CN102073873B - 一种基于支持向量机的sar景象匹配区选取方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机的SAR景象匹配区选取方法，结合SAR成像特性，通过选择合适的代表图像信息的多维特征参数，使用非线性变换将样本特征空间的划分问题转换为高维特征空间的线性分类问题，并利用有限的支持向量点的线性组合建立分类决策函数并选择景象匹配区。该方法考虑了参考图像的多种特征值与匹配区正确选择之间的联系，试验结果表明该方法计算速度快，具有较大的适应性和抗干扰性，能够对复杂SAR参考图的匹配子区选取进行正确决策指导。

Description

一种基于支持向量机的SAR景象匹配区选取方法

技术领域

本发明属于雷达图像处理领域，具体涉及基于星载合成孔径雷达(SAR)影像的匹配区选取技术，尤其涉及一种基于支持向量机的SAR景象匹配区选取方法。

背景技术

景象匹配是指将一个图像区域从不同传感器在不同时间、从不同视角摄取的相应景象区域中确定出来或找到它们之间对应关系的一种重要的图像分析技术。它在导航、目标跟踪、资源分析及环境研究中具有重要的应用。景象匹配区选择是景象匹配的关键技术，是对指定景象区域的匹配定位性能进行评估、分析，从而确定该区域是否可作为合适的景象匹配区的方法。

迄今为止，匹配区的选择尚无成熟的解决方案。在可见光下视景象匹配中，其利用光学卫星图像作为基准图，选取匹配区。具体方法为通过计算图像方差、相关长度、互相关峰特征、纹理能量比、信息熵和边缘密度以及独立像元数等可匹配性检验参数来选择匹配区。这些方法大多研究单个因素对试验指标的影响，而将影响试验指标的其他因素固定，从而导致景象匹配区选择准则适应性差，抗干扰性不强。最新的一些研究已经开始考虑多个因素的综合影响，江标初在《层次景象匹配区选取准则》一文中提出了由粗到细的层次选取准则，张国忠在《Rule-based expert system forselecting scene matching area》中使用专家系统来选择景象匹配区，但这些方法没有考虑参数之间的相关性。此外，这些匹配区选取规则针对的是下视可见光景象匹配，在SAR图像上的应用效果难以让人满意。

发明内容

本发明的目的在于提供一种基于支持向量机的SAR景象匹配区选取方法，该方法考虑了参考图像的多种特征值与匹配区正确选择之间的联系，计算速度快，具有较大的适应性和抗干扰性，能够对复杂SAR参考图的匹配区选取进行正确决策指导。

一种基于支持向量机的SAR景象匹配区选取方法，包括以下步骤：

(1)分别对基准SAR灰度图提取区域特征和线特征，得到区域特征图和结构特征图；

(2)在基准SAR灰度图上截取子区，从中选择明显可以作为匹配区和明显不能作为匹配区的两类子区，作为训练子区；

(3)对基准灰度图、区域特征图和结构特征图分别计算各自包含的训练子区的特征信息，构成各训练子区的特征矢量；

(4)将各训练子区特征矢量作为支持向量机的输入，各训练子区的类型作为支持相量机的输出，训练确定支持向量机的参数；

(5)按照步骤(1)和(3)的方式对待定匹配区的SAR灰度图像截取子区以及计算各子区的特征矢量，将各子区的特征矢量作为步骤(4)确定的支持相量机的输入，该支持向量机的输出即为匹配区选定结果。

进一步地，采用基于恒虚警率的强弱散射区分割方法提取区域特征。

进一步地，采用基于互相关滤波算子的线特征提取方法。

本发明的技术效果体现在：

本发明采用支持向量机(SVM)的分类方法进行匹配区分类，以参考图像的多种特征值作为输入，根据线性可分原则确定最优分类面，不但将两类样本无错误的分开，而且使得两类样本之间的分类间隙最大，适用于星载SAR成像条件下的匹配区选取。

大尺度SAR图像中背景区域广义上可分为强散射区和弱散射区两种类型，因此，作为进一步优化，本发明中区域特征提取是基于CFAR(恒虚警率)的强弱散射区分割方法，根据SAR图像中目标区域和背景区域有明显的亮度差异的特点进行阈值分割，提取出原始SAR图像中的区域特征。同时场景中存在道路、较窄的河流等线条状物体以及反映了区域间物性差异的线特征，这些线特征为实时图和参考图共有的共性特征，利用基于互相关滤波算子的线特征提取方法，可以提取出原始SAR图像中的结构特征。

综上所述，本发明考虑了参考图像的多种特征值与匹配区正确选择之间的联系，试验结果表明该方法计算速度快，具有较大的适应性和抗干扰性，能够对复杂SAR参考图的匹配子区选取进行正确决策指导。

附图说明

图1为本发明的流程图；

图2为原始SAR基准图(缩小后)；

图3(a)为匹配区选取结果示意图(缩小后)，(b)、(c)、(d)和(e)为选取的匹配子区实例(原始大小)。

具体实施方式

本发明在星载SAR成像条件下实现景象匹配区的选取，具体实施过程的流程图如图1所示：

(1)特征提取过程

(1.1)以64像素为步长，从左至右、从上而下依次在2000*2000像素大小的星载SAR成像参考图即如图2所示的原始基准灰度SAR图像F1上截取128*128的子区；

(1.2)对截取的子区进行线特征提取和区域特征提取，得到线特征图像F2和区域特征图即强弱目标区域三值图F3；

(1.2.1)区域特征提取是基于CFAR(恒虚警率)的强弱散射区分割方法，具体步骤如下：

P1：统计全图灰度均值μ和标准差σ；

P2：在SAR图像f(x，y)中逐点遍历，统计128*128大小的局部窗口内的灰度均值μ_m和标准差σ_m；

P3：设定两个门限R₁和R₂，则分割后结果图像g(x，y)为：

$g(x,y)=\left\{\begin{array}{cc}0& \frac{{\mathrm{\&mu;}}_m}{\mathrm{\&mu;}}<R_1,\frac{{\mathrm{\&sigma;}}_m}{\mathrm{\&sigma;}}<1\\ 128& \mathrm{others}\\ 255& \frac{{\mathrm{\&mu;}}_m}{\mathrm{\&mu;}}>1,\frac{{\mathrm{\&sigma;}}_m}{\mathrm{\&sigma;}}>R_2\end{array}\right.---\left(1\right)$

(1.2.2)线特征提取采用互相关滤波算子，具体原理如下：

假定图像中任一点x₀处存在方向为d的边缘，x₀处的局部窗Ω_x0沿着垂直于边缘方向d被分为Ω_i和Ω_j左右两部分，即Ω_x0＝Ω_iYΩ_j，Ω_iIΩ_j＝Φ。

令f(x)为原始基准图像中Ω_x0区域像素灰度，由于存在噪声n(x)，其可以表示为噪声和信号s(x)之和，即f(x)＝s(x)+n(x)。图像灰度f(x)和估计信号s(x)之间的归一化互相关度量为ρ_ij，以其作为互相关算子滤波后的图像。可推导得

${\mathrm{\&rho;}}_{\mathrm{ij}}=\sqrt{\frac{n_i{n}_j{({\mathrm{\&mu;}}_i-{\mathrm{\&mu;}}_j)}^2}{n(n_i{\mathrm{\&sigma;}}_i^2+n_j{\mathrm{\&sigma;}}_j^2)+n_i{n}_j{({\mathrm{\&mu;}}_i-{\mathrm{\&mu;}}_j)}^2}}---\left(2\right)$

其中σ_k为原图区域Ω_k内像素灰度的标准差，n_k为区域Ω_k内的像素数，k＝i，j。

由式可见ρ_ij的大小和相邻同质区的均值差异成正比，因此能够检测过渡区的灰度变化，在同等噪声强度情况下，对比度越大的过渡区域，检测效果越好。归一化互相关度量具有线性不变性，因此不论对于低对比度还是高对比度的边缘变化都能进行检测，能够最大程度地检测阶跃边缘细节。

(2)在原始基准SAR灰度图像上截取子区，从中选择明显可以作为匹配区和明显不能作为匹配区的两类子区，作为训练子区。

(3)训练子区的特征计算

计算训练子区的9维特征值，其中在原始基准灰度图中计算灰度均值、标准差、均匀度和散射度等4维灰度特征；在结构特征图中计算结构强度和边缘梯度熵等2维结构特征；在区域特征图中计算弱目标结构强度、强目标结构强度和弱+强目标结构强度等3维区域特征。在有高程数据的情况下，还可以计算每个子区的高程起伏标准差作为第10维特征。

其中各特征计算数据如下所示：

F1：灰度均值μ，标准差σ，均匀度r＝μ/σ，散射度div＝σ₂/σ₁

F2：边缘梯度熵E_r，结构强度R_a

F3：弱目标结构强度A₀，强目标结构强度A₁，弱+强目标结构强度A₀₁

结构强度R_a定义为子区内边缘像素数与子区面积之比；弱目标结构强度A₀定义为F3中弱像素的个数与全部像素个数的比值；强目标结构强度A₁定义为F3中强像素的个数与全部像素个数的比值；弱+强目标结构强度A₀₁定义为F3中弱像素和强像素的个数和与全部像素个数的比值；边缘梯度熵E_r反映重复模式，边缘梯度方向分布。具体计算方法为：

首先采用模板卷积的方法提取强弱目标区域三值图F3中的各个候选匹配区4个方向(0°，45°，90°，135°)的梯度。设定一个梯度幅值门限，把这几个方向的边缘进行二值化(假定其中像素值为0表示背景，像素值为1表示边缘)，得到4幅边缘图像Edge_i(i＝1，2，3，4)，设第i幅图像的边界像素数目分别n_i，则

$n_i=\underset{x=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{\mathrm{Edge}}_i(x,y)---\left(3\right)$

其中参考图的大小为M×N，定义边缘方向直方图为：

$p_i=\frac{n_i}{\underset{j=1}{\overset{4}{\mathrm{\&Sigma;}}}{n}_j}---\left(4\right)$

进而可以计算边缘方向直方图的熵值：

$E_r=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}(-p_i)\log \left(p_i\right)---\left(5\right)$

(4)SVM分类器的建立

本发明采用支持向量机(SVM)的分类方法进行匹配区分类，根据线性可分原则确定最优分类面，不但将两类样本无错误的分开，而且使得两类样本之间的分类间隙最大。

SVM原理如下：设线性可分的样本集为(x_i，y_i)，i＝1，......n，x∈R^d，y∈{+1，-1}，其中x_i是输入，y_i是对应的输出。分类线方程为w^T+b＝0。通过将分类函数归一化，可以得到此时的分类间隔为2/||W||，因此，使得间隔最大就等价于使得||W||²最小。而要求分类线对所有样本正确分类，就是要其满足：

$y_i({\mathrm{wx}}_i^T+b)-1\&GreaterEqual;0,i=1,.....n---\left(6\right)$

根据上面的讨论，最优分类面问题可以表示成如下的约束最优化问题，即在条件6的约束下，求如下函数的最小值：

$\mathrm{\&phi;}\left(w\right)=\frac{1}{2}\left|\right|w\left|\right|=\frac{1}{2}\left(w^{T}w\right)---\left(7\right)$

定义如下的Lagrange函数：

$L(w,b,a)=\frac{1}{2}\left(w^{T}w\right)-\mathrm{\&Sigma;}{a}_i[y_i(w^T{x}_i+b)-1]---\left(8\right)$

其中，a_i≥0为Lagrange系数，问题变为对w，b求公式8的最小值。

分别对公式8的w，b求偏微分并令它们的偏导数为0，就可以把原问题转化为如下的比较简单的对偶问题：在约束条件

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i{a}_i=0,a_i\&GreaterEqual;0,i=1,......n---\left(9\right)$

对a_i求解下列函数的最大值：

$Q\left(a\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i-\frac{1}{2}\mathrm{\&Sigma;}{a}_i{a}_j{y}_i{y}_j\left(x_i^T{x}_j\right)---\left(10\right)$

若是a^*为最优解，则

$w^{*}=\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}{y}_i{a}_i^{*}{x}_i---\left(11\right)$

最优分类函数为

f(x)＝sgn((w^*)^T+b)    (12)

将公式11带入公式12可以得到：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}{a}_i{y}_i<x,x>+b\}---\left(13\right)$

在非线性可分的条件下，可以采用特征映射方法，将非线性可分的特征矢量空间映射到线性可分的新的特征矢量空间中，然后再利用线性可分的支持向量机对其进行分类。

具体操作为：将训练子区作为支持向量机的训练数据，将能够反映训练子区的区别的9维特征矢量作为支持相量机的输入，各训练子区的类型(即能作为匹配区和不能作为匹配区)作为支持相量机的输出，解算出支持向量机的参数。

(5)匹配子区的自动选取：按照步骤(1)和(3)的方式对新的待定匹配区的SAR灰度图像截取子区以及计算各子区的特征矢量，将各子区的特征矢量作为步骤(4)确定的支持相量机的输入，该支持向量机的输出即为匹配区选定结果。如图3(a)所示为参考图匹配区自动选取的结果，作为对照，图3(b)，3(c)，3(d)和3(e)给出了自动选取的参考图匹配子区的实例结果。

Claims (3)

1.一种基于支持向量机的SAR景象匹配区选取方法，包括以下步骤：

（1）分别对基准SAR灰度图提取区域特征和线特征，得到区域特征图和结构特征图；

（2）在基准SAR灰度图上截取子区，从中选择明显可以作为匹配区和明显不能作为匹配区的两类子区，作为训练子区；

（3）对基准灰度图、区域特征图和结构特征图分别计算各自包含的训练子区的特征信息，构成各训练子区的特征矢量；基准灰度图对应的特征信息包括灰度均值、标准差、均匀度和散射度；结构特征图对应的特征信息包括结构强度和边缘梯度熵；区域特征图对应的特征信息包括弱目标结构强度、强目标结构强度、弱+强目标结构强度；结构强度定义为子区内边缘像素数与子区面积之比；边缘梯度熵反映重复模式，边缘梯度方向分布；弱目标结构强度定义为弱像素的个数与全部像素个数的比值；强目标结构强度定义为强像素的个数与全部像素个数的比值；弱+强目标结构强度定义为弱像素和强像素的个数和与全部像素个数的比值；

（4）将各训练子区特征矢量作为支持向量机的输入，各训练子区的类型作为支持相量机的输出，训练确定支持向量机的参数；

（5）按照步骤（1）和（3）的方式对待定匹配区的SAR灰度图像截取子区以及计算各子区的特征矢量，将各子区的特征矢量作为步骤（4）确定的支持相量机的输入，该支持向量机的输出即为匹配区选定结果。

2.如权利要求1所述的SAR景象匹配区选取方法，其特征在于，采用基于恒虚警率的强弱散射区分割方法提取区域特征。 

3.如权利要求1所述的SAR景象匹配区选取方法，其特征在于，采用基于互相关滤波算子的线特征提取方法。 

Images