1.一种结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：包括以下步骤：步骤1：输入待分割SAR影像，并将其定义为在影像域D上的随机场的一个实现；

步骤2：赋予SAR影像中每个类别一个权重，影像中所有的类别对应的权重构成权重集合；

步骤3：利用待分割影像和权重集合定义类加权SAR影像，并将其定义为在影像域上的特征场的一个实现；

步骤4：利用规则划分技术将类加权SAR影像的影像域划分为多个子块；

步骤5：在划分的影像域上，建立类加权SAR影像分割模型；

步骤6：针对已建立的类加权SAR影像分割模型，设定迭代次数，并在每次迭代过程中利用GMTRJ算法设计求解类加权SAR影像分割模型中所有参数，并利用EM算法估算权重集合，进而确定类加权SAR影像分割模型的最优解；

步骤7：输出SAR影像的分割结果。

2.根据权利要求1所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤1的具体方法为：将输入的待分割SAR影像x＝{xd,d∈D}定义为影像域D上的随机场X＝{Xd,d∈D}的一个实现，其中，d为SAR影像中的像素索引，xd为像素d的强度，Xd表示像素d的强度的随机变量。

3.根据权利要求2所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤2的具体方法为：对于SAR影像中标号为l的类别，赋予其对应的权重ωl，定义其为解析量；SAR影像中所有类别的权重构成权重集合，记作，ω＝{ωl,l＝1,…,k}，其中，k为SAR影像中类别总数。

4.根据权利要求3所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤3的具体方法为：利用待分割影像x＝{xd,d∈D}和权重集合ω＝{ωl,l＝1,…,k}定义类加权SAR影像，记作，y＝{yd,d∈D}，其中， 为像素d的类加权强度，ld为像素d所属类别标号，为像素d所属类别的权重；将类加权SAR影像y＝{yd,d∈D}定义为在影像域D上的特征场Y＝{Yd,d∈D}的一个实现；其中， 为像素d的类加权强度的随机变量。

5.根据权利要求4所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤4的具体方法为：利用规则划分技术将影像域D划分成m个子块，即，D＝{Pi,i＝1,...,m}，其中，Pi为划分的第i个子块，i为子块索引，m为划分的子块总数，子块Pi的行数或列数为2的整数倍数，允许最小的子块包含2×2个像素点；SAR影像的每个同质区域由一个或多个具有相同标号的子块拟合而成。

6.根据权利要求5所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤5的具体方法为：首先在规则划分的SAR影像域上，定义标号场L＝{Li,i＝1,...,m}，其中，Li表示子块Pi所属类别标号的随机变量，Li∈{1,...,k}；在规则划分的SAR影像域中，特征场Y定义为Y＝{Yi,i＝1,...,m}，其中Yi＝{Yd,d∈Pi}为子块Pi内所有像素为d的类加权强度的随机变量的集合；标号场L的每一个实现l＝{li,i＝1,...,m}为类加权SAR影像y对应的分割结果，li为子块Pi的类别标号，且子块Pi内所有像素的类别标号均为li；

步骤5.1：在划分的SAR影像域上，设定划分的子块数m服从均值为λm的泊松分布，定义子块数m的先验分布，如下公式所示：其中，p(m)为子块数m的概率密度函数；

步骤5.2：在划分的SAR影像域上，利用势能函数定义标号场模型，如下公式所示：其中，p(L|k,m)为已知k和m条件下标号场L的条件概率密度函数，U(L)是一个势能函数，A为常数，γ为邻域子块的空间作用参数，NPi为子块Pi的八邻域子块的集合，i′为子块Pi的邻域子块Pi′的索引，Li′为邻域子块Pi′的标号的随机变量；若Li＝Li′，则δ(Li,Li′)＝1；若Li≠Li′，则δ(Li,Li′)＝0；

步骤5.3：在划分的SAR影像域上，定义特征场模型；

设定子块Pi内所有像素d对应的类加权强度的随机变量Yd满足均值为μl、标准差为σl的高斯分布，且SAR影像域内所有子块对应的类加权强度的随机变量的集合Yi的高斯分布均相互独立，则定义特征场模型如下公式所示：其中，p(Y|L,θ,k,m)为已知L,θ,k和m条件下特征场Y的条件概率密度函数，θ＝{θl,l＝

1,…,k}表示特征场模型的参数矢量集合，θl＝(μl,σl)为标号l的参数矢量；

步骤5.4：建立特征场模型参数矢量集合的先验分布；

设定μl和σl分别服从均值为μμ和μσ、标准差为σμ和σσ的高斯分布，且相互独立，则标号l的参数矢量θl的先验分布p(θl)如下公式所示：其中，p(μl)和p(σl)分别为μl和σl的先验分布；

同时，设定所有的参数矢量θl的先验分布均相互独立，则特征场模型参数矢量集合θ＝{θl,l＝1,…,k}的先验分布p(θ|k)如下公式所示：步骤5.5：在步骤5.1‑步骤5.4的基础上，建立类加权SAR影像分割模型；

根据贝叶斯定理，结合步骤5.1中的子块数m的先验分布、步骤5.2中的标号场模型、步骤5.3中的特征场模型和步骤5.4中的特征场模型参数矢量集合的先验分布，定义类加权SAR影像分割模型，如下公式所示：其中，p(L,θ,m|X,ω,k)为已知X,ω和k条件下L,θ和m的条件概率密度函数。

7.根据权利要求6所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤6的具体方法为：步骤6.1：利用GMTRJ算法通过采样特征场模型参数矢量集合中的参数矢量来采样特征场模型参数矢量集合；

在{1，…,k}中随机抽取一个标号l，对应的特征场模型参数矢量为θl，标号的最终候选* * (g) (g)特征场模型参数矢量θl是以概率p(θ,θ)从集合{θl ,g＝1,…,G}中选择，其中，θl 为第g个候选特征场模型参数矢量，G为候选特征场模型参数矢量的总数；未被抽取的标号对应的(g)特征场模型参数矢量不变；其中，θl 服从均值为θl、标准差为σθ的高斯分布；则原特征场模*型参数矢量集合为θ＝{θ1,…,θl,…,θk}，候选的特征场模型参数矢量集合为θ＝{θ1,…,* * *θl ,…,θk}；得到采样特征场模型参数矢量集合由θ变为θ的接受率ap(θ,θ)如下公式所示：*

ap(θ,θ)＝min{1,Rp}

其中，

其中，

* (g)

其中，w(θ,θ)和w(θ,θ )均为权函数，分别表示为：* * *

w(θ,θ)＝p(Y|L,θ,k,m)p(θ|k)(g) (g) (g)

w(θ,θ )＝p(Y|L,θ ,k,m)p(θ |k)* *

从0～1中产生一个随机数，判断该随机数与接受率ap(θ,θ)的大小，当接受率ap(θ,θ)*大于该随机数时，接受本次采样特征场模型参数矢量集合由θ变为θ的操作，否则放弃本次*采样特征场模型参数矢量集合由θ变为θ的操作；

步骤6.2：在步骤6.1采样特征场模型参数矢量集合的基础上，利用GMTRJ算法通过采样标号场中的标号的随机变量来采样标号场；

从影像域D＝{Pi,i＝1,...,m}中随机抽取一个子块Pi，其对应的标号随机变量为Li；子*块的候选标号随机变量 以概率p(L,L )从集合 中抽取，其中且 未被抽取的子块所属的标号的随机变量不变；则L＝{L1,…,*

Li,…,Lm}为原标号场， 为候选标号场；得到采样标号场由L变为L的*

接受率al(L,L)如下公式所示：

*

al(L,L)＝min{1,Rl}

其中，

其中，

* (g)

其中，w(L,L)和w(L,L )均为权函数，分别表示为：* * *

w(L,L)＝p(L|k,m)p(Y|L ,θ,k,m)(g) (g) (g)

w(L,L )＝p(L |k,m)p(Y|L ,θ,k,m)* *

从0～1中产生一个随机数，判断该随机数与接受率al(L,L)的大小，当接受率al(L,L)*大于该随机数时，接受本次采样标号场由L变为L 的操作，否则放弃本次采样标号场由L变*为L的操作；

步骤6.3：在步骤6.2采样标号场的基础上，利用GMTRJ算法通过分裂或合并子块来增加或减少采样子块数；

步骤6.4：在步骤6.3采样子块数的基础上，利用EM算法估算权重集合；

* *

设定第n次迭代的权重集合估计值为ω ，则这次迭代的期望值Q(ω ,ω)如下公式所示：* * * * *

Q(ω ,ω)＝E[log p(Y|L ,θ,k,m)|ω]* * * * * * * *

其中，E[log p(Y|L ,θ,k,m)|ω]为log p(Y|L ,θ,k,m)的期望，*

对Q(ω ,ω)进行求导并设定该导数为0，则得到ω′＝{ω′l；l＝1,...,k}，其中，其中，No为所有标号是l的像素的总个数；

然后，对ω′l进行归一化处理得到 如下公式所示：进而，得到权重集合

步骤6.5：按设定的迭代次数重复执行步骤6.1至步骤6.4，得到参数L,θ,m和权重集合ω的一个集合，集合中使p(L,θ,m|X,ω,k)最大时所对应的分割结果为类加权SAR影像分割模型的最优解。

8.根据权利要求7所述的结合GMTRJ算法和EM算法的类加权SAR影像分割方法，其特征在于：所述步骤6.3的具体方法为：步骤6.3.1：从通过步骤6.2采样标号场后的由m个子块拟合而成的影像域D中随机抽取一个子块Pi，其对应的标号的随机变量为Li；

步骤6.3.2：判断所抽取的子块Pi能否分裂；如果Pi的像素数大于4且其行数或列数为2的整数倍数，则执行步骤6.3.3，对子块Pi进行分裂，增加影像域中子块数；否则不分裂子块Pi，影像域中子块数不变，结束本次分裂操作；

步骤6.3.3：将影像域D中能实现分裂操作的子块Pi分裂成两个新的子块Pi1和Pi2，新的子块Pi1对应的标号的随机变量为 新的子块Pi2对应的标号的随机变量 且其中，子块Pi1是从集合 中以概率p

* *

(D,D)得到，对应的Pi2是由相应的集合 中以概率p(D,D)得到；未分裂的子块不变，对应的标号的随机变量也不变；影像域中的子块数增加一个，影像域D＝{P1,...,Pi‑1,Pi...,Pm}变为 标号场L＝{L1,...,Li‑1,*

Li...,Lm}变为 m 表示采样后的子块数；采样子块数由m变*

为m的接受率如下公式所示：

*

as(m,m)＝min{1,Rs}

其中，

其中，

* (g)

其中， w(D,D)和w(D,D )均为权函数，分别表示为：

* * * * * *

w(D,D)＝p(L|k,m)p(Y|L ,θ,k,m)p(m)(g) (g) (g) (g) (g) (g)w(D,D )＝p(L |k,m )p(Y|L ,θ,k,m )p(m )其中， 为子块 对应的标号变量；

*

步骤6.3.4：从0～1中产生一个随机数，判断该随机数与接受率as(m,m)的大小，当接受*率as(m,m)大于该随机数时，接受本次通过分裂子块来采样子块数的操作，否则放弃本次通过分裂子块来采样子块数的操作；

步骤6.3.5：通过影像域D中随机抽取的一个子块和其任一个邻域子块合并成一个新的子块来实现减少子块数，该操作为分裂子块的对偶操作，因此，通过合并子块来采样子块数的接受率为：*

am(m,m)＝min{1,1/Rs}

* *

从0～1中产生一个随机数，判断该随机数与接受率am(m,m)的大小，当接受率am(m,m)大于该随机数时，接受本次通过合并子块来采样图像域的操作，否则放弃本次通过合并子块来采样子块数的操作。