CN105608692B - 基于反卷积网络和稀疏分类的极化sar图像分割方法 - Google Patents
基于反卷积网络和稀疏分类的极化sar图像分割方法 Download PDFInfo
- Publication number
- CN105608692B CN105608692B CN201510953343.4A CN201510953343A CN105608692B CN 105608692 B CN105608692 B CN 105608692B CN 201510953343 A CN201510953343 A CN 201510953343A CN 105608692 B CN105608692 B CN 105608692B
- Authority
- CN
- China
- Prior art keywords
- sar image
- sketch
- region
- pixel
- represent
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于反卷积网络和稀疏分类的极化SAR图像分割方法,主要解决现有技术需要依靠人工经验提取特征的问题。其实现步骤是:1.依次提取极化SAR图像的功率图和素描图;2.利用素描图提取极化SAR图像功率图的区域图;3.在极化SAR图像对应的聚集区域中提取样本;4.利用聚集区域中的样本对反卷积网络进行训练,并利用训练得到的滤波器构造相似性矩阵;5.利用相似性矩阵分割聚集区域;6.分别对匀质区域和结构区域进行分割;7.合并聚集区域、匀质区域和结构区域的分割结果,得到分割后的极化SAR图像。本发明的分割结果具有较好的区域一致性,且提高了极化SAR图像的分割效果,可用于目标检测和识别。
Description
技术领域
本发明属于图像处理和遥感技术领域,涉及极化SAR图像的分割方法。可用于后续的极化合成孔径雷达SAR图像的目标检测与识别。
背景技术
极化合成孔径雷达SAR图像分割是指将图像划分成若干个特定的、具有独特性质的区域的过程。极化合成孔径雷达SAR图像分割的目的是提取出感兴趣的目标和区域并用于后续的目标检测和识别。极化合成孔径雷达SAR图像分割是图像理解与解译的基础,分割质量的好坏直接影响到后续的分析和识别的工作。
现有的极化合成孔径雷达SAR图像分割方法主要分为三种:第一种是基于极化统计分布特性的分割方法;第二种是基于极化电磁波散射特性的分割方法;第三种是结合极化统计分布特性和极化电磁波散射特性的分割方法。基于极化统计分布特性的分割方法主要有:1988年,Kong等人提出了单视极化SAR图像的极大似然ML分类器;1994年,Lee等人根据极化协方差矩阵满足复wishart分布的特点,提出了有监督的极化SAR图像分割方法。基于极化电磁波散射特性的分割方法主要有:1989年,VanZyl等人提出了一种基于奇次散射、偶次散射和体散射三种散射机理的非监督分类方法;1999年,Lee等人在H/α分类方法的基础上结合统计分布引入了Wishart分类器。结合极化统计分布特性和极化电磁波散射特性的分割方法有:2004年,Lee等人提出了利用Freeman分解得到的3种极化散射机理成分的功率进行初始分类,并通过Wishart迭代进行合并与类别修正的分割方法。
上述方法虽然都能够很好的利用极化SAR数据的统计特征和散射机理进行图像分割,但是由于这些方法采用的都是人为指定的基于像素的特征并不能自动提取极化SAR数据空间的关系特征来进行图像的分割。因此,上述传统的极化SAR图像的分割方法存在很多的缺陷:一是人为指定的特征不能够代表极化SAR数据最本质的特征,没有挖掘地物之间所具有的更深层次的结构关系;二是同一地物的区域一致性不好,对具有明暗相间的地物很难将其分为一类。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于反卷积网络和稀疏分类的极化SAR图像分割方法,以提高极化合成孔径雷达SAR图像的分割效果。
为实现上述目的,本发明的技术方案如下:
(1)输入待分割的极化SAR图像的数据,对该极化SAR图像进行Pauli分解,得到极化SAR图像相干矩阵对角线三个通道的幅度值,将三个通道幅度值相加得到极化SAR图像的功率图,对极化SAR图像功率图进行素描化;
(2)根据极化SAR图像功率图的素描图提取区域图,并根据区域图将极化SAR图像映射为聚集区域、匀质区域和结构区域;
(3)对聚集区域进行分割:
(3a)对聚集区域中的各个互不连通的区域分别进行采样,并利用采样得到的样本对反卷积网络进行无监督的训练,得到表征各个互不连通区域结构特征的滤波器集合;
(3b)利用提取到的各个互不连通区域的滤波器集合构造字典,结合字典构造相似性矩阵;
(3c)利用相似性矩阵合并相似的聚集区域,得到聚集区域的分割结果;
(4)对匀质区域进行分割;
(5)对结构区域进行分割,提取出孤立目标和边界;
(6)将聚集区域、匀质区域和结构区域的分割结果进行合并,得到分割后的极化SAR图像。
本发明与现有技术相比具有如下优点:
1.本发明由于利用极化SAR图像功率图的素描图对线段包含的语义信息进行分析,提出了基于线段语义信息分析的区域划分技术,在素描图上能有效的提取线段的聚集区域,克服了现有技术对聚集区域分割结果区域一致性不好的问题,提高了极化SAR图像的分割精度。
2.本发明由于构造了一个4层的反卷积网络提取特征,克服了现有技术对极化合成孔径雷达SAR图像进行分割使用的特征都是人为指定的缺点,使得本发明能自动提取图像的特征,比人工提取更加省时省力。
3.本发明由于对空间上不连通的各个区域分别训练一个反卷积网络,使用极化SAR三通道的数据作为输入,克服了现有技术提取图像特征没有关注图像中像素间的空间关系并且没有充分利用极化信息的缺点,使得本发明所提取的特征更能代表图像中物体的本质特征,提高了分割的精度。
附图说明
图1是本发明的实现流程图;
图2是本发明实验使用的原始图像;
图3是用本发明方法从图2中提取的区域图;
图4是用本发明对图3的聚集区域的分割结果图;
图5是用本发明对图3的匀质区域的分割结果图;
图6是用本发明对图2的最终分割结果图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步的详细描述。
参照附图1,本发明的实现步骤如下。
步骤1,素描化极化合成孔径雷达SAR图像。
输入待分类的极化SAR图像的数据对极化SAR数据进行处理,得到协方差矩阵;融
合协方差矩阵对角线元素三个通道幅度值,得到极化SAR图像的功率图;
根据SAR素描模型采用Jie-Wu等人于2014年发表在IEEE Transactions onGeoscience and Remote Sensing杂志上的文章《Local maximal homogenous regionsearch for SAR speckle reduction with sketch-based geometrical kernelfunction》中所提出的模型,提取极化SAR图像功率图的素描图。其提取步骤如下:
(1a)构造具有不同方向和尺度的边、线模板,并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18;
(1b)按照下式,计算模板不同区域对应在极化合成孔径雷达SAR图像中像素的均值和方差:
其中,μ表示区域Ω对应在极化合成孔径雷达SAR图像中像素的均值,Ω表示模板中的一个区域,g表示区域Ω中一个像素点的位置,∈表示属于符号,∑表示求和操作,wg表示区域Ω中位置g处的权重系数,wg的取值范围为wg∈[0,1],Ag表示区域Ω中位置g对应在极化合成孔径雷达SAR图像中的像素值,ν表示区域Ω与极化合成孔径雷达SAR图像中对应像素的方差;
(1c)按照下式,计算极化合成孔径雷达SAR图像中每个像素对比值算子的响应值:
其中,R表示极化合成孔径雷达SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中任意两个不同区域的编号,μa和μb分别表示区域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值;
(1d)按照下式,计算极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值:
其中,C表示极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中任意两个不同区域的编号,νa和νb分别表示区域a和区域b对应在极化合成孔径雷达SAR图像中像素的方差,μa和μb分别表示区域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值,表示平方根操作;
(1e)按照下式,融合极化合成孔径雷达SAR图像中像素对比值算子的响应值和极化合成孔径雷达SAR图像中像素对相关性算子的响应值,计算极化合成孔径雷达SAR图像中每个像素对各个模板的响应值:
其中,F表示极化合成孔径雷达SAR图像中每个像素对各个模板的响应值,R和C分别表示极化合成孔径雷达SAR图像中像素对比值算子和极化合成孔径雷达SAR图像中像素对相关性算子的响应值,表示平方根操作;
(1f)选择具有最大响应值的模板作为极化合成孔径雷达SAR图像中像素的模板,并将最大响应值作为该像素的功率,将具有最大响应值的模板的方向作为该像素的方向,获得极化合成孔径雷达SAR图像的边线响应图和方向图;
(1g)利用极化合成孔径雷达SAR图像中每个像素所选择的模板,获得极化合成孔径雷达SAR图像的梯度图;
(1h)按照下式,将归一化到[0,1]的边线响应图与归一化到[0,1]的梯度图进行融合,得到功率图:
其中,I表示功率图中的功率值,x表示边线响应图中的值,y表示梯度图中的值;
(1i)采用非极大值抑制方法,对功率图进行检测,得到建议草图;
(1j)选取建议草图中具有最大强度的像素,将建议草图中与该最大功率的像素连通的像素连接形成建议线段,得到建议素描图;
(1k)按照下式,计算建议素描图中素描线的编码长度增益CLG:
其中,CLG表示建议素描图中素描线的编码长度增益,∑表示求和操作,m表示当前素描线邻域中像素的个数,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的假设下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的假设下,该素描线邻域中第t个像素的估计值;
(1L)设定阈值T,T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中的素描线,获得输入极化合成孔径雷达SAR图像对应的素描图。
步骤2,提取极化合成孔径雷达SAR图像的区域。
本发明使用的提取极化合成孔径雷达SAR图像区域的方法,参见袁嘉林等人的专利《基于区域标记与灰度统计的SAR图像目标检测方法》,其具体步骤如:
(2a)将两素描线线段之间的距离定义为两线段中点的欧式距离,用线段K近邻的平均距离表示素描线的聚集度,并根据聚集度将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线;
(2b)对素描线段的聚集度进行直方图统计,将直方图统计波峰的值定义为最优聚集度;
(2c)选取聚集度等于最优聚集度的素描线段作为种子线段集{Ek,k=1,2,...,m},其中Ek表示种子线段集中的任一条素描线段,k表示种子线段集中任一条素描线段的标号,m为线段的总条数,{·}表示集合操作;
(2d)对种子线段集{Ek,k=1,2,...,m}中的素描线段依次采用递归的区域生长的策略,求解出新的素描线段集合{Lk,k=1,2,...,n},其中Lk表示新的素描线段集合中任一条素描线段,k表示新的素描线段集合中任一条素描线段的标号,n为线段的总条数,{·}表示集合操作;
(2.5)使用半径为最优聚集度区间上界的圆形基元,对素描线段集合Lk中的线段进行膨胀,对膨胀后的线段集合由外向内进行腐蚀,得到区域图中的聚集区域;
(2.6)对表示边界、线目标以及孤立目标的素描线,以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域,并标记该区域为区域图中的结构区域;
(2.7)将素描图中除去聚集区域和结构区域以外的部分作为无素描的线段,并标记该部分为区域图中的不可素描区域;
(2.8)将区域图中的聚集区域、结构区域和不可素描区域映射到极化合成孔径雷达SAR图像功率图上,得到极化合成孔径雷达SAR图像功率图的聚集区域、结构区域和匀质区域。
步骤3,对聚集区域中的各个互不连通的区域分别进行采样。
(3.1)输入极化SAR图像,对极化SAR图像进行Pauli分解,得到表示极化SAR图像相干矩阵对角线三个通道幅度值和上三角阵三个通道相位值的图像;
(3.2)制定21×21的窗口大小,在每个聚集区域对应的极化SAR三个通道幅度图像和相位图像中用逐点划窗的方式提取样本。
步骤4,利用每个聚集区域的样本对反卷积网络进行无监督训练,得到表征各个互不连通区域结构特征的滤波器集合。
所述的训练反卷积网络的方法,参见Matthew D.Zeiler等人于2010年发表在会议Computer Vision and Pattern Recognition上的文章《Deconvolutional Networks》,其具体步骤如:
(4.1)构造一个4层反卷积网络,其中第1层为输入层,第2层为反卷积层,包含9个7×7大小的滤波器以及9个37×37大小的特征图,9个7×7大小的滤波器组成一个滤波器组,第3层为反卷积层,包含45个7×7大小的滤波器和45个43×43大小的特征图,45个7×7大小的滤波器组成一个滤波器组,第4层为反卷积层,包含100个7×7大小的滤波器和100个49×49大小的特征图,100个7×7大小的滤波器组成一个滤波器组;
(4.2)将聚集区域中各个互不连通区域的三通道的幅度图采样样本和相位图采样样本分别输入到反卷积网络中;
(4.3)固定反卷积网络中特征图和滤波器的值,通过解决一个一维最优化问题,得到反卷积网络中辅助变量的值,一维最优化问题描述为:
其中Y代表辅助变量的值,Z代表特征图的值,β为参数;
(4.4)固定反卷积网络中辅助变量和滤波器的值,通过使用共轭梯度法进行求解,得到反卷积网络中特征图的值;
(4.5)固定反卷积网络中特征图和辅助变量的值,通过使用梯度下降法进行求解,得到反卷积网络中滤波器的值。
步骤5,利用提取到的各个互不连通区域的滤波器集合构造字典,结合字典构造相似性矩阵。
(5.1)提取聚集区域最后一层的100个7×7大小的幅度滤波器和相位滤波器进行融合,将两组滤波器进行对应相加,得到表示该聚集区域的一个滤波器组,将所有聚集区域的滤波器组进行组合得到整个聚集区域的字典D;
(5.2)按照投影公式,将一个聚集区域的滤波器组中的100个滤波器分别对字典进行投影,得到滤波器对字典的投影值d,对100个滤波器对字典的投影值求取平均值,得到表示该聚集区域的向量X:
X=(x1,x2,x3,...xi...x100),
其中xi代表第i个滤波器对字典投影值的平均值,i=1,2…100:
所述的投影公式如下:
其中,d表示滤波器对字典的投影值,d的取值范围为[0,1],F表示聚集区域的一个滤波器,D表示字典,·表示点积操作,||·||表示求模操作;
(5.3)计算每两个聚集区域向量之间的余弦距离cosθi,j:
其中xi和yi分别代表两个聚集区域的向量表示。
步骤6,利用相似性矩阵合并相似的聚集区域,得到聚集区域的分割结果。
(6.1)利用计算到的每两个聚集区域之间的的余弦距离构造相似性矩阵C,该相似性矩阵中的元素ci,j代表第i个聚集区域与第j个聚集区域之间的距离;
(6.2)利用构造的相似性矩阵,采用基于图割的谱聚类结合AP聚类的算法,对相似的聚集区域进行合并,得到最终的聚集区域的分割结果。
步骤7,利用H/α/A-Wishart分类方法对匀质区域进行分类。
所述的H/α/A-Wishart分类方法,参见Cloude等人于1999年发表在期刊IEEETransactions Geoscience and Remote Sensing上的文章《UnsupervisedClassification using Polarimetric Decomposition and the Complex WishartDistribution》,其具体的步骤如:
(7.1)提取极化合成孔径雷达SAR图像数据的相干矩阵T;
(7.2)对提取到的相干矩阵T进行特征值分解:
其中,U表示由相干矩阵T的3个特征向量U1、U2、U3组成的特征矩阵,λ1、λ2、λ3表示矩阵T的特征值,且λ1、λ2、λ3满足关系λ1≥λ2≥λ3≥0,UT表示相干矩阵T的转置矩阵;
(7.3)提取极化数据的极化熵H、反熵A和平均散射角α:
α=P1α1+P2α2+P3α3,
其中,Pi表示散射过程i的相对散射强度,i=1,2,3:
λi表示相干矩阵T的特征值,且满足λ1≥λ2≥λ3≥0,α1、α2、α3表示相干矩阵T的3个特征向量U1、U2、U3对应的散射角:
αi=arccos(abs(Ui)),
其中arccos表示取反余弦操作,abs表示取绝对值操作,i=1,2,3;
(7.4)利用提取到的极化熵H、反熵A和平均散射角α作为特征进行wishart分类,得到最终的匀质区域的分割结果。
步骤8,对结构区域进行分割。
(8.1)采用分水岭算法,将结构区域分割成超像素;
(8.2)在极化合成孔径雷达SAR图像的素描图中,将平行且距离小于7个像素的两条素描线确定为第一类线目标素描线,将第一类线目标素描线之间的超像素进行合并,作为第一类线目标;
(8.3)在极化合成孔径雷达SAR图像的初始素描图中,将素描线两边属于同一区域的素描线确定为第二类线目标素描线,将第二类线目标素描线两边各扩一个像素作为第二类线目标,将其它素描线作为刻画边界的素描线;
(8.4)对除了线目标和边界所覆盖的超像素以外的各个超像素,将其与相邻且wishart距离之差小于25的超像素进行合并,直到不存在相邻且wishart距离之差小于25的两个超像素为止;
(8.5)将7.4中合并的各个超像素,分别合并到与该超像素wishart距离最小且小于25的匀质区域中,得到结构区域的分割结果。
步骤9,利用步骤6得到的聚集区域和步骤7得到的匀质区域,以及步骤8得到的结构区域,得到分割后的极化合成孔径雷达SAR图像。
下面结合仿真图对本发明做进一步的描述。
1.仿真条件:
本发明仿真的硬件条件为:window7,CPU Core i5-3230M,基本频率为2.6GHZ;软件平台为:MatlabR2012a;本发明仿真所使用的极化合成孔径雷达SAR图像为:NASA/JPLAIRSAR L波段的全极化SanFrancisco数据。
2.仿真内容:
发明的仿真实验是对如图2所示的SanFrancisco极化合成孔径雷达SAR图像进行分割。
仿真步骤1,对图2进行区域提取,得到如图3所示的区域图。
仿真步骤2,对图3中的聚集区域进行分割,得到图4所示的聚集区域分割结果图,其中颜色相同的区域表示同一种地物,颜色不同的区域表示不同的地物。
仿真步骤3,对图3中的匀质区域进行分割,得到图5所示的匀质区域的分割结果图,其中颜色相同的区域表示同一种地物,颜色不同的区域表示不同的地物。
仿真步骤4,对图3中的结构区域进行分割,并将结构区域的分割结果与匀质区域和聚集区域的分割结果进行合并,得到如图6所示的最终的极化合成孔径雷达SAR图像分割结果图,其中颜色相同的区域表示同一种地物,颜色不同的区域表示不同的地物。
3.仿真效果分析:
通过上述图6所示的SanFrancisco图的分割结果可以看到,使用本发明方法对极化合成孔径雷达SAR图像进行分割可以提高分割的精度,分割结果中的区域一致性更好。
Claims (5)
1.一种基于反卷积网络和稀疏分类的极化SAR图像分割方法,包括如下步骤:
(1)输入待分割的极化SAR图像的数据,对该极化SAR图像进行Pauli分解,得到极化SAR图像相干矩阵对角线三个通道的幅度值,将三个通道幅度值相加得到极化SAR图像的功率图,对极化SAR图像功率图进行素描化;
(2)根据极化SAR图像功率图的素描图提取区域图,并根据区域图将极化SAR图像映射为聚集区域、匀质区域和结构区域;
(3)对聚集区域进行分割:
(3a)对聚集区域中的各个互不连通的区域分别进行采样,并利用采样得到的样本对反卷积网络进行无监督的训练,得到表征各个互不连通区域结构特征的滤波器集合;
(3b)利用提取到的各个互不连通区域的滤波器集合构造字典,结合字典构造相似性矩阵:
(3b1)提取聚集区域最后一层的100个7×7大小的幅度信息的滤波器和相位信息的滤波器,将两组滤波器进行对应相加,得到表示该聚集区域的一个滤波器组,将所有聚集区域的滤波器组进行组合得到整个聚集区域的字典D;
(3b2)按照投影公式,将一个聚集区域的滤波器组中的100个滤波器分别对字典进行投影,得到滤波器对字典的投影值d,对100个滤波器对字典的投影值求取平均值,得到表示该聚集区域的向量X:
X=(x1,x2,x3,...xi...,x100),
其中xi代表第i个滤波器对字典投影值的平均值,i=1,2…100:
所述的投影公式如下:
其中,d表示滤波器对字典的投影值,d的取值范围为[0,1],F表示聚集区域的一个滤波器,D表示字典,·表示点积操作,||·||表示求模操作;
(3b3)计算每两个聚集区域向量之间的余弦距离cosθi,j:
其中xi和yi分别代表两个聚集区域的第i个滤波器对字典投影值的平均值;
(3c)利用相似性矩阵合并相似的聚集区域,得到聚集区域的分割结果;
(4)对匀质区域进行分割;
(5)对结构区域进行分割,提取出孤立目标和边界;
(6)将聚集区域、匀质区域和结构区域的分割结果进行合并,得到分割后的极化SAR图像。
2.根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法,其特征在于:其中步骤(1)中对极化SAR图像功率图进行素描化,按如下步骤进行:
(1a)构造具有不同方向和尺度的边、线模板,并利用模板的方向和尺度信息构造各向异性高斯函数来计算该模板中每一点的加权系数,其中尺度个数取值为3~5,方向个数取值为18;
(1b)按照下式,计算模板不同区域对应在极化合成孔径雷达SAR图像中像素的均值和方差:
其中,μ表示区域Ω对应在极化合成孔径雷达SAR图像中像素的均值,Ω表示模板中的一个区域,g表示区域Ω中一个像素点的位置,∈表示属于符号,∑表示求和操作,wg表示区域Ω中位置g处的权重系数,wg的取值范围为wg∈[0,1],Ag表示区域Ω中位置g对应在极化合成孔径雷达SAR图像中的像素值,ν表示区域Ω与极化合成孔径雷达SAR图像中对应像素的方差;
(1c)按照下式,计算极化合成孔径雷达SAR图像中每个像素对比值算子的响应值:
其中,R表示极化合成孔径雷达SAR图像中每个像素对比值算子的响应值,min{·}表示求最小值操作,a和b分别表示模板中任意两个不同区域的编号,μa和μb分别表示区域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值;
(1d)按照下式,计算极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值:
其中,C表示极化合成孔径雷达SAR图像中每个像素对相关性算子的响应值,a和b分别表示模板中任意两个不同区域的编号,νa和νb分别表示区域a和区域b对应在极化合成孔径雷达SAR图像中像素的方差,μa和μb分别表示区域a和区域b与极化合成孔径雷达SAR图像中对应像素的均值,表示平方根操作;
(1e)按照下式,融合极化合成孔径雷达SAR图像中像素对比值算子的响应值和极化合成孔径雷达SAR图像中像素对相关性算子的响应值,计算极化合成孔径雷达SAR图像中每个像素对各个模板的响应值:
其中,F表示极化合成孔径雷达SAR图像中每个像素对各个模板的响应值,R和C分别表示极化合成孔径雷达SAR图像中像素对比值算子和极化合成孔径雷达SAR图像中像素对相关性算子的响应值,表示平方根操作;
(1f)选择具有最大响应值的模板作为极化合成孔径雷达SAR图像中像素的模板,并将最大响应值作为该像素的功率,将具有最大响应值的模板的方向作为该像素的方向,获得极化合成孔径雷达SAR图像的边线响应图和方向图;
(1g)利用极化合成孔径雷达SAR图像中每个像素所选择的模板,获得极化合成孔径雷达SAR图像的梯度图;
(1h)按照下式,将归一化到[0,1]的边线响应图与归一化到[0,1]的梯度图进行融合,得到功率图:
其中,I表示功率图中的功率值,x表示边线响应图中的值,y表示梯度图中的值;
(1i)采用非极大值抑制方法,对功率图进行检测,得到建议草图;
(1j)选取建议草图中具有最大功率的像素,将建议草图中与该最大功率的像素连通的像素连接形成建议线段,得到建议素描图;
(1k)按照下式,计算建议素描图中素描线的编码长度增益CLG:
其中,CLG表示建议素描图中素描线的编码长度增益,∑表示求和操作,m表示当前素描线邻域中像素的个数,t表示当前素描线邻域中像素的编号,At表示当前素描线邻域中第t个像素的观测值,At,0表示在当前素描线不能表示结构信息的假设下,该素描线邻域中第t个像素的估计值,ln(·)表示以e为底的对数操作,At,1表示在当前素描线能够表示结构信息的假设下,该素描线邻域中第t个像素的估计值;
(1l)设定阈值T,T的取值范围为5~50,选择CLG>T的建议素描线作为最终素描图中的素描线,获得输入极化合成孔径雷达SAR图像对应的素描图。
3.根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法,其特征在于:步骤(2)中根据极化SAR图像功率图的素描图提取区域图,并根据区域图将极化SAR图像映射为聚集区域、匀质区域和结构区域的步骤如下:
(2a)将两素描线之间的距离定义为两线段中点的欧式距离,用线段K近邻的平均距离表示素描线的聚集度,并根据聚集度将素描线划分为表示聚集地物的聚集素描线和表示边界、线目标以及孤立目标的素描线;
(2b)根据素描线聚集度的直方图统计,选取聚集度等于最优聚集度的素描线作为种子线段集{Ek,k=1,2,...,l},其中Ek表示种子线段集中的任一条素描线,k表示种子线段集中任一条素描线的标号,l为线段的总条数,{·}表示集合操作;
(2c)如果种子线段集{Ek,k=1,2,...,l}中的素描线段没有被添加进某个线段集合,则以素描线Ek为基点递归的求解新的线段集合;
(2d)使用半径为最优聚集度区间上界的圆形基元,对线段集合中的线段进行膨胀,对膨胀后的线段集合由外向内进行腐蚀,得到区域图中的聚集区域;
(2e)对表示边界、线目标以及孤立目标的素描线,以每个素描线的每个素描点为中心构造大小为5×5的几何结构窗获得结构区域,并标记该区域为区域图中的结构区域;
(2f)将素描图中除去聚集区域和结构区域以外的部分作为无素描的线段,并标记该部分为区域图中的不可素描区域;
(2g)将区域图中的聚集区域、结构区域和不可素描区域映射到极化合成孔径雷达SAR图像功率图上,得到极化合成孔径雷达SAR图像功率图的聚集区域、结构区域和匀质区域。
4.根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法,其特征在于:步骤(3a)中对聚集区域中的各个互不连通的区域分别进行采样,并利用采样得到的样本对反卷积网络进行无监督的训练,按如下步骤进行:
(3a1)对极化SAR图像进行Pauli分解,得到表示极化SAR图像相干矩阵对角线三通道幅度值和上三角阵三通道相位值的图像;
(3a2)制定21×21的窗口大小,在每个聚集区域对应的极化SAR三个通道幅度图像和相位图中用逐点划窗的方式提取样本;
(3a3)构造一个4层反卷积网络,其中第1层为输入层;第2层为反卷积层,包含9个7×7大小的滤波器以及9个37×37小的特征图,9个7×7大小的滤波器组成一个滤波器组;第3层为反卷积层,包含45个7×7大小的滤波器和45个43×43大小的特征图,45个7×7大小的滤波器组成一个滤波器组;第4层为反卷积层,包含100个7×7大小的滤波器和100个49×49大小的特征图,100个7×7大小的滤波器组成一个滤波器组;
(3a4)将聚集区域中各个互不连通区域的三通道幅度图和相位图的采样样本分别输入到反卷积网络中;
(3a5)固定反卷积网络中特征图和滤波器的值,通过解决一个一维最优化问题,得到反卷积网络中辅助变量的值;
(3a6)固定反卷积网络中辅助变量和滤波器的值,通过解决一个线性系统最优化问题,得到反卷积网络中特征图的值;
(3a7)固定反卷积网络中特征图和辅助变量的值,通过使用梯度下降法,得到反卷积网络中滤波器的值。
5.根据权利要求1所述的基于反卷积网络和稀疏分类的极化SAR图像分割方法,其特征在于:步骤(3c)中利用相似性矩阵,合并相似的聚集区域,步骤如下:
(3c1)利用计算到的每两个聚集区域之间的余弦距离构造相似性矩阵C,该相似性矩阵中的元素ci,j代表第i个聚集区域与第j个聚集区域之间的距离;
(3c2)利用构造的相似性矩阵,采用基于图割的谱聚类结合AP聚类的方法,对相似的聚集区域进行合并,得到最终的聚集区域的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510953343.4A CN105608692B (zh) | 2015-12-17 | 2015-12-17 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510953343.4A CN105608692B (zh) | 2015-12-17 | 2015-12-17 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608692A CN105608692A (zh) | 2016-05-25 |
CN105608692B true CN105608692B (zh) | 2018-05-04 |
Family
ID=55988608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510953343.4A Active CN105608692B (zh) | 2015-12-17 | 2015-12-17 | 基于反卷积网络和稀疏分类的极化sar图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608692B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018076212A1 (zh) * | 2016-10-26 | 2018-05-03 | 中国科学院自动化研究所 | 基于反卷积神经网络的场景语义分割方法 |
CN108073977A (zh) * | 2016-11-14 | 2018-05-25 | 耐能股份有限公司 | 卷积运算装置及卷积运算方法 |
CN106846322B (zh) * | 2016-12-30 | 2019-06-21 | 西安电子科技大学 | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 |
CN106611420B (zh) * | 2016-12-30 | 2019-06-18 | 西安电子科技大学 | 基于反卷积网络和素描图方向约束的sar图像分割方法 |
CN106611421B (zh) * | 2016-12-30 | 2019-06-21 | 西安电子科技大学 | 基于特征学习和素描线段约束的sar图像分割方法 |
CN106683102B (zh) * | 2016-12-30 | 2019-07-23 | 西安电子科技大学 | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 |
CN107180434B (zh) * | 2017-05-23 | 2019-10-18 | 中国地质大学(武汉) | 基于超像素和分形网络演化算法的极化sar图像分割方法 |
CN107507209B (zh) * | 2017-08-07 | 2020-10-23 | 西安理工大学 | 极化sar图像的素描图提取方法 |
CN108681999B (zh) * | 2018-05-22 | 2022-05-31 | 浙江理工大学 | 基于深度卷积神经网络模型的sar图像目标形状生成方法 |
CN108764330A (zh) * | 2018-05-25 | 2018-11-06 | 西安电子科技大学 | 基于超像素分割和卷积反卷积网络的sar图像分类方法 |
CN109034250A (zh) * | 2018-07-31 | 2018-12-18 | 佛山科学技术学院 | 一种航天器监测大数据的信息表征系统 |
CN109316188A (zh) * | 2018-09-30 | 2019-02-12 | 上海海事大学 | 一种偏头痛脑功能连接模式的提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN104392456A (zh) * | 2014-12-09 | 2015-03-04 | 西安电子科技大学 | 基于深度自编码器和区域图的sar图像分割方法 |
CN104463882A (zh) * | 2014-12-15 | 2015-03-25 | 西安电子科技大学 | 基于形状补全区域图和特征编码的sar图像分割方法 |
-
2015
- 2015-12-17 CN CN201510953343.4A patent/CN105608692B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN104392456A (zh) * | 2014-12-09 | 2015-03-04 | 西安电子科技大学 | 基于深度自编码器和区域图的sar图像分割方法 |
CN104463882A (zh) * | 2014-12-15 | 2015-03-25 | 西安电子科技大学 | 基于形状补全区域图和特征编码的sar图像分割方法 |
Non-Patent Citations (2)
Title |
---|
SAR Image Segmentation Using Unsupervised Spectral regression and Gabor Filter Bank;Gholamreza Akbarizadeh等;《IKT2015 7th International Conference on Information and Knowledge Technology》;20151005;第1-4页 * |
基于多尺度图分解的极化SAR图像分割算法;李贺等;《测绘科学》;20140131;第39卷(第1期);第110-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105608692A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN104915636B (zh) | 基于多级框架显著性特征的遥感影像道路识别方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN106611420B (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN106683102B (zh) | 基于脊波滤波器和卷积结构学习模型的sar图像分割方法 | |
CN106611421B (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
CN105427313B (zh) | 基于反卷积网络和自适应推理网络的sar图像分割方法 | |
CN107341813B (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN105608690A (zh) | 一种基于图论和半监督学习相结合的图像分割方法 | |
CN106651884B (zh) | 基于素描结构的平均场变分贝叶斯sar图像分割方法 | |
CN107403434A (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
CN109993803A (zh) | 城市色调的智能分析与评价方法 | |
CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN108710862A (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN105931241A (zh) | 一种自然场景图像的自动标注方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |