀质区域进行表示。极不匀质区域地物结构复杂,背景信息丰富,传统方法很难提取到有效的特征。而SAR图像素描图是对SAR图像的稀疏表示,图中的素描线段包含了丰富的语义信息,依据素描线段方向特性设计特征抓住了图像地物明显的方向结构,通过对该人工特征的聚类完成混合像素子空间的初次聚类。结合人工特征和学习特征的优点,通过人工特征的初次分类结果,结合贝叶斯学习网络获得学习的特征,通过聚类方法完成分割,根据实验验证该方法是可行的。(2)提出一种基于聚类方法和特征相似度的分析方法对贝叶斯学习网络进行参数分析。网络参数选取的好坏直接影响着网络的训练能力和学习效果。通过网络输入层神经元参数和网络隐层神经元参数的不同选择,完成仿真实验,采用聚类方法和基于方差和均值的特征相似度方法,结合实验结果进行参数分析,选取最优参数,调整网络结构,增强网络学习性能,提高图像分割的准确度。(3)提出一种基于素描空间结构和贝叶斯学习网络的分割方法。依据素描线段的空间位置和长度信息,设计贝叶斯学习网络的约束条件,提高网络重构效果,增强网络学习性能,进行混合像素子空间的分割。用已有的方法完成匀质区域像素子空间和结构像素子空间的分割。融合合并所有像素子空间的分割结果得到最终的SAR图像分割结果。通过实验验证表明本文研究内容是有效可行的。