CN101551809B - 基于高斯混合模型分类的sar图像检索方法 - Google Patents

Abstract

本发明公开了一种基于高斯混合模型分类的SAR图像检索方法，主要解决现有SAR图像检索方法检索时间长和检索精度低的问题。其检索过程包括：建立SAR图像库{I₁，I₂，…，I_k}，并挑选相对纹理均匀、易识别的SAR图像{I₁，I₂，…，I_l}；提取所有图像的特征向量{f₁，f₂，…，f_n}；将挑选出的SAR图像{I₁，I₂，…，I_l}分成{c₁，c₂，…，c_m}类，并用对应的特征向量作为训练样本，训练高斯混合模型；用训练好的高斯混合模型，对整个图库{I₁，I₂，…，I_k}分类，得到具有类标的图像库；对用户输入的查问图像I′，提取其特征向量f′，并用训练好的高斯混合模型进行分类得到其类别数c_i；计算查询图像I′与图库中c_i类的所有图像的区域综合特征的相似距离，并依照该距离从小到大的顺序返回用户需要数量的图像。本发明具有检索速度快检索精度高的优点，可用于大量SAR图像的检索。

Description

基于高斯混合模型分类的SAR图像检索方法

技术领域

本发明属于图像处理技术领域，涉及图像识别模式识别，是一种针对SAR图像检索的方法，可应用于大规模的SAR图像搜索。

背景技术

作为微波遥感的代表，合成孔径雷达SAR是一种高分辨率雷达体制，可应用于军事，农业，导航，地理监视等诸多领域。与光学图像相比，SAR图像具有如下特点：高分辨合成孔径雷达具有全天时、全天候的探测与侦查跟踪能力，具有防区外探测能力，比一般红外和电光传感器具备更远距离的工作能力；它的相干成像的特性可以用来孔径的合成，使得SAR能够以很高的分辨率提供详细的地面测绘资料和图像；光学图像依赖于发光源，可以说是被动的，而SAR则完全是主动式的，突破了光学遥感受天气等外界条件影响的局限，特征信号丰富，含有幅度、相位和极化等多种信息。SAR图像的特殊性使得针对该类图像的检索方法有别于普通光学图像。

基于内容的图像检索(CBIR，Content-Based Image Retrieval)，是指直接采用图像内容进行图像信息查询的检索，即在图像数据库中检索与用户所提交样本图像在内容上一致或相似的图像集合的过程，通过对图像底层特征的比较来实现检索。主要研究技术包括特征提取、相似度量、图像匹配、用户反馈。当今已有很多较成熟、著名的检索系统被提出，如SIMPLIcity检索系统，参见James Z.Wang，Jia Li，GioWiederhold.SIMPLIcity：Semantics-Sensitive Integrated Matching for Picture Llbraries.IEEE Trans.on Pattern Analysis and Machine Intelligence，2001，23(9)：947-963，该方法面向自然图像，在检索过程中运用了大量的颜色和形状特征，这两种特征在SAR图像处理中效果不好，所以将此方法直接运用在SAR图像的检索上不合适。又如2006年提出的结合隐马尔科夫模型分类的遥感图像检索系统，参见Ritendra Datta，JiaLi，Ashish Parulekar，James Z.Wang.Scalable Remotely Sensed Image Mining UsingSupervised Learning and Content-based Retrieval.Penn State University TechnicalReport CSE 2006，06-019，该方法面向多光谱遥感图像，在检索过程中运用了大量的颜色、光谱特征，这些特征都是SAR图像中缺少的特征信息，所以将该检索方法直接用于SAR图像的检索，效果也不理想。

发明内容

本发明目的在于克服上述已有技术存在的缺点，根据SAR图像的特殊成像特点，在传统基于内容的图像检索的基础上，提出一种基于高斯混合模型分类的SAR图像检索方法，以提高检索精度及检索时间。

实现本发明目的的技术方案是：使用高效的多尺度几何分析工具离散小波变换，充分挖掘SAR图像中的纹理信息。用以上纹理信息及高斯混合模型完成SAR图像库的分类工作，并采用区域综合特征的相似匹配算法完成SAR图像检索工作。

其具体实现步骤包括：

1)建立SAR图像库{I₁，I₂，...，I_k}，并挑选相对纹理均匀、易识别的SAR图像{I₁，I₂，...，I_l}，其中l＜k，k表示图库中的SAR图像个数，l表示挑选出的SAR图像个数；

2)提取所有图像的离散小波两层变换的子带能量，作为图像的特征向量{f₁，f₂，...，f_n}，其中，n＝7；

3)将挑选出的SAR图像{I₁，I₂，...，I_l}分成{c₁，c₂，...，c_m}类，并用对应的特征向量作为训练样本，训练高斯混合模型；

4)用训练好的高斯混合模型，利用最大似然估计准则，对整个SAR图像库{I₁，I₂，...，I_k}分类，得到具有类标的SAR图像库；

5)对用户输入的查询图像I′，采用与提取所有图像的离散小波两层变换的子带能量相同的方法提取其特征向量f′，并用训练好的分类器，得到其类别数c_i；

6)计算查询图像I′与图库中c_i类的所有图像的区域综合特征相似匹配距离，并依照该匹配距离按照从小到大的顺序返回用户需要数量的图像，完成图像检索。

本发明与现有的技术相比具有以下优点：

1、本发明由于使用多尺度几何分析工具离散小波变换，使SAR图像纹理信息得到了有效的提取，保证了图像信息表达的完整性；

2、本发明由于采用高斯混合模型将图库进行分类，使图库具有类标，有效地减少了相似度匹配工作量，提高了检索速度；

3、本发明由于采用了区域综合特征的相似度量，使得最终的检索结果基本符合人为主观要求，提高了检索精度；

附图说明

图1是本发明的流程示意图；

图2是本发明中用于建立SAR图像库的原始SAR图像；

图3是本发明在SAR图库中挑选出的样例图；

图4是本发明实验时选用的5幅查询SAR图像；

图5是本发明的仿真结果图；

图6是现有SIMPLIcity检索系统的仿真结果图；

图7是本发明与现有SIMPLIcity检索系统的性能比较图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，建立SAR图像库{I₁，I₂，...，I_k}，并挑选若干SAR图像。

1a)选用图像大小依次为640×704、1024×1344、3520×1472、1920×704、704×1280的5幅大尺寸原始SAR图像，作为建立图库的基本图像，如图2所示；

1b)对所选用的5幅原始SAR图像进行有重叠的切分，每两次工作相差64个像素点，切分后得到大小均为256×256的1571幅的新SAR图像，并去除这些图像中内容过于杂乱的图像，最终得到1551幅大小均为256×256的新SAR图像，建立SAR图像库，即k＝1551；

1c)在图像库中挑选相对纹理均匀、易识别的SAR图像{I₁，I₂，...，I_l}，其中l＜k，k表示图库中的SAR图像个数，l表示挑选出的SAR图像个数。本发明在挑选时，主要挑选目标明确、单一的SAR图像，共挑选了400幅SAR图像，即l＝400，样例图如图3所示。

步骤2，对图库中所有图像进行特征提取。

选用离散小波两层变换的子带能量f作为图像的特征向量{f₁，f₂，...，f_n}，其中，n表示特征向量的维数，本实例选用n＝7但不限于7，该子带能量为：

$f=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|x(i,j)\right|---\left(1\right)$

其中，M×N为子带大小，(i，j)表示该子带系数的索引，x(i，j)表示该子带中第i行第j列的系数值。

步骤3，将挑选出的SAR图像{I₁，I₂，...，I_l}分成{c₁，c₂，...，c_m}类，并用对应的特征向量作为训练样本，训练高斯混合模型。

3a)在已挑选出的l幅SAR图像中进行分类，本实例采用面积百分比的策略来判定图像类别，即若一副图像I_i中，c_j类目标物的总面积大小超过该图像总面积的50％，就规定该图像I_i为c_j类，需要强调的是，由于SAR图像的特殊性，本实例规定若图像中存在水域，则此图像规定为河流类，最终将l幅SAR图像分为城区、河流、郊区、山地及农田共5类；

3b)将每一类图像，对应一组离散小波两层变换的子带能量特征，得到5组特征向量，并将该5组特征向量作为训练样本，利用EM算法，分别训练对应5组特征向量的5个混合高斯模型{λ₁，...，λ₅}，其中λ＝{p(i)，μ_i，∑_i}，μ_i、∑_i、p(i)分别表示数据样本的均值向量、协方差矩阵以及混合权值；

所述EM算法包括两步骤：E步及M步，其中心思想是，对于给定的初始模型λ′，计算训练过程中每一特征向量在每一高斯分布中的统计概率，在利用这些统计概率反过来最大化高斯混合模型的参数值，得到新的模型λ，上述循环在数据样本x的全概率p(x|λ)收敛时停止，设现存在数量为t的高斯分量，则：

$p\left(x\right|\mathrm{\λ})=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}p\left(i\right)p_i\left(x\right|{\mathrm{\μ}}_i,{\mathrm{\Σ}}_i)---\left(2\right)$

EM算法中E步如下：

初始化参数，计算样本x属于样本i类的后验概率：

Q_ix＝p(i)p(x|λ_i)；           (3)

对该后验概率标准化得：

$R_{\mathrm{ix}}=\frac{Q_{\mathrm{ix}}}{Q_x}=\frac{p\left(i\right)p\left(x\right|{\mathrm{\λ}}_i)}{\underset{i=1}{\overset{t}{\mathrm{\Σ}}}p\left(i\right)p\left(x\right|{\mathrm{\λ}}_i)}.---\left(4\right)$

EM算法中M步如下：

最大化R_ix，得到高斯混合模型中新的混合权值

均值向量

以及协方差矩阵

分别为：

$\tilde{p}\left(i\right)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{R}_{\mathrm{ix}}}{N}$ ${\widetilde{\mathrm{\μ}}}_i=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{R}_{\mathrm{ix}}{x}_n}{N\tilde{p}\left(i\right)}$ ${\widetilde{\mathrm{\Σ}}}_i=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{R}_{\mathrm{ix}}(x-{\widetilde{\mathrm{\μ}}}_i){(x-{\widetilde{\mathrm{\μ}}}_i)}^{\′}}{N\tilde{p}\left(i\right)}---\left(5\right)$

这里，N表示训练样本个数。

步骤4，用训练好的高斯混合模型，利用最大似然估计准则，对整个SAR图像库{I₁，I₂，...，I_k}分类，得到具有类标的SAR图像库。

4a)假设测试样本集合I＝{I₍₁₎，...，I_(k)}是相互独立的，则得到似然函数为：

$l\left(\mathrm{\λ}\right)=p\left(I\right|\mathrm{\λ})=\underset{i=1}{\overset{k}{\mathrm{\Π}}}p\left(I_i\right|\mathrm{\λ});---\left(6\right)$

4b)对于测试样本中的某一图像I_i，在{λ₁，...，λ₅}的条件下求出似然函数的最大值，即在{λ₁，...，λ₅}找到使得似然函数最大的估计值λ_j，找到该λ_j后，则可判定图像I_i为λ_j对应的j类，这里，图库的最终分类结果依次是城区254幅，河流218幅，郊区517幅，农田218幅，山地344幅，共计1551幅SAR图像，这一步骤的目标是将本SAR图库变成有类标的SAR图库，以减少最终的匹配工作量，提高检索速度。

步骤5，处理用户输入的查询图像I′。

5a)对用户输入的查询SAR图像I′，本发明要求其大小与图库中SAR图像大小相同，采用与提取所有图库图像的离散小波两层变换的子带能量相同的方法提取其特征向量f′；

5b)用步骤3训练好的高斯混合模型分类器，对查询图像I′分类，即在{λ₁，...，λ₅}中找到使查询图像I′的似然函数l(λ)＝p(I′|λ)最大的估计值λ_j，最终得到查询图像I′类别数c_i＝j。

步骤6，计算查询图像I′与图库中c_i类的所有图像的区域综合特征相似距离，并依照该距离从小到大的顺序返回用户需要数量的图像。

该步骤的具体实现如下：

6a)对于图像I与I′，分别计算其均值和方差信息

作为分割特征，利用自适应的k-means算法进行聚类分割，得到区域集R₁＝{r₁，r₂，...，r_m}及R₂＝{r₁′，r₂′，...，r′_n}，r_i、r′_j分别表示图像I与I′分割后的各区域；

为了使k-means算法自适应的工作，本实例对散度D(k)设定阈值T，其中D(k)定义如下：

$D\left(k\right)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{1\≤j\≤k}{\min }{(x_i-{\hat{x}}_j)}^2---\left(7\right)$

式中，k表示聚类个数，L表示分割特征个数，x_i表示某一分割特征向量，

表示某一类的聚类中心，k的值从2开始递增，当D(k)＜T时，k停止递增，最终由算法自适应的确定聚类个数k；

6b)计算各区域所有分割特征向量的均值作为该区域的特征，并计算两幅图像区域间的距离：

$d(r_i,r_j^{\′})=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{({\widehat{\stackrel{\→}{f}}}_i-{\widehat{\stackrel{\→}{f}}}_{i^{\′}})}^2---\left(8\right)$

其中，

分别为图像I中区域r_i及图像I′中区域r′_j的特征向量，ω_i为各向量的权重系数；

6c)计算两图像各区域之间匹配的显著性因子S_i，j，则对于图像I与I′的区域集R₁＝{r₁，r₂，...，r_m}及R₂＝{r′₁，r′₂，...，r′_n}，得到显著性矩阵：

$S=\left(\begin{array}{cccc}{s}_{\mathrm{1,1}}& s_{\mathrm{1,2}}& ...& s_{1,n}\\ s_{\mathrm{2,1}}& s_{\mathrm{2,2}}& ...& s_{2,n}\\ ...& ...& ...& ...\\ s_{m,1}& s_{m,2}& ...& s_{m,n}\end{array}\right)---\left(9\right)$

随后根据该显著性因子和两幅图像各区域间的距离，得到最终两幅图像的区域综合特征相似距离为：

$d(I,I^{\′})=\underset{i,j}{\mathrm{\Σ}}{s}_{i,j}d(r_i,r_j^{\′})---\left(10\right)$

根据用户要求的检索结果数量，按照区域综合特征相似距离从小到大的顺序返回查询结果。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件及仿真内容：

本实例在Intel(R)Core(TM)2Duo CPU 2.33GHz Windows XP系统下，Matlab7.0运行平台上，完成本发明以及SIMPLIcity检索系统的SAR图像检索仿真。

2.仿真实验结果

A.本发明的SAR图像检索方法

将本发明应用在如图4所示的5幅查询SAR图像上，其检索结果如图5所示。由于展示空间有限，图5中只显示4幅检索结果，从上至下依次是城区、河流、郊区、山地、农田，由左至右依次是查询图像以及区域综合特征相似距离递增的检索结果。

从图5可以看出，本发明得到的检索结果有较好的主观视觉效果，没有错误结果出现，同时本实例选用查准率作为检索精度的性能指标，查准率的定义如下：

$\mathrm{percision}=\frac{a}{a+b}---\left(11\right)$

其中，a表示系统返回的图像中满足条件的图像数目，b表示系统返回的图像中不满足条件的图像数目，本发明详细的查准率可参考表1，并从表1可以看出，本发明的检索时间均不超过0.2秒。

B.现有SIMPLIcity检索系统

将现有SIMPLIcity检索系统应用在如图4所示的查询SAR图像上，其检索结果如图6所示。由于展示空间有限，图6中只显示4幅检索图像结果，从上至下依次是城区、河流、郊区、山地、农田，由左至右依次是查询图像以及区域综合特征相似距离递增的检索结果。同时由于显示的返回图像有限，所以图6中呈现出的SIMPLIcity检索系统的检索结果也基本满足视觉要求，与本发明的检索结果存在差异并不明显，但当返回图像数量增多时，其检索精度就会明显差于本发明的方法。SIMPLIcity检索系统的详细查准率可参考表1，并从表1可以看出，SIMPLIcity检索系统比本发明的检索时间长，均在0.2秒以上；

表1本发明及SIMPLIcity检索系统的性能评价

由以上的实验可以说明，在针对SAR图像的检索问题上，本发明存在一定的优势，克服了当今现有检索技术应用在SAR图像上的不足，不论是检索精度还是检索时间，本发明均优于现有的SIMPLIcity检索系统，本发明与SIMPLIcity检索系统得性能比较如图7所示。其中图7(a)表示城区类SAR图像两检索方法的性能比较，图7(b)表示河流类SAR图像两检索方法的性能比较，图7(c)表示郊区类SAR图像两检索方法的性能比较，图7(d)表示山地类SAR图像两检索方法的性能比较，图7(e)表示农田类SAR图像两检索方法的性能比较。

在图7中，横坐标表示返回图像的个数，纵坐标表示检索结果的查准率，带有圆圈符号的曲线表示本发明的检索精度，带有三角符号的曲线表示本发明的检索精度。由图7可以明显看出，本发明对任何一类SAR图像的检索精度均高于SIMPLIcity检索系统，并且，随着返回图像数量的增多，本发明的查准率下降的速度也比SIMPLIcity检索系统慢。

综上所述，本发明针对SAR图像的检索效果明显优于现有的SIMPLIcity检索系统对SAR图像的检索效果。

Claims (4)

1.一种基于混合高斯模型分类的合成孔径雷达SAR图像检索方法，包括如下步骤：

1)建立合成孔径雷达SAR图像库{I₁，I₂，…，I_k}，并挑选相对纹理均匀、易识别的合成孔径雷达SAR图像{I₁，I₂，…，I_l}，其中l＜k，k表示图库中的合成孔径雷达SAR图像个数，l表示挑选出的合成孔径雷达SAR图像个数；

2)提取图像库中所有图像的离散小波两层变换的子带能量f，n表示维数，作为图像库中图像的特征向量{f₁，f₂，…，f_n}，其中，n＝7；

3)将挑选出的合成孔径雷达SAR图像{I₁，I₂，…，I_l}分成{c₁，c₂，…，c_m}类，并用对应的特征向量作为训练样本，训练高斯混合模型，其中m代表类的个数；

4)用训练好的高斯混合模型，利用最大似然估计准则，对整个合成孔径雷达SAR图像库{I₁，I₂，…，I_k}分类，得到具有类标的合成孔径雷达SAR图像库；

5)对用户输入的查询图像I′，采用与提取所有图像的离散小波两层变换的子带能量相同的方法提取其特征向量f′，并用训练好的分类器，得到其类别数c_i，其中图像I′的大小与图像库中合成孔径雷达SAR图像的大小相同；

6)计算查询图像I′与图库中c_i类的所有图像的区域综合特征相似匹配距离，并依照该匹配距离按照从小到大的顺序返回用户需要数量的图像，完成图像检索。

2.根据权利要求1所述的合成孔径雷达SAR图像检索方法，其中步骤1)所述的建立合成孔径雷达SAR图像库{I₁，I₂，…，I_k}，是通过对原始大尺寸合成孔径雷达SAR图像进行有重叠的切分得到的，前后两次切分工作相差64个像素点，并且切分后得到新合成孔径雷达SAR图像大小均为256×256。

3.根据权利要求1所述的合成孔径雷达SAR图像检索方法，其中步骤3)按如下步骤进行：

3a)对已挑选出的l幅合成孔径雷达SAR图像进行分类，若一幅图像里城区、农田或山地的面积大于图像总面积的一半，则规定该图像为城区、农田或山地类，若城区与农田都存在且所占面积相当，则规定该图像为郊区类，若图像中存在水域，则此图像规定为河流类；

3b)将每一类图像，对应一组离散小波两层变换的子带能量特征，得到5组特征向量，并将该5组特征向量作为训练样本，利用EM算法，分别训练对应5组特征向量的5个混合高斯模型{λ₁，…，λ₅}，其中λ＝{p(i)，μ_i，∑_i}，μ_i、∑_i、p(i)分别表示数据样本的均值向量、协方差矩阵以及混合权值。

4.根据权利要求1所述的合成孔径雷达SAR图像检索方法，其中步骤6)所述计算查询图像I′与图库中c_i类的所有图像的区域综合特征的相似匹配距离，按如下步骤进行：

6a)对于图像I与I′，分别计算其均值

和方差信息

作为分割特征，利用自适应的k-means算法进行聚类分割，得到区域集R₁＝{r₁，r₂，r_i，…，r_m}及R₂＝{r′₁，r′₂，r′_j，…，r′_n}，r_i、r′_j分别表示图像I与I′分割后的各区域；

6b)计算各区域所有分割特征向量的均值作为该区域的特征，并计算两幅图像区域间的距离：

$d(r_i,r_j^{\′})=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{({\stackrel{\widehat{\→}}{f}}_i-{\stackrel{\widehat{\→}}{f}}_{i^{\′}})}^2$

其中，

分别为图像I中区域r_i及图像I′中区域r′_j的特征向量，ω_i为各向量的权重系数；

6c)计算两图像各区域之间匹配的显著性因子S_i，j，并根据该显著性因子和两幅图像各区域间的距离，得到最终两幅图像的相似匹配距离为：

$d(I,I^{\′})=\underset{i,j}{\mathrm{\Σ}}{s}_{i,j}d(r_i,r_j^{\′}).$

Images