CN101488188B - 基于混合核函数的svm分类器的sar图像分类方法 - Google Patents
基于混合核函数的svm分类器的sar图像分类方法 Download PDFInfo
- Publication number
- CN101488188B CN101488188B CN2008102322095A CN200810232209A CN101488188B CN 101488188 B CN101488188 B CN 101488188B CN 2008102322095 A CN2008102322095 A CN 2008102322095A CN 200810232209 A CN200810232209 A CN 200810232209A CN 101488188 B CN101488188 B CN 101488188B
- Authority
- CN
- China
- Prior art keywords
- image
- sample image
- svm classifier
- classification
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于小波特征的混合核函数的SVM分类器的SAR图像分类方法,它属于图像处理技术领域,主要解决图像特征提取有效性不足的问题。其步骤为:1输入训练及测试样本图像,对该样本图像进行归一化和标识;2对归一化后的样本图像进行小波分解,并对分解后的各个子带分别提取多个特征,并且将各种特征按结构体Tl×r形式存储;3根据提取的各个子带的多个特征,构建SVM分类器的基于小波特征的混合核函数式中,Xi,Xj分别是指第i和第j个样本图像,i,j≤l,Xik,Xjk分别是指第i和第j个样本图像的第k个特征,ρk是凸组合系数;4通过对该混合核函数中凸组合系数的优化,完成对图像特征的分类。该方法具有图像分类识别率高的优点,可用于机器学习和模式识别。
Description
技术领域
本发明涉及图像处理领域,具体地说是将一种基于小波特征的混合核函数,用于SAR图像分类的方法。
背景技术
SAR称为合成孔径雷达,是微波遥感的代表,是一种工作在微波波段的相干成像雷达。它能够多波段、多极化、多视向、多俯角地对海洋和陆地进行观测,具有全天时和全天候的观测能力。合成孔径雷达(SAR)在距离向靠发射宽带信号获得高的径向分辨率,在方位向通过同一传感器在等间隔位置上发射和接收脉冲信号,然后将回波信号作相关处理,得到方位向高分辨率。
SAR图像因其特殊的成像机理和图像特点而与光学遥感图像迥异,必须采用特殊的图像分类方法才能获得较好效果。如何最有效地利用雷达遥感提供的新信息来提高图像分类精度,是一个需要深入研究的课题。SAR像分类处理技术的一般过程为图像预处理、图像信息提取、特征选择、设计与实现。特征提取、特征选择和分类是SAR图像处理中的关键技术,对其研究将极大地推动SAR图像处理技术的提高,故有重要的实际意义。
目前有很多文献都是利用一些传统方法加以改进进行SAR图像的分类,比如传统的分类方法中包括无监督分类法和有监督分类法。无监督分类包括ISODATA算法、K均值、K均值改进的算法模糊K均值以及近些年来的遗传算法。这几种方法分类简单、易操作。但这些方法的缺点在于学要事先确定各个类别的初始聚类中心和聚类数目(遗传算法可以不设定聚类数目),动设置各类别中心到现在为止还没有一个切实有效的方法。有监督方法如最小错误概率的Bayes分类器、极大似然法、最小距离、BP神经网络分类法和SVM分类器。这些方法就是首先根据类别的先验知识确定判别函数和相应的判别准则,在训练或学习过程中利用一定数量的已知类别样本的观测值,确定判别函数中待定参数,然后将未知的样本观测值代入判别函数,再根据判别准则来读该样本的所属类别做出判断。这种方法也存在一定的缺点。已极大似然法为例,它要求利用先验知识及概率,并且样本呈正态分布、具有良好的统计性等条件,有时无法满足,得不到足够的训练信息。而SVM分类器在SAR图像分类中的应用,在特征提取过程中会存在如下的问题:有时要提取单个特征,有时则可能要提取多个特征;当提取多个特征时,提取的特征有些可能对分类有益,而有些则没有任何作用;或者是有些对分类作用贡献大,而有些则贡献小,即存在着特征选择的问题。目前使用的标准SVM分类器进行图像分类或识别时,由于使用了通用的核函数,因而无法对提取特征的有效性做出选择。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于小波特征的混合核函数的SVM分类器的SAR图像分类方法,以有效提取了图像特征,提高图像识别率。
实现本发明的技术方案包括如下步骤:
1.输入及预处理步骤:输入训练及测试样本图像,对该样本图像进行归一化和标识;
2.提取特征步骤:对归一化后的样本图像进行小波分解,并对分解后的各个子带分别提取多个特征,并且将各种特征按结构体Xl×r形式存储,l是样本个数,r是提取特征个数;
3.SAR图像分类步骤:根据提取的各个子带的多个特征,构建SVM分类器的基于小波特征的混合核函数 并通过对该混合核函数中凸组合系数的优化,完成对图像特征的分类,式中,Xi,Xl分别是指第i和第j个样本图像,i,j≤l,Xik,Xjk分别是指第i和第j个样本图像的第k个特征,ρk是凸组合系数。
本发明由于在训练SVM分类器时,构建了基于小波特征的混合核函数,并通过对该混合核函数中的凸组合系数进行了优化,实现对SAR图像的分类,保证了提取的图像特征的有效性,提高了图像分类的识别率。通过对1161幅SAR训练样本图像,和978幅SAR测试样本图像进行实验仿真表明,本发明可以有效地提取图像的特征,得到了比标准SVM分类器较高的平均识别率。
附图说明
图1是本发明的具体实现流程图。
具体实施方式
参照图1,本发明的实现步骤如下:
1.输入训练及测试样本图像并进行预处理。
1a)输入M幅训练样本图像,N幅待分类样本图像,其中N小于M,分别记为(x1,x2…xN);(x1,x2…xM);
1b)将样本图像的像素从0~255归一到0~1之间,记为(z1,z2…zN+M);
1c)对归一化后的样本图像,进行标识,标记为(y1,y2…yN+M)。
2.对归—化后的样本图像进行小波分解、提取多个特征,并将各种特征按结构体Tl×r形式存储。
2a)对归一化后的样本图像(z1,z2…zN+M)进行小波分解;
2b)对得到的分解子带,提取各子带的特征,特征提取的方法很多,本发明后续实验用到了以下几种:
①L1范数能量测度法:
其中,P×Q为子带大小,i,j表示子带中系数的索引,coef(i,j)为该子带中第i行第j列的系数值;
②方差法:
对分解得到的各子带分别求子带系数的方差,构成一组特征向量,其维数等于分解得到的子带个数。
其中,Mean为该子带系数的均值;
③灰度共生矩阵法:
灰度共生矩阵是一种基于图像灰度联合概率矩阵的方法。此处用灰度共生矩阵的概念来计算图像的系数共生矩阵:首先对由变换域方法得到的各个分解子带进行量化,这里将量化级数选为16;然后通过计算子带邻近量化系数之间的二阶联合条件概率密度P(i,j|d,θ)来构成共生矩阵,P(i,j|d,θ)表示在给定空间距离d和方向角θ上,以量化系数i为起始点,出现系数j的概率。邻近系数值出现的联合条件概率,可以度量子带相邻系数的相关特征。系数共生矩阵可以表示为:
P(i,j|d,θ)={Pk(i,j|d,θ)}L×L (3)
其中,L表示子带系数的量化级数,k为系数顺序号;
2c)将M幅训练样本图像,N幅待分类测试样本图像,所提取的特征与样本图像一一对应,按结构体Xl×r形式存储,l样本个数,r为提取特征个数,其中,将第i个样本图像所提取的多个特征存放在结构体Xi×r中。
3.根据提取的各个子带的多个特征,构建SVM分类器的基于小波特征的混合核函数
标准SVM的决策函数为:
f(X)=sign(Φ(X)W+b),i=1…l (4)
其中,Φ(X)是样本图像在特征空间中的映射函数,W是SVM决策函数中的权值,b是SVM决策函数中的偏置;
3a)将SVM分类器的总决策函数f(X)修改为各个不同特征所对应的决策函数f(Xk)的线性组合,即
式中,ak是线性组合系数,sign()是符号函数,Φ(Xik)是样本在特征空间中的映射函数,r是提取特征个数,l是样本个数;
3b)将SVM分类器的优化目标函数修改为:
最小化:
约束: ,i=1…l
C≥εi≥0,i=1…l
式中,yi是样本标识,εi是松弛变量,C是折中系数;
3c)利用Lagrange乘子法,将SVM分类器优化目标函数的对偶规划写为:
最大化:
约束:
0≤αi≤C i=1…l
式中,αi是Lagrange乘子,<Φ(Xik)·Φ(Xjk)>是点乘,即核函数;
约束
4.对该混合核函数中凸组合系数的进行优化,完成对图像特征的分类。
4a)分别对SVM分类器的优化目标函数g0、混合核函数的凸组合系数ρk及其优化目标函数变化的阈值θ0,进行初始化;
4b)利用如下关于二次规划得到SVM分类器优化目标函数中的权值W
最大化
约束:
0≤αi≤C i=1…l
4c)固定二次规划中Lagrange乘子αi,利用如下线性规划得到松弛变量εi及混合核函数中的凸组合系数ρi
最小化
yif(Xi)≥1+εi,i=1…l
约束:εi≥0,i=1…l;
4d)将公式(10)与公式(11)的值代入公式(6),计算SVM分类器的优化目标函数值,并判断该函数值是否在给定的阈值范围内,如果在,则停止优化;否则,继续进行过程4b)~4c),直到目标函数值变化值在给定阈值范围内停止;
4e)将优化后的数值固定,SVM分类器按照该固定数值对待分类的SAR测试样本图像特征进行分类,并将得到的分类结果以类别标识的形式输出;
4f)根据分类结果,计算待分类样本图像的识别率,并在计算机上显示。
本发明效果可以通过以下仿真实验进一步说明:
仿真条件:仿真实验的数据集是由美国国防部计划署和空气动力研究实验室项目组提供的MSTAR图像库,大小均为128×128,256级灰度。使用的训练样本图像是SAR在俯视角为17°时对地面目标的成像数据,测试样本图像是SAR在俯视角为15°时对地面目标的成像数据,其中包括1161幅训练样本图像:第一类232幅,第二类231幅,第三类为233个,第四类为232个,第五类为233个;978幅测试样本图像:第一类为196个,第二类为195个,第三类为195个,第四类为196个,第五类为194个。
仿真结果:如表1、表2和表3所示。该表1、表2和表3中‘能量’是单独使用能量特征SVM分类结果;‘方差’是单独使用方差特征SVM分类结果;‘共生矩阵’单独使用共生矩阵特征SVM分类结果。
表1 一层小波分解后提取特征的SAR图像分类实验数据表
表2 二层小波分解后提取特征的SAR图像分类实验数据表
表3 三层小波分解后提取特征的SAR图像分类实验数据表
表1~表3中列出了标准SVM分类器使用一个特征及本发明得到的SAR图像分类正确率,同样实验条件下最高的分类正确率加粗。由实验数据可知,本发明采用SVM分类器的基于小波特征提取的混合核函数对SAR图像进行分类比使用通用核函数方法有着更高的分类正确率,特别是一层小波分解时,测试样本分类正确率提高了2.52%。
Claims (3)
2.根据权利要求1所述的基于小波特征的混合核函数的SVM分类器的SAR图像分类方法,其中所说的输入及预处理步骤,具体实现如下:
2a)输入M幅训练样本图像,N幅待分类测试样本图像,其中N小于M;
2b)对样本图像归一化,将图像的像素从0~255归一化到0~1之间;
3c)对应样本图像的类别,一一进行标识。
3.根据权利要求1所述的基于小波特征的混合核函数的SVM分类器的SAR图像分类方法,其中所说的提取特征步骤,具体实现如下:
3a)对输入图像进行小波分解,得到各分解子带;
3b)对分解后的各个子带分别提取能量、方差和共生矩阵特征;
3c)将提取的特征与样本图像一一对应,并按结构体Tl×r形式存储,l是样本图像个数,r为提取特征组数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102322095A CN101488188B (zh) | 2008-11-10 | 2008-11-10 | 基于混合核函数的svm分类器的sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102322095A CN101488188B (zh) | 2008-11-10 | 2008-11-10 | 基于混合核函数的svm分类器的sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101488188A CN101488188A (zh) | 2009-07-22 |
CN101488188B true CN101488188B (zh) | 2012-03-07 |
Family
ID=40891072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102322095A Expired - Fee Related CN101488188B (zh) | 2008-11-10 | 2008-11-10 | 基于混合核函数的svm分类器的sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101488188B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807258B (zh) * | 2010-01-08 | 2012-05-23 | 西安电子科技大学 | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 |
CN102313897A (zh) * | 2010-06-29 | 2012-01-11 | 成都理工大学 | 一种放射性能谱识别方法 |
CN101937510B (zh) * | 2010-09-14 | 2015-05-20 | 南京信息工程大学 | 基于类Haar和AdaBoost分类器的快速增量学习方法 |
CN102314614B (zh) * | 2011-10-24 | 2013-06-05 | 北京大学 | 一种基于类共享多核学习的图像语义分类方法 |
CN102436586B (zh) * | 2011-10-28 | 2013-10-23 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
CN102592129B (zh) * | 2012-01-02 | 2013-10-16 | 西安电子科技大学 | 基于场景驱动的智能手机图像特征点选取方法 |
CN102663436B (zh) * | 2012-05-03 | 2014-04-16 | 武汉大学 | 用于光学纹理图像和sar图像的自适应特征提取方法 |
CN103839082B (zh) * | 2014-02-24 | 2017-02-08 | 西安电子科技大学 | 一种基于小波特征低秩表示的sar图像目标聚类方法 |
CN103886336B (zh) * | 2014-04-09 | 2017-02-01 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
CN104200230B (zh) * | 2014-09-11 | 2018-04-27 | 哈尔滨工业大学 | 一种基于小波变换和svm分类的土壤土质识别方法 |
CN104268557B (zh) * | 2014-09-15 | 2017-06-16 | 西安电子科技大学 | 基于协同训练和深度svm的极化sar分类方法 |
CN104463193B (zh) * | 2014-11-04 | 2017-10-24 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
CN104408467B (zh) * | 2014-11-26 | 2017-09-26 | 西安电子科技大学 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
CN106054189B (zh) * | 2016-07-17 | 2018-06-05 | 西安电子科技大学 | 基于dpKMMDP模型的雷达目标识别方法 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN109145933B (zh) * | 2017-06-28 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 媒体资源的分类器训练方法及装置 |
CN109190664A (zh) * | 2018-07-28 | 2019-01-11 | 天津大学 | 基于gasvm算法的雷达电磁干扰回波图像的分类方法 |
CN109447111B (zh) * | 2018-09-20 | 2021-12-03 | 杭州师范大学 | 一种基于子类训练样本的遥感监督分类方法 |
CN111091163B (zh) * | 2020-03-24 | 2021-05-11 | 杭州汇萃智能科技有限公司 | 一种最小距离分类方法、装置、计算机设备和存储介质 |
CN112714165B (zh) * | 2020-12-22 | 2023-04-04 | 声耕智能科技(西安)研究院有限公司 | 一种基于组合机制的分布式网络协作策略优化方法和装置 |
CN112884059B (zh) * | 2021-03-09 | 2022-07-05 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7015855B1 (en) * | 2004-08-12 | 2006-03-21 | Lockheed Martin Corporation | Creating and identifying synthetic aperture radar images having tilt angle diversity |
CN1760889A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 星载微波和红外遥感融合对城区地物特征进行分类的方法 |
EP1936402A1 (en) * | 2006-12-21 | 2008-06-25 | Galileo Avionica S.p.A. | Multiple-target radar recognition method and apparatus |
-
2008
- 2008-11-10 CN CN2008102322095A patent/CN101488188B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7015855B1 (en) * | 2004-08-12 | 2006-03-21 | Lockheed Martin Corporation | Creating and identifying synthetic aperture radar images having tilt angle diversity |
CN1760889A (zh) * | 2005-11-03 | 2006-04-19 | 复旦大学 | 星载微波和红外遥感融合对城区地物特征进行分类的方法 |
EP1936402A1 (en) * | 2006-12-21 | 2008-06-25 | Galileo Avionica S.p.A. | Multiple-target radar recognition method and apparatus |
Also Published As
Publication number | Publication date |
---|---|
CN101488188A (zh) | 2009-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101488188B (zh) | 基于混合核函数的svm分类器的sar图像分类方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN108596154B (zh) | 基于高维特征选择与多级融合的遥感图像分类方法 | |
CN107122733B (zh) | 基于nsct和sae的高光谱图像分类方法 | |
Di Cataldo et al. | Subclass discriminant analysis of morphological and textural features for hep-2 staining pattern classification | |
CN113657425B (zh) | 基于多尺度与跨模态注意力机制的多标签图像分类方法 | |
CN103632160B (zh) | 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN104392242A (zh) | 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法 | |
CN108446582A (zh) | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 | |
CN104268556A (zh) | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN104182767B (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN106951921B (zh) | 基于贝叶斯多核学习支持向量机的sar目标识别方法 | |
CN106096506A (zh) | 基于子类类间判别双字典的sar目标识别方法 | |
CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
Chehresa et al. | Optimum features selection for oil spill detection in SAR image | |
CN105740908A (zh) | 基于核空间自解释稀疏表示的分类器设计方法 | |
CN103365985A (zh) | 一种类别自适应的极化sar分类方法 | |
CN107464247A (zh) | 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法 | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
Sitamahalakshmi et al. | Performance comparison of radial basis function networks and probabilistic neural networks for Telugu character recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120307 Termination date: 20141110 |
|
EXPY | Termination of patent right or utility model |