目前超像素已经广泛应用于SAR图像处理中。对同一张SAR图像，超像素的数量远少于像素，以超像素为处理单元可以极大提升分割算法的计算效率。但在目前以超像素为单元的分割算法中，超像素生成都是作为一个预处理步骤，与分割算法相互独立。这意味着，一旦超像素分割算法的结果不佳，例如同一个超像素包含不同地物类型，这些错误会传递到最终的分割结果中。换句话说，分割算法的性能一定程度上受到超像素精度的干扰。对这一问题，提出了一种基于柔性超像素（soft superpixel）的SAR图像快速分割方法。具体来说，首先，基于一种处处可微分的聚类方法，设计了一种结构简单的面向SAR图像的超像素生成网络，该网络输出像素-超像素的关联图，即像素与被划分到不同超像素的概率组成的矩阵。在分割部分，将分割后的超像素集看作是一个图模型，对传统图卷积网络进行改进，使其能够以关联图为输入，执行超像素级分割。该方法的优点是将超像素生成和图像分割两部分统一到一个深度网络中，实现端到端的训练。在训练过程中，除了分割网络的参数能够更新，超像素生成子网络的参数也能够根据分割结果调整，使超像素形状能够更好的贴合SAR图像中的地物边界，直到两个部分都获得最佳参数。在对模拟和真实SAR图像的分割实验结果表明，该方法优于其他的超像素级SAR图像分割算法，同时计算复杂度更低。该成果目前已经被TGRS期刊录用。

博士简介