CN104331711A - 基于多尺度模糊测度与半监督学习的sar图像识别方法 - Google Patents

Abstract

本发明公开了一种基于多尺度模糊测度与半监督学习的SAR图像识别方法，解决了现有技术SAR图像识别精度低的问题。其实现步骤为：通过切分原始SAR图像建立图像库，并从中挑选目标单一的图像块；提取图库内图像块的特征向量；将挑出的图像块分成若干类，并用对应的特征向量作为训练样本，训练半监督分类器，用此分类器对图像库分类；对用户输入的查询图像块，用已训练的分类器得到类别；根据混淆矩阵求取该图像块的类别集合，计算查询图像块与图像库中属于该集合的图像块之间的多尺度区域模糊相似度，并依照从大到小的顺序返回用户需要数量的图像块。本发明能纠正分类错误，信息识别精度高，可用于对多幅SAR图像同时进行解译。

Description

基于多尺度模糊测度与半监督学习的SAR图像识别方法

技术领域

本发明属于图像处理技术领域，涉及一种SAR图像信息的识别方法，可应用于对多幅SAR图像同时进行解译。

背景技术

因为SAR图像具有全天时、全天候的探测能力，尤其是相对光学图像对天气因素完全不依赖的特点，SAR图像的应用领域正在逐步的扩大，包括农业，地理监视，导航，军事等。SAR图像的融合，分割，去噪，变化检测等都是研究热点领域，而SAR图像识别则是这些研究领域的一个重要基础。传统的识别技术主要针对识别精度的问题，而且大多应用于单张SAR图像的小范围区域识别问题，如谱聚类集成的SAR分割方法，参见Zhang,Xiangrong,Licheng Jiao,Fang Liu,Liefeng Bo,and Maoguo Gong."Spectralclustering ensemble applied to SAR image segmentation."Geoscience and Remote Sensing,IEEE Transactions on 46,no.7(2008):2126-2136；又如基于遗传Bag-of-Words特征的SAR图像分类方法，参见Feng,Jie,L.C.Jiao,Xiangrong Zhang,and Dongdong Yang."Bag-of-visual-words based on clonal selection algorithm for SAR imageclassification."Geoscience and Remote Sensing Letters,IEEE 8,no.4(2011):691-695。但这些技术明显已不符合当下SAR图像数量海量增长的应用环境。

目前较为普遍的图像识别方法是基于内容的图像检索CBIR，该技术利用图像低层次的视觉特征完成在图像数据库中检索与查询图像在内容上一致或相似的图像集合过程。该技术包含一系列的图像处理方法，包括特征提取、相似性度量、用户反馈等。截至目前，已有很多成熟、著名的检索方法被提出，如SIMPLIcity检索系统，参见James Z.Wang,Jia Li,Gio Wiederhold.SIMPLIcity:Semantics-Sensitive Integrated Matching forPicture Llbraries.IEEE Trans.on Pattern Analysis and Machine Intelligence,2001,23(9):947-963；又如基于区域的模糊特征匹配检索方法，参见Y.Chen and J.Z.Wang,“Aregion-based fuzzy feature matching approach to content-based image retrieval,”PatternAnalysis and Machine Intelligence,IEEE Transactions on,vol.24,no.9,pp.1252–1267,2002。上述两种检索方法已成功的应用于海量的自然图像检索问题，但由于技术限制及SAR图像自身特点，将其直接应用在SAR图像识别中效果并不理想。2009年一种结合高斯混合模型分类的SAR图像检索系统被提出，即GMM检索系统，参见Hou,B.,Tang,X.,Jiao,L.,&Wang,S.(2009,October).SAR image retrieval based on Gaussian MixtureModel classification.In Synthetic Aperture Radar,2009.APSAR 2009.2nd Asian-PacificConference on(pp.796-799).IEEE，该方法面向SAR图像，在检索过程中有效的运用了纹理特征，但由于利用有监督分类方法使得其在现实问题中的推广化能力较低，同时因为该方法的相似度匹配技术并没有考虑SAR图像的特点，使得检索效果不甚理想。虽然该文章中给出了出色的实验结果，但这些结果依赖于有重叠的切割原始SAR图像建立图库，这种策略得到的图像块具有高度的集群特性，即同一类内的样本间距很小，不同类的样本间距很大，这样的数据分布与实际应用中的数据分布往往差异大，其实验结果不能充分的验证其方法的有效性。

发明内容

本发明目的在于针对上述已有技术存在的缺陷，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框架下，提出一种基于多尺度模糊测度与半监督学习的SAR图像识别方法，以减小实验数据与实际应用中数据分布的差异，提高实际应用中的识别精度。

实现本发明目的的技术方案是：使用平稳小波解析SAR图像中的纹理信息，使用纹理信息，利用高斯随机场半监督学习方法完成SAR图像库的分类工作，并采用多尺度模糊测度相似匹配算法完成SAR图像的相似度匹配。其具体实现步骤包括如下：

1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p₁,p₂,…p_τ,…,p_N}，从该图像库中按照目标单一原则挑选图像块其中l＜＜N,1≤τ≤N,N表示图库中的SAR图像块个数，l表示挑选出的SAR图像块个数，p_τ表示图库中的某幅SAR图像块，表示挑选出的某幅SAR图像块，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；

2)提取所有图像块的平稳小波三层变换的子带能量，作为图像块的特征向量 $\{f_1,f_2,...,f_{\stackrel{\‾}{n}}\},$ 其中， $\stackrel{\‾}{n}=10;$

3)将挑选出的SAR图像块按照语义内容分成{c_i,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对SAR图像库{p₁,p₂,…p_τ,…,p_N}进行分类，得到具有类标的SAR图像库；

4)对用户输入的查询图像块p'，采用与步骤2)相同的方法提取其特征向量f'，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类别数c_i；

5)根据步骤4)得到的类别数c_i及经验混淆矩阵，计算查询图像块的类别集合{c}：

5a)在已分类的SAR图像库中，随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈R^k×k，该混淆矩阵Con是方阵，其中第i行第j列元素Con(i,j)表示属于c_i类的样本被分为c_j类的个数，1≤i≤k，1≤j≤k；

5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈R^k×k；

5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；

5d)根据查询图像块的类别数c_i，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；

6)计算查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度；

7)按照步骤6)得到的多尺度区域模糊相似度，以从大到小的顺序返回用户需要数量的图像，完成图像识别。

本发明与现有的技术相比具有以下优点：

1、本发明针对SAR图像特殊性，提出了多尺度区域模糊相似度，使得SAR图像相似度匹配结果更准确，提高了识别精度；

2、本发明由于采用经验混淆矩阵对类别数进行了扩展，使得分类错误可以得到纠正，有效的降低了分类错误对相似度匹配的影响；

3、本发明由于采用半监督学习方法对图库进行分类，减少了人工挑选训练样本的工作量，降低了人为主观因素对分类结果的影响。

仿真结果表明，本发明既保证识别精度又可满足大量SAR图像同时进行识别的应用场景。

附图说明

图1是本发明的实现流程示意图；

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SAR图像块样例图；

图4是本发明与GMM检索系统的整体性能比较图；

图5是本发明与GMM检索系统在各语义类别中的性能比较图。

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{p₁,p₂,…p_τ,…,p_N}，并按照目标单一原则挑选SAR图像块。

该步骤的具体实现如下：

1a)选用像素大小为7692×7666的2幅大尺寸SAR图像，作为建立图库的原始SAR图像，分别如图2(a)，图2(b)所示；

1b)对所选用的2幅原始SAR图像进行无重叠的切分，切分后得到大小均为128×128的5718幅SAR图像块，用此建立SAR图像库{p₁,p₂,…p_τ,…,p_N}，p_τ表示图库中的某幅SAR图像块，N表示图库中的SAR图像块个数，1≤τ≤N，N＝5718；

1c)在图像库中按照目标单一原则挑选SAR图像块其中l＜＜N，N表示图像库中的SAR图像块个数，l表示挑选出的SAR图像块个数，表示挑选出的某幅SAR图像块，所述目标单一原则是指图像块中某目标占图像总面积的一半以上。本发明在挑选时，共挑选了60幅SAR图像块，即l＝60。

步骤2，对图库中所有图像块进行特征提取。

选用平稳小波三层变换的子带能量ξ作为图像块的特征向量其中，表示特征向量的维数，本实例选用但不限于10。对某一子带，能量定义为：

$\mathrm{\&xi;}={\left(\underset{n_1=1}{\overset{m_1}{\mathrm{\&Sigma;}}}\underset{n_2=1}{\overset{m_2}{\mathrm{\&Sigma;}}}b{(n_1,n_2)}^2\right)}^{\frac{1}{2}}/(m_1\&times;m_2)---<1>$

其中，m₁×m₂为子带大小，(n₁,n₂)表示该子带系数的索引，b(n₁,n₂)表示该子带中第n₁行第n₂列的系数值，其余9个子带的能量按照<1>式计算。

步骤3，对整个SAR图像库{p₁,p₂,…p_τ,…,p_N}分类，得到具有类标的SAR图像库。

该步骤的具体实现如下：

3a)在已挑选出的l幅SAR图像块中进行人工语义分类，本实例采用面积百分比的策略来判定图像类别，即若一副图像块p中，c_i类目标物的总面积大小超过该图像总面积的50％，就规定该像块p为c_i类，最终将l幅SAR图像块人为分成海洋、海床、住宅区、农田、池塘共5类，每一类12幅图像块，如图3所示，其中图3(a)是海洋，图3(b)是海床，图3(c)是住宅区，图3(d)是农田，图3(e)是池塘；

3b)根据每一类图像块，对应一组平稳小波三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，利用高斯随机场半监督学习分类器进行SAR图像库的分类：

3b1)用步骤1挑选出的60幅图像块的能量特征作为有标签样本{(x₁,y₁),…(x_l,y_l)}，用SAR图像库中剩余的5658幅SAR图像块的能量特征作为无标签样本{x_l+1,…x_l+u}，用有标签样本和无标签样本建立图G＝(V,E)，其中l＜＜u，u表示无标签样本的个数，l+u＝N，N表示总样本的个数，V表示图G的顶点，E表示图G的边，且l＝60，u＝5658，N＝5718；

3b2)按照公式<2>求得图G的相似矩阵W：

$W={\left({\widetilde{\mathrm{\&omega;}}}_{\tilde{i},\tilde{j}}\right)}_{N\&times;N},{\widetilde{\mathrm{\&omega;}}}_{\tilde{i},\tilde{j}}=\exp (-\underset{\tilde{d}=1}{\overset{\stackrel{\&OverBar;}{n}}{\mathrm{\&Sigma;}}}\frac{{(x_{\tilde{i}\tilde{d}}-x_{\tilde{j}\tilde{d}})}^2}{{\mathrm{\&sigma;}}_{\tilde{d}}^2})---<2>$

其中，表示相似矩阵W第行第列的元素，表示图像块特征向量的维数，表示样本的第维分量，表示样本的第维分量，是第维的超参数， $1\&le;\tilde{i}\&le;N,1\&le;\tilde{j}\&le;N,1\&le;\tilde{d}\&le;\stackrel{\&OverBar;}{n},\stackrel{\&OverBar;}{n}=10;$

3b3)按照公式<3>构造图G的能量函数：

$E\left(f^s\right)=\&infin;\underset{\tilde{i}}{\mathrm{\&Sigma;}}{(f^s\left(\tilde{i}\right)-y_{\tilde{i}})}^2+\frac{1}{2}\underset{\tilde{i},\tilde{j}}{\mathrm{\&Sigma;}}{\widetilde{\mathrm{\&omega;}}}_{\tilde{i},\tilde{j}}{(f^s\left(\tilde{i}\right)-f^s\left(\tilde{j}\right))}^2---<3>$

其中，E(f^s)表示图G的能量函数，表示有标签样本在图G上的实函数，表示无标签样本在图G上的实函数，表示的函数值，表示图G的相似矩阵W第行第列的元素， $1\&le;\tilde{i}\&le;N,1\&le;\tilde{j}\&le;N;$

3b4)求解能量函数E(f^s)的最优解argminE(f^s)，得到分类结果，即图像库中5718幅图像块的最终分类结果依次是海洋1869幅，海床434幅，住宅区1452幅，农田1205幅，池塘758幅，共计5718幅SAR图像块，这一步骤的目标是将SAR图像库变为有类标的SAR图像库，以减少相似度匹配的工作量，提高识别速度。

步骤4，对用户输入的查询图像块p'进行分类。

该步骤的具体实现如下：

4a)采用与步骤2相同的方法提取查询图像块p'的特征向量f'；

4b)用与步骤3相同的训练样本及高斯随机场半监督分类器，得到查询图像块p'的类别数c_i。

步骤5，计算查询图像块p'的类别集合{c}。

为了降低分类错误对识别结果的影响，则需要根据步骤4得到的类别数c_i及经验混淆矩阵对查询图像块p'的类别集合{c}进行计算，其具体步骤如下：

5a)在已分类的SAR图像库中，随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，其中训练样本与测试样本的比例是1:99，从而得到经验混淆矩阵Con∈R^k×k，该混淆矩阵Con为一个方阵，其中第i行第j列元素Con(i,j)表示属于c_i类的样本被分为c_j类的个数，1≤i≤k，1≤j≤k，k表示语义类别个数，R表示实数域，表1给出了经验混淆矩阵Con∈R^k×k的样例，其中语义类别个数k＝5，分别为海洋、海床、住宅区、农田、池塘，各数值表示属于c_i类的样本被分为c_j类的个数，例如第1行第1列的元素Con(1,1)表示属于海洋的样本被分为海洋的个数是1810；

表1 100次随机分类试验得到的混淆矩阵

Con∈Rk×k	海洋	海床	住宅区	农田	池塘
						海洋	1810	0	0	0	29
海床	2	187	101	28	100
						住宅区	0	6	1257	163	0
农田	0	0	11	1171	0
						池塘	19	57	2	59	592

5b)对经验混淆矩阵Con∈R^k×k进行列归一化，即将其中一列的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈R^k×k。

表2给出了后验概率矩阵ConP∈R^k×k的样例，其中语义类别个数k＝5，分别为海洋、海床、住宅区、农田、池塘，各数值是对表1给出的经验混淆矩阵Con∈R^k×k进行列归一化得到的：

表2 经验的后验概率矩阵

Con∈Rk×k	海洋	海床	住宅区	农田	池塘
						海洋	0.9885	0	0	0	0.0402
海床	0.0011	0.7480	0.0737	0.0196	0.1387
						住宅区	0	0.0240	0.9168	0.1139	0
农田	0	0	0.0080	0.8183	0
						池塘	0.0104	0.2280	0.0015	0.0482	0.8211

5c)设置阈值T，将后验概率矩阵ConP∈R^k×k中的第i行第j列元素ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定，本实例设T＝0.01，表3给出了阈值处理后的后验概率矩阵ConP∈R^k×k的样例，其中语义类别个数k＝5，分别为海洋、海床、住宅区、农田、池塘，各数值是对表2给出的后验概率矩阵ConP∈R^k×k进行阈值处理得到的：

表3 阈值处理后的后验概率矩阵

Con∈Rk×k	海洋	海床	住宅区	农田	池塘
						海洋	0.9885	0	0	0	0.0402
海床	0	0.7480	0.0737	0.0196	0.1387
						住宅区	0	0.0240	0.9168	0.1139	0
农田	0	0	0	0.8183	0
						池塘	0.0104	0.2280	0	0.0482	0.8211

5d)根据查询图像块的类别数c_i，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}。

步骤6，计算查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度。

该步骤的具体实现如下：

6a)选取尺度集合s＝{s_s1,…,s_sa,…s_sn}，其中sn表示尺度个数，s_sa表示某一尺度值，s1≤sa≤sn；

6b)对于图像块p与查询图像块p'，分别以s_sa×s_sa区域大小为单位，计算离散小波一层变换的高频子带能量和灰度特征并用作为分割特征，利用自适应的k-means算法对分割特征进行聚类，从而得到s_sa尺度下图像块p纹理区域集及查询图像块p'的纹理区域集，分别按如下表示：和 $R_2^{\mathrm{sa}}=\{r_1^{\&prime;\mathrm{sa}},r_2^{\&prime;\mathrm{sa}},...,r_o^{\&prime;\mathrm{sa}},...,r_n^{\&prime;\mathrm{sa}}\},$ 其中，分别表示图像块p与查询图像块p'在s_sa尺度下利用纹理特征分割后的各区域，1≤h≤m，1≤o≤n，m表示图像块p的纹理区域的个数，n表示查询图像块p'的纹理区域的个数；

为了使k-means算法自适应的工作，本实例采用如下两种策略完成自适应的k-means分割：

6b1)对散度D(num)设定阈值T_num＝0.052，其中D(num)定义如下：

$D\left(\mathrm{num}\right)=\underset{\stackrel{\&OverBar;}{i}=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{1\&le;\stackrel{\&OverBar;}{j}\&le;\mathrm{num}}{\min }{(X_{\stackrel{\&OverBar;}{i}}-{\hat{X}}_{\stackrel{\&OverBar;}{j}})}^2,1\&le;\stackrel{\&OverBar;}{i}\&le;L,1\&le;\stackrel{\&OverBar;}{j}\&le;\mathrm{num}---<4>$

式中，num表示聚类个数，L表示分割特征个数，表示某一分割特征向量，表示某一类的聚类中心，num的值从2开始递增，当D(num)＜T_num时，num停止递增，聚类个数num确定，反之num的值增加1；

6b2)对聚类个数num设置上限num_max＝5，当num＞num_max时，num停止递增，聚类个数num确定，反之num的值增加1；

6c)计算图像块p在s_sa尺度下各纹理区域的模糊平均距离并计算查询图像块p'在s_sa尺度下各纹理区域的模糊平均距离根据得到的纹理区域模糊平均距离和计算图像块p各纹理区域与查询图像块p'各纹理区域在s_sa尺度下的纹理模糊相似度

6c1)按照公式<5>计算图像块p在s_sa尺度下各纹理区域模糊平均距离

其中，为图像块p中纹理区域的平均特征向量，为图像块p中纹理区域的平均特征向量，1≤h₁,h₂≤m，m表示图像块p的纹理区域的个数；

6c2)按照公式<6>计算查询图像块p'在s_sa尺度下各纹理区域的模糊平均距离

其中，为查询图像块p'中纹理区域的平均特征向量，为查询图像块p'中纹理区域的平均特征向量，1≤o₁,o₂≤n，n表示查询图像块p'的纹理区域的个数；

6c3)按照公式<7>计算图像块p各纹理区域与查询图像块p'各纹理区域在s_sa尺度下的纹理模糊相似度

其中，表示图像块p在s_sa尺度下各纹理区域模糊平均距离，表示查询图像块p'在s_sa尺度下各纹理区域的模糊平均距离；

6d)对于图像块p与查询图像块p'，利用s_sa尺度的Prewitt算子及二值分割法得到s_sa尺度下图像块p的边缘区域集及查询图像块p'的边缘区域集 分别表示图像块p与查询图像块p'在s_sa尺度下利用边缘特征分割后的各区域，其中v＝1,2，z＝1,2；

6d1)设定Prewitt算子：

其中g^y表示垂直方向的边缘检测算子，g^x分别表示水平方向的边缘检测算子；

6d2)根据Prewitt算子，分别计算图像块p垂直方向的边缘信息与水平方向的边缘信息：

$G^y=p\&CircleTimes;g^y,G^x=p\&CircleTimes;g^x---<9>$

其中，G^y表示图像块p垂直方向的边缘信息，G^x表示图像块p水平方向的边缘信息，表示线性卷积；

6d3)根据图像块p垂直方向的边缘信息G^y与水平方向的边缘信息G^x，计算图像块p的边缘特征f^E：

$f^E=\sqrt{{\left(G^y\right)}^2+{\left(G^x\right)}^2}---<10>$

利用二值分割法对边缘特征f^E进行分割得到边缘区域集；

6e)计算图像块p在s_sa尺度下各边缘区域模糊平均距离并计算查询图像块p'在s_sa尺度下各边缘区域的模糊平均距离根据得到的边缘区域模糊平均距离和计算图像块p各边缘区域与查询图像块p'各边缘区域在s_sa尺度下的边缘模糊相似度

6e1)按照公式<11>计算图像块p在s_sa尺度下各边缘区域模糊平均距离

其中，为图像块p中边缘区域的平均特征向量，为图像块p中边缘区域的平均特征向量；

6e2)按照公式<12>计算查询图像块p'在s_sa尺度下各边缘区域模糊平均距离

其中，为查询图像块p'中边缘区域的平均特征向量，为查询图像块p'中边缘区域的平均特征向量；

6e3)按照公式<13>计算图像块p各边缘区域与查询图像块p'各纹理区域在s_sa尺度下的边缘模糊相似度

其中，表示图像块p在s_sa尺度下各边缘区域模糊平均距离，表示查询图像p'在s_sa尺度下各边缘区域模糊平均距离；

6f)根据6c)和6e)得到的s_sa尺度纹理模糊相似度和s_sa尺度边缘模糊相似度计算图像块p与查询图像块p'在s_sa尺度下的模糊相似度ufm^sa；

6f1)按照公式<14>计算图像块p与查询图像块p'在s_sa尺度下的模糊相似度ufm^sa：

${\mathrm{ufm}}^{\mathrm{sa}}={\mathrm{\&rho;}}_t({\mathrm{\&omega;}}_t{\stackrel{\&RightArrow;}{L}}_t^{\mathrm{sa}}+{\mathrm{\&rho;}}_e\left({\mathrm{\&omega;}}_e{\stackrel{\&RightArrow;}{L}}_e^{\mathrm{sa}}\right))---<14>$

其中，ρ_t表示纹理区域模糊相似度的权值，ρ_e表示边缘区域模糊相似度的权值，且ρ_t+ρ_e＝1，ω_t表示纹理区域重要性因子，ω_e表示边缘区域重要性因子；

6f2)按照公式<15>计算纹理区域的重要性因子ω_t：

${\mathrm{\&omega;}}_t={[(1-\mathrm{\&lambda;}){\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{at}}+{\mathrm{\&lambda;}\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{bt}}]}^T---<15>$

其中，和分别表示纹理区域的面积分布和中心分布权值，λ表示约束条件；

6f3)按照公式<16>计算边缘区域的重要性因子ω_e：

${\mathrm{\&omega;}}_e={[(1-\mathrm{\&lambda;}){\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{ae}}+{\mathrm{\&lambda;}\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{be}}]}^T---<16>$

其中，和分别表示边缘区域的面积分布和中心分布权值，λ表示约束条件；

6g)按步骤6b)至6f)的方法，计算出图像块p与查询图像块p'所有尺度下的模糊相似度ufm＝{ufm^s1,…,ufm^sa,…,ufm^sn}；

6h)根据6g)得到的所有尺度下的模糊相似度ufm，计算查询图像块p'与图像块p的多尺度区域模糊相似度msufm：

$\mathrm{msufm}=\underset{i_s=s1}{\overset{\mathrm{sn}}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{i_s}\&CenterDot;{\mathrm{ufm}}^{i_s}---<17>$

其中，表示s_sa尺度模糊相似度ufm^sa的权值，并且

6l)重复步骤6a)至6h)，计算出查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度。

步骤7，按照步骤6得到的多尺度区域模糊相似度，以从大到小的顺序返回用户需要数量的图像，完成图像识别。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件

本实例仿真条件如下：CORE i53.2GHz PC Windows 7操作系统，Matlab2012运行平台。

2.仿真内容及结果

仿真1.从图像库中随机选取100幅SAR图像块，用本发明和现有GMM检索系统分别对选取的SAR图像块进行识别仿真，按照如下式<18>计算仿真结果的查准率precision：

precision＝n_c/n_s    <18>

式中，n_c表示系统返回的图像块中满足条件的图像块数目，n_s表示系统返回的图像块数目，仿真结果如图4所示，图4中横轴表示方法返回的图像块数量，纵轴表示平均查准率。

从图4中可以看出，本发明的整体平均识别精度要优于现有GMM检索系统。

仿真2.从图像库中随机选取80幅SAR图像块，用本发明和GMM检索系统分别对选取的SAR图像块进行识别仿真，计算仿真结果中每一种语义类别的查准率，结果如图5所示，其中要求返回图像块数量为35。横轴表示各语义类别，纵轴表示查准率。

从图5中可以看出，每种语义类别，本发明的识别精度要优于现有GMM检索系统。

综上，在针对SAR图像识别问题上，本发明不论是整体查准率还是各语义类别的查准率，均优于现有的GMM检索系统。

Claims (9)

1.一种基于多尺度模糊测度与半监督学习的SAR图像识别方法，包括如下步骤：

1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p₁,p₂,…p_τ,…,p_N}，从该图像库中按照目标单一原则挑选图像块{p₁,p₂,…p_θ,…,p_l}，其中l＜＜N,1≤τ≤N,1≤θ≤l，N表示图库中的SAR图像块个数，l表示挑选出的SAR图像块个数，p_τ表示图库中的某幅SAR图像块，p_θ表示挑选出的某幅SAR图像块，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；

2)提取所有图像块的平稳小波三层变换的子带能量，作为图像块的特征向量其中， $\stackrel{\&OverBar;}{n}=10;$

3)将挑选出的SAR图像块{p₁,p₂,…p_θ,…,p_l}按照语义内容分成{c_i,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对SAR图像库{p₁,p₂,…p_τ,…,p_N}进行分类，得到具有类标的SAR图像库；

4)对用户输入的查询图像块p'，采用与步骤2)相同的方法提取其特征向量f'，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类别数c_i；

5)根据步骤4)得到的类别数c_i及经验混淆矩阵，计算查询图像块的类别集合{c}：

5a)在已分类的SAR图像库中，随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈R^k×k，该混淆矩阵Con是方阵，其中第i行第j列元素Con(i,j)表示属于c_i类的样本被分为c_j类的个数，1≤i≤k，1≤j≤k；

5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈R^k×k；

5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；

5d)根据查询图像块的类别数c_i，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；

6)计算查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度；

7)按照步骤6)得到的多尺度区域模糊相似度，以从大到小的顺序返回用户需要数量的图像，完成图像识别。

2.根据权利要求1所述的SAR图像识别方法，其中步骤6)所述的计算查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度，按如下步骤进行：

6a)选取尺度集合s＝{s_s1,…,s_sa,…s_sn}，其中sn表示尺度个数，s_sa表示某一尺度值，s1≤sa≤sn；

6b)对于图像块p与查询图像块p'，分别以s_sa×s_sa区域大小为单位，计算离散小波一层变换的高频子带能量和灰度特征并用作为分割特征，利用自适应的k-means算法进行聚类，得到s_sa尺度下图像块p纹理区域集及查询图像块p'的纹理区域集其中，分别表示图像块p与查询图像块p'在s_sa尺度下利用纹理特征分割后的各区域，1≤h≤m，1≤o≤n，m表示图像块p的纹理区域的个数，n表示查询图像块p'的纹理区域的个数；

6c)计算图像块p在s_sa尺度下各纹理区域的模糊平均距离并计算查询图像块p'在s_sa尺度下各纹理区域的模糊平均距离根据得到的纹理区域模糊平均距离和计算图像块p各纹理区域与查询图像块p'各纹理区域在s_sa尺度下的纹理模糊相似度

6d)对于图像块p与查询图像块p'，利用s_sa尺度的Prewitt算子及二值分割法得到s_sa尺度下图像块p的边缘区域集及查询图像块p'的边缘区域集 分别表示图像块p与查询图像块p'在s_sa尺度下利用边缘特征分割后的各区域，其中v＝1,2，z＝1,2；

6e)计算图像块p在s_sa尺度下各边缘区域模糊平均距离并计算查询图像块p'在s_sa尺度下各边缘区域的模糊平均距离根据得到的边缘区域模糊平均距离和计算图像块p各边缘区域与查询图像块p'各边缘区域在s_sa尺度下的边缘模糊相似度

6f)根据6c)和6e)得到的s_sa尺度纹理模糊相似度和s_sa尺度边缘模糊相似度计算图像块p与查询图像块p'在s_sa尺度下的模糊相似度ufm^sa；

6g)按步骤6b)至6f)的方法，计算出图像块p与查询图像块p'所有尺度下的模糊相似度ufm＝{ufm^s1,…,ufm^sa,…,ufm^sn}；

6h)根据6g)得到的所有尺度下的模糊相似度ufm，计算查询图像块p'与图像块p的多尺度区域模糊相似度msufm：

$\mathrm{msufm}=\underset{i_s=s1}{\overset{\mathrm{sn}}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{i_s}\&CenterDot;{\mathrm{ufm}}^{i_s},$

其中，表示s_sa尺度模糊相似度ufm^sa的权值，并且

6l)重复步骤6a)至6h)，计算出查询图像块p'与图库中属于类别集合{c}中所有图像块的多尺度区域模糊相似度。

3.根据权利要求2所述的SAR图像识别方法，其中所述步骤6c)中计算图像块p在s_sa尺度下各纹理区域模糊平均距离通过如下公式计算：

其中，为图像块p中纹理区域的平均特征向量，为图像块p中纹理区域的平均特征向量，1≤h₁,h₂≤m，m表示图像块p的纹理区域的个数。

4.根据权利要求2所述的SAR图像识别方法，其中所述步骤6c)中计算查询图像块p'在s_sa尺度下各纹理区域的模糊平均距离通过如下公式计算：

其中，为查询图像块p'中纹理区域的平均特征向量，为查询图像块p'中纹理区域的平均特征向量，1≤o₁,o₂≤n，n表示查询图像块p'的纹理区域的个数。

5.根据权利要求2所述的SAR图像识别方法，其中所述步骤6c)中计算图像块p各纹理区域与查询图像块p'各纹理区域在s_sa尺度下的纹理模糊相似度通过如下公式计算：

其中，表示图像块p在s_sa尺度下各纹理区域模糊平均距离，表示查询图像块p'在s_sa尺度下各纹理区域的模糊平均距离。

6.根据权利要求2所述的SAR图像识别方法，其中所述步骤6e)中计算图像块p在s_sa尺度下各边缘区域模糊平均距离通过如下公式计算：

其中，为图像块p中边缘区域的平均特征向量，为图像块p中边缘区域的平均特征向量。

7.根据权利要求2所述的SAR图像识别方法，其中所述步骤6e)中计算查询图像块p'在s_sa尺度下各边缘区域模糊平均距离通过如下公式计算：

其中，为查询图像块p'中边缘区域的平均特征向量，为查询图像块p'中边缘区域的平均特征向量。

8.根据权利要求2所述的SAR图像识别方法，其中所述步骤6e)中计算图像块p各纹理区域与查询图像块p'各边缘区域在s_sa尺度下的边缘模糊相似度通过如下公式计算：

其中，表示图像块p在s_sa尺度下各边缘区域模糊平均距离，表示查询图像p'在s_sa尺度下各边缘区域模糊平均距离。

9.根据权利要求2所述的SAR图像识别方法，其中所述步骤6f)图像块p与查询图像块p'在s_sa尺度下的模糊相似度ufm^sa，通过如下公式计算：

${\mathrm{ufm}}^{\mathrm{sa}}={\mathrm{\&rho;}}_t\left({\mathrm{\&omega;}}_t{\stackrel{\&RightArrow;}{L}}_t^{\mathrm{sa}}\right)+{\mathrm{\&rho;}}_e\left({\mathrm{\&omega;}}_e{\stackrel{\&RightArrow;}{L}}_e^{\mathrm{sa}}\right),$

其中，ρ_t表示纹理区域模糊相似度的权值，ρ_e表示边缘区域模糊相似度的权值，且ρ_t+ρ_e＝1，ω_t表示纹理区域重要性因子，ω_e表示边缘区域重要性因子，ω_t和ω_e可通过如下公式计算：

${\mathrm{\&omega;}}_t={[(1-\mathrm{\&lambda;}){\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{at}}+\mathrm{\&lambda;}{\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{bt}}]}^T,$

${\mathrm{\&omega;}}_e={[(1-\mathrm{\&lambda;}){\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{ae}}+\mathrm{\&lambda;}{\stackrel{\&RightArrow;}{\mathrm{\&omega;}}}_{\mathrm{be}}]}^T,$

其中，和分别表示纹理区域的面积分布和中心分布权值，和分别表示边缘区域的面积分布和中心分布权值，λ表示平衡因子，0≤λ≤1。