SAR图像分割是SAR图像解译的前提与基础,分割结果的好坏直接决定了解译的质量。SAR图像具有高维、异构、混杂的特性,其极不匀质区域含有的丰富的结构信息,正是SAR图像分割的难点所在。传统的SAR图像分割方法通过人工设计特征,而这种特征很难反应SAR图像的本质特征。对此,可采用机器学习模型对SAR图像的极不匀质区域进行自适应地特征学习,但输入到模型中的样本集的规模与质量很大程度上影响提取到的特征的好坏,故本文在SAR图像的层次视觉语义模型的指导下,对SAR图像极不匀质区域样本集的构建进行了研究,主要工作如下:(1)隔1滑窗采集到的样本块重叠度高,存在大量的冗余信息,故本文提出了基于素描结构聚类的图像块选择策略对隔1滑窗采集到的样本块集合进行聚类操作,然后从聚类结果中选择结构丰富的样本块构成样本集,以达到去除冗余样本的目的。该方法针对SAR图像极不匀质区域具有的复杂地物结构,定义了基于素描结构的距离度量方法,且不像k-means聚类方法需要人为设定聚类簇数,该方法根据图像固有的空间位置特征自适应地确定聚类簇数。在此基础上,本文对基于素描结构的距离度量与基于欧式距离的距离度量得到的聚类结果进行了对比实验,实验结果表明本文提出的基于素描结构的距离度量方式能得到更加准确的聚类结果。(2)SAR图像极不匀质区域中包含复杂的地物结构,且它们形状、大小是不同的,从抓取地物本身的形状与大小出发,本文提出基于超像素分割和素描线段的图像块选择策略对SAR图像的极不匀质区域进行样本集构建。由于SAR图像的地物结构与阴影是一起出现的,因此本文首先对SAR图像做超像素分割找到阴影区域,然后在阴影区域与素描线段的指导下提取出包含地物结构的图像块来构成样本集。相比于(1)中的方法,该方法提取到的图像块数量少,可缩短特征学习时间。(3)上述两种方案未对SAR图像层次视觉语义模型中素描线段的语义信息进行利用,而素描线段的语义信息可以给出直接的地物信息,其双侧聚集素描线段一般出现在SAR图像的极不匀质区域。据此,本文提出了基于素描线段双侧聚集特性的图像块选择策略,并通过扩充样本块的方式,充分提取到包含SAR图像中的地物结构的样本块,由此构成样本集进行特征学习。本文在上述每个工作后都对SAR图像进行了整体分割工作,并依据SAR图像中各个像素子空间的不同特性,采用不同的方法进行分割,然后将所有像素子空间的分割结果整合在一起,得到SAR图像的最终分割结果。