CN101894261B - 一种多对比度模式直方图纹理描述子提取方法 - Google Patents

Abstract

本发明提供的多对比度模式直方图纹理描述子提取方法，包括图像量化，将量化后的图像分离为正矩阵、负矩阵和等价矩阵，根据这三个矩阵进行直方图计算，得到图像的局部模式直方图描述子。采用本发明所提供技术方案提取纹理特征高效简单，且能够很好的表述SAR图像的纹理。

Description

一种多对比度模式直方图纹理描述子提取方法

技术领域

本发明属于图像处理领域，特别涉及用于SAR图像的多对比度模式直方图纹理描述子提取方法。

背景技术

在SAR成像过程中不同的地物目标表现出不同的散射特性，这种特性决定于地物目标的粗糙程度和材质。如图1所示，微波成像中的四种基本散射模型，包括表面散射模型、漫散射模型、偶次散射模型和体散射模型。SAR在光滑介质(如干涸的河床、公路路面、平静的水面、光滑平正的岩石等)中的散射主要体现为表面散射。这种散射过程类似于可见光的镜面反射。表面散射模型回波能量的大小与入射波同散射面的夹角有关。当入射角较大时，其回波能量会很小，通常还不足-20dB。因此，这类区域在SAR图像中的表现为黑色的匀质区域。另外，在粗糙介质表面SAR的散射通常体现为漫散射，也称为布拉格散射。自然界中很多地物的表面经常是粗糙而起伏的(如草原，农田，山地，和有波浪的水面等)，这时就不能用较为理想化的表面散射模型来近似，而必须采用漫散射来表示。漫散射模型中，有相当一部分的散射电磁波返回雷达天线，其接收到的回波能量较平面散射为高，通常要优于-20dB。从而，这种类型的地物在SAR图像中表现为一些灰色到白色的亮目标点，并具有显著的纹理特性。然而，SAR在二面角散射体(如城市中墙壁与地面间、森林中粗壮的树干与地面间的散射机理如城区等)的散射更多的体现为偶次散射。偶次散射模型的散射体通常由两个散射面构成且两个散射面互相垂直，通常也称为二面角散射。在这种散射模型下，天线所接收到的回波功率很大。因而，其在SAR图像中表现为亮色的连通片，同时旁边伴随着阴影区域。对由大量枝叶组成的植被区域，SAR的散射主要体现为体散射。这主要是由于雷达回波是从由一些在空间随机方向分布的非常细的圆柱形散射体组成的粒子云反射回来的。此类区域在SAR图像中的成像变现为面积较小，亮度适中的小目标，并伴随着显著的纹理特征。

但是，利于这些散射特性进行SAR图像地物分类的技术在本领域尚未出现。

发明内容

本发明目的在于提供一种多对比度模式直方图纹理描述子提取方法，该描述子特征计算简单且能够很好的表述SAR图像的纹理。

本发明提供的多对比度模式直方图纹理描述子提取方法包括以下具体步骤：

步骤1，图像量化，将滑动窗口内的所有像素的灰度值与中心像素的灰度值进行对比量化，大于设定范围的被量化为+1，小于设定范围的被量化为-1，在设定范围内的被量化为0，所述滑动窗口的边长为h；

步骤2，矩阵分离，即将步骤1量化后的图像分离为正矩阵、负矩阵和等价矩阵；这三个矩阵中，正矩阵用于捕获图像中亮模式的信息，负矩阵用于描述图像中暗模式的信息，等价矩阵用于刻画匀质的区域；

步骤3，直方图计算，即在步骤2所得正矩阵、负矩阵和等价矩阵中，值为1的元素被当做前景，而值为0的则被当做背景，连续的值为1的元素构成前景连通片，各矩阵中每一个前景连通片都被统计到对应子直方图的一个bin中；将每个子直方图的h²个bin合并到K个较大的bins中，得到一个低维的子直方图，K为手动调节参数；串联合并后的三个子直方图，即是滑动窗口中心像素的局部模式直方图描述子。

本发明提供了一种多对比度局部模式直方图纹理描述子，是首次在SAR图像地物分类方面研究这些模式的判别性能。采用本发明所提供技术方案提取纹理特征高效简单，且能够很好的表述SAR图像的纹理。

附图说明

图1为微波成像中的四种基本散射模型。

图2为局部模式直方图的提取流程。

图3为MLPH特征分类性能对于不同参数B和T的响应。

图4为MLPH特征分类性能对于不同参数h的响应。

具体实施方式

基于微波成像的中的四种基本散射模型(如图1)，不同的地物目标在对SAR成像过程中表现出不同的散射特性，本发明提出在SAR图像中地物类别的差别主要体现在两个方面：图像中黑色，灰色，和白色(目标)的面积大小和这些模式在图像中对比度的强弱。本发明针对以上两个属性来研究这些模式对于SAR图像地物分类的判别能力，提出了特征描述提取方案，具体流程见图2。

下面通过实施例对多对比度局部模式直方图特征描述子的原理和相关定义加以说明。

(1)图像量化

滑动窗口内的所有像素的灰度值都须和中心像素的灰度值进行对比并量化。设g_c为中心像素的灰度值，则移动窗口内灰度值在设定范围g_c±t内的所有像素被量化为0，灰度值大于这一范围的被量化为+1，而灰度值小于这一范围的则被量化为-1。具体来讲，这一量化过程可以表达为如下方程：

$s(g_i,g_c,t)=\left\{\begin{array}{cc}1,& g_i>g_c+t\\ 0,& |g_i-g_c|\&le;t\\ -1,& g_i<g_c-t\end{array}\right.$

其中g_i为滑动窗口中第i个像素的灰度值，t为一个设定的量化阈值。移动窗口是一个边长为h的正方形窗口。上述量化思想得益于计算机视觉方面的一些出色工作。为了方便起见，本发明将量化后的图像转换为模式矩阵。图2左边部分展示了一个量化的简单示例(h＝5，t＝4)，尺寸为5×5的滑动窗口内，

像素灰度值矩阵为 $\left[\begin{array}{c}\mathrm{63,65,58,10,15}\\ \mathrm{15,5,48,52,90}\\ \mathrm{85,80,50,53,54}\\ \mathrm{54,52,50,47,90}\\ \mathrm{36,25,32,85,87}\end{array}\right]$

量化后模式矩阵为 $\left[\begin{array}{c}\mathrm{1,1,1},-1,-1\\ -1,-\mathrm{1,0,0,1}\\ \mathrm{1,1,0,0,0}\\ \mathrm{0,0,0,0,1}\\ -1,-1,-\mathrm{1,1,1}\end{array}\right]$

对于图像中的每个像素，以该像素为中心，取5*5的窗口计算统计特征，然后将计算出的模式直方图作为该像素点的特征。用滑动窗口遍历每个像素，对整幅图像的所有像素点同样处理，就能对整个图像提取直方图描述子。

(2)矩阵分离

模式矩阵被分离为三个矩阵：正矩阵(positive matrix，PM)，等价矩阵(equal matrix，EM)，和负矩阵(negative matrix，NM)。它们的定义如下：

$\mathrm{PM}\left(i\right)=\left\{\begin{array}{cc}1,& s\left(i\right)>0\\ 0,& \mathrm{others}\end{array}\right.,i\&Element;[1,...,h^2]$

$\mathrm{EM}\left(i\right)=\left\{\begin{array}{cc}1,& s\left(i\right)=0\\ 0,& \mathrm{others}\end{array}\right.,i\&Element;[1,...,h^2]$

$\mathrm{NM}\left(i\right)=\left\{\begin{array}{cc}1,& s\left(i\right)<0\\ 0,& \mathrm{others}\end{array}\right.,i\&Element;[1,...,h^2]$

其中i表示矩阵中的第i个元素，s(i)为模式矩阵的第i个元素。图3中部展示了一个矩阵分离的示例，得到三个5×5矩阵。

其中正矩阵为 $\left[\begin{array}{c}\mathrm{1,1,1,0,0}\\ \mathrm{0,0,0,0,1}\\ \mathrm{1,1,0,0,0}\\ \mathrm{0,0,0,0,1}\\ \mathrm{0,0,0,1,1}\end{array}\right]$

其中等价矩阵为 $\left[\begin{array}{c}\mathrm{0,0,0,0,0}\\ \mathrm{0,0,1,1,0}\\ \mathrm{0,0,1,1,1}\\ \mathrm{1,1,1,1,0}\\ \mathrm{0,0,0,0,0}\end{array}\right]$

其中负矩阵为 $\left[\begin{array}{c}\mathrm{0,0,0,1,1}\\ \mathrm{1,1,0,0,0}\\ \mathrm{0,0,0,0,0}\\ \mathrm{0,0,0,0,0}\\ \mathrm{1,1,1,0,0}\end{array}\right]$

这三个矩阵在SAR图像表示中具有不同的功能。正矩阵主要捕获亮模式的信息，如图像中那些比其周围亮很多的点和区域目标。负矩阵则主要用来描述暗模式的信息，如图像中那些比周围暗很多的点和区域目标。而等价矩阵则主要用来刻画那些相对匀质的区域。这三个矩阵表面上看起来具有很大的冗余信息，然而接下来的直方图建立说明这三个矩阵在SAR图像地物描述方面具有很强的互补性。

(3)直方图计算

在每一个新得到的矩阵(正矩阵、负矩阵和等价矩阵)中，值为1的元素被当作前景，而值为0的则被当作背景。值为1的元素连续在一起就构成前景连通片，局部模式直方图中的模式也就是这些前景的连通片。矩阵中每一个前景连通片都将被统计到对应直方图的一个bin(直方图术语，表示小区间)中，这一统计过程的依据是前景连通片中像素个数的多少。很显然，这样的直方图建立过程很好的挖掘了研究动机中提到的目标大小这一属性。

对于一个特定的矩阵，令bin(k)表示第k个bin的值，N表示这一矩阵中所有前景连通片的个数，则相应的子直方图建立过程如下：

$\mathrm{bin}\left(k\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}[\mathrm{num}\left(n\right)=k]$

其中，num(n)表示第n个模式中的像素个数，上述方程中的狄拉克函数δ()如果判断为真则为1，，否则为0。

理论上讲，上述的每一个子直方图都是一个h²维度的特征向量。然而，为了得到一个更加紧致的图像表达，本文将每个子直方图的h²个bin(小区间)合并到K(一个手动调节参数，一般在4-8之间取值)个较大的bins(直方图术语，表示区间)中。研究者们提出了很多的直方图合并策略，然而对于本实施例子直方图的合并需要满足如下约束：合并后的直方图在低维bins(区间)之间的距离需小于高维bins(区间)之间的距离，也就是将更多的资源集中在直方图的低维区域。添加此约束主要是出于以下两点考虑：

●num(n)越大，对应的局部模式在图像中就越稀疏；

●人类视觉系统对于局部模式的区分能力随着num(n)的增大而降低。例如，人可以很容易的区分开像素数为1和3的局部模式，而对于像素数为21和23的局部模式就显得比较困难了。

这里，实施例提出一个满足上述约束的直方图归并准则：

vol(k)＝B×vol(k-1)，k∈[2，...，K]

满足条件 $\underset{l=1}{\overset{K-1}{\mathrm{\&Sigma;}}}\mathrm{vol}\left(l\right)<h^2\&le;\underset{l=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{vol}\left(l\right)$

其中，vol(k)表示合并后直方图第k个bin的大小，B是一个控制直方图bin范围增长的一个参数。由上式可知，在1到+∞之间调节B的大小可以有效的调节直方图的合并方式。因此，这一策略对于特征维度压缩是一个很具有扩展性的方法。而且，上述的合并策略能够保证局部模式直方图尺度不变性的特性。通过串联合并后的三个子直方图，我们便得到了图像(像素点)的局部模式直方图描述。如图2右边部分所示，正矩阵、负矩阵和等价矩阵分别对应一个子直方图，合并得到局部模式直方图。

为了利用最少的资源捕获最大的信息量，在多对比度的设计中我们仍然需要将更多的资源集中在对比度小的范围，因为在一个局部滑动窗口内像素的灰度值往往是比较相近的。

鉴于以上考虑，本文提出一个定义多阈值t的策略：

t_m＝T×t_m-1，m∈[2，...，M]

满足条件t_M＜C≤t_M+1

其中，M为总的对比度个数，T是一个控制t增长速度的参数，C为SAR图像中像素灰度值的最大对比度。同理，通过在1到+∞间调节t的大小可以有效的控制多个阈值的设计。由上述策略可知，多对比度局部模式直方图的维度为M×3×K维。

通过在真实TerraSAR-X图像分类任务中测试，表明提出的多对比度局部模式直方图要优于其它常用的四个特征。实验数据集合是建立在一整幅TerraSAR-X图像(48189*25255像素)上，该图像是2008年05月24日对中国广东佛山及其周边区域成像获得，图像分辨率为3米*3米。图像的真实标号是人工根据光学图像信息和相关的地理信息手动标注获得。图像的像素被标为四个语义类别或者“其他”类别。这四个类别分别为建筑区，林地，耕地，和水域。不属于这四类的像素和位于类别边界的像素被标注为“其他”类别，这类处理主要是为了方便人工手动标注。全图大约有13％的像素被标注为“其他”类别。这些像素不参与训练和测试。

基于以上原理和概念，本发明提供了基于多对比度模式直方图纹理描述子的SAR图像分类方法实例的具体流程以供实施参考，具体步骤如下：

(1)首先按照本发明中提取多对比度模式直方图纹理描述子的方法，设定参数M、C、K、h、T、B，对训练集进行处理，得到训练集对应的特征向量集合；

(2)然后按照本发明中提取多对比度模式直方图纹理描述子的方法，设定参数M、C、K、h、T、B，对测试集进行处理，得到测试集对应的特征向量集合；

(3)在训练集对应的特征向量集合和测试集对应的特征向量集合上用SVM分类器来分类。

在参数M＝5、C＝255、K＝5的情况下，设定不同的T、B参数值来提取图像的多对比度模式直方图纹理描述子后，用SVM分类器在这些特征分类得到不同的分类精度(单位是百分比％)，如图3；

在参数M＝5、C＝255、K＝5的情况下，设定不同的h参数值来提取图像的多对比度模式直方图纹理描述子后，用SVM分类器在这些特征分类得到不同的分类精度(单位是百分比％)，如图4；

选取参数M＝5、C＝255、K＝5、h＝5、T＝2、B＝1.5，提取一幅图像的多对比度模式直方图纹理描述子，在每一类中选取一部分纹理描述子作为训练样本，然后用SVM分类器对图像的纹理描述子分类，分类精度如表1所示。

表1：不同特征的SAR图像分类精度比较(％)。

表中的精度为分类正确的像素百分比。从表1中可以很清晰的看到多对比度模式直方图纹理描述子在高分辨率SAR图像分类中要优于其它几类常用的特征(包括局部直方图、灰度共生矩阵、GABOR滤波器和高斯马尔科夫场模型)。

Claims (1)

1.一种多对比度模式直方图纹理描述子提取方法，其特征是：在图像上采用滑动窗口进行遍历，遍历时提取滑动窗口中心像素的局部模式直方图描述子，提取方式包括以下步骤：

步骤1，图像量化，将滑动窗口内的所有像素的灰度值与中心像素的灰度值进行对比量化，大于设定范围的被量化为+1，小于设定范围的被量化为-1，在设定范围内的被量化为0，所述滑动窗口的边长为h；

步骤2，矩阵分离，即将步骤1量化后的图像分离为正矩阵、负矩阵和等价矩阵；这三个矩阵中，正矩阵用于捕获图像中亮模式的信息，负矩阵用于描述图像中暗模式的信息，等价矩阵用于刻画匀质的区域；

正矩阵定义如下

$\mathrm{PM}\left(i\right)=\left\{\begin{array}{cc}1,& s\left(i\right)>0\\ 0,& \mathrm{others}\end{array}\right.,i\&Element;[1,...,h^2]$

等价矩阵定义如下

$\mathrm{EM}\left(i\right)=\left\{\begin{array}{cc}1,& s\left(i\right)=0\\ 0,& \mathrm{others}\end{array}\right.,i\&Element;[1,...,h^2]$

负矩阵定义如下

$\mathrm{NM}\left(i\right)=\left\{\begin{array}{cc}1,& s\left(i\right)<0\\ 0,& \mathrm{others}\end{array}\right.,i\&Element;[1,...,h^2]$

其中，i表示矩阵中的第i个元素，s(i)为模式矩阵的第i个元素；

步骤3，直方图计算，即在步骤2所得正矩阵、负矩阵和等价矩阵中，值为1的元素被当做前景，而值为0的则被当做背景，连续的值为1的元素构成前景连通片，各矩阵中每一个前景连通片都被统计到对应子直方图的一个小区间中；将每个子直方图的h²个小区间合并到K个较大的区间中，得到一个低维的子直方图，K为手动调节参数；串联合并后的三个子直方图，即是滑动窗口中心像素的局部模式直方图描述子；直方图合并准则如下

vol(k)＝B×vol(k-1)，k∈[2，...，K]

满足条件 $\underset{l=1}{\overset{K-1}{\mathrm{\&Sigma;}}}\mathrm{vol}\left(l\right)<h^2\&le;\underset{l=1}{\overset{K}{\mathrm{\&Sigma;}}}\mathrm{vol}\left(l\right)$

其中，vol(k)表示合并后直方图第k个小区间的大小，B是控制直方图小区间范围增长的一个参数。

Images