摘要：MRF模型成功的用於SAR影象分割，因為它在先驗模型中，具有優秀的抓取區域性上下文資訊的能力。然而，在抓取上下文資訊的時候，幾何結構常常被忽視。因此，本文提出新的SAR分割方法，基於sketching model和高階鄰域MRF。在這個方法中，sketching modle被利用來表達SAR影象的幾何結構。同時，高階鄰域被構建去獲取更高的先驗。然後根據高階鄰域的結構波動，同質區域和異質區域被判別開。最後，在先驗模型中，區域性能量函式被構建在高階鄰域中，with不同的特徵。特別是，能量函式考慮到標籤的一致性和聚焦結構的保持，分別在同質區域的鄰域和異質區域的鄰域。在這種方法下，先驗模型的能力被提高，通過新增幾何結構到能量函式中。

S = {1,2,...,n}整張圖所有點的位置，L = {1,2，...k}，k是類別數。Y是觀測場或特徵場，X是標記場。

後驗概率 p(x|y) = p(y|x)*p(x)/p(y) 近似於下式：

p(x)是先驗概率，p(y|x)是似然概率。根據最大後驗概率估計（MAP）準則，畫素label表述如下：

先驗概率描述鄰域label之間的互動

其中，u(xs)是能量函式。根據之前的討論和本文的啟發，能量函式考慮label的一致性和同質區域，異質區域結構保留的設計。我們定義區域性能量函式

其中u0和u1是同質區域和異質區域的區域性能量函式。

勻質區域，畫素更可能屬於同一類，意味著標籤一致性是核心工作。高階鄰域可以更好的抑制相干斑噪聲，區域性能量函式定義為：

即如果xs = xi，則懲罰為-β；xs ≠ xi，則懲罰為β。

異質區域，意味著鄰域畫素屬於不同類別，鄰域畫素不完全屬於同一類。我們在鄰域使用相似性去測量複雜的關係，規則定義如下：如果周圍的畫素和中心畫素有高的相似性，他們屬於同一類。剩下的鄰域屬於不同類。

hs是與中心畫素點有高的相似性，ls是與中心畫素點有低的相似性。

，T是門限值，通過Otsu’s方法獲得。

似然概率採用Nakagami 分佈