CN107506699A - 一种基于纹理特征和dbn的sar图像分类方法 - Google Patents
一种基于纹理特征和dbn的sar图像分类方法 Download PDFInfo
- Publication number
- CN107506699A CN107506699A CN201710652513.4A CN201710652513A CN107506699A CN 107506699 A CN107506699 A CN 107506699A CN 201710652513 A CN201710652513 A CN 201710652513A CN 107506699 A CN107506699 A CN 107506699A
- Authority
- CN
- China
- Prior art keywords
- image
- dbn
- image block
- sar
- sar image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于纹理特征和DBN的SAR图像分类方法,其实现过程是:将原始SAR数据转换成16级的灰度图像,用适当大小的窗口分别提取原始SAR图像和灰度图像中,以标记像素点为中心的图像块;分别计算灰度图像块的GLCM特征和原始数据图像块的GMRF特征,展开对应标记点的原始图像块矩阵,得到一维强度矢量,与GLCM特征、GMRF特征组合得到新的组合矢量;这些矢量作为训练样本输入到深度置信网络(DBN)中,通过逐层网络训练,自动学习数据特征,送入分类器得到分类结果。本发明引入了SAR图像的纹理结构信息辅助分类,提高了分类精度,可用于单极化SAR图像分类。
Description
技术领域
本发明涉及SAR图像处理领域,具体是一种基于纹理特征和DBN的SAR图像分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的成像雷达,具有全天时全天候、穿透云雨进行观测的能力。相比光学成像系统,SAR具有较高的方位分辨力,可以穿透地表和植被,获得其掩盖信息的优点。随着SAR数据的大量获取,SAR图像分类成为了近年来研究的热点方向之一,广泛应用在城市规划、海冰监测、军事侦察、应急灾害等领域。
目前,SAR图像的分类方法可以分为有监督和无监督两类。无监督分类方法主要包括聚类分析、wishart距离判别等。对于有监督的分类方法,需要标记一定数量的像素点作为训练样本,主要包括支持向量机(support vector machine,SVM)、神经网络(neuralnetwork,NN)和稀疏表示(sparse represented,SR)等。相对于无监督分类,有监督分类不需要假设数据服从的概率分布,同时也得到了更好的分类精度,因此有监督分类更广泛的应用于SAR图像分类。
深度置信网络(deep belief network,DBN)是Hinton等人在2006年提出的,包括无监督学习和有监督学习两个训练过程,可以逐层自动学习输入网络的数据特征,得到数据降维后的高级特征,送入分类器中获得分类结果。近年来,DBN在语音识别、图像识别和自然语言处理等领域都获得了成功的应用,带动了深度学习的研究热潮。
深度置信网络在其他领域的巨大成功,为SAR图像分类提供了新的研究思路。传统基于DBN的SAR图像分类方法,只是将以标记样本点为中心提取的图像块矩阵转换成一维矢量,送入DBN中进行训练得到分类结果,但此过程只利用了图像的信息,应用到单极化SAR图像分类中,实验发现存在分类精度不高的问题。由于SAR图像亮度范围较大,每种地物类型都有其独特的纹理特性,而这些纹理结构信息并没有被利用。因此本发明方法引入纹理特征来辅助SAR图像的分类,以提高分类精度。
发明内容
本发明的目的是提供一种基于纹理特征和DBN的SAR图像分类方法,旨在得到更理想的分类结果,以解决现有技术存在的问题。
为了达到上述目的,本发明所采用的技术方案为:
一种基于纹理特征和DBN的SAR图像分类方法,其特征在于包括以下步骤:
1)基于GLCM的纹理特征提取:
将SAR图像转换成16级的灰度图像,选择合适的窗口大小w×w,以灰度图像中所有标记的像素点为中心提取图像块;两像素距离d取1,计算每个图像块灰度共生矩阵(0°,45°,90°,135°)四个方向的能量、熵、对比度和相关性四个特征统计量,取四个方向的特征值统计量的均值和标准差,得到一个8维的GLCM特征矢量G;
2)基于GMRF的纹理特征提取:
选择与步骤1)中相同大小的窗口,对SAR图像中所有标记的像素点进行图像块提取;选择4阶邻域系统,计算每个图像块的高斯马尔科夫模型参数,得到的参数即为图像块的GMRF特征矢量M;
3)SAR图像地物特征矢量表达:
对SAR原始图像进行归一化,将步骤2)中提取的每个图像块展开得到一维强度特征矢量S,再另外将步骤1)和步骤2)中得到特征向量G和M分别归一化,与向量S组合得到新的特征矢量(S,G,M);
4)基于DBN模型的特征学习:
步骤3)中得到的组合特征矢量中,随机选择一定数量的特征矢量作为训练样本,输入到DBN的可见层中,经过多个RBM逐层迭代训练得到每层的预训练参数(w,a,b);然后将预训练得到的参数送入到BP网络中,对参数进行微调,得到最终的网络参数;
5)基于DBN模型的地物分类:
预测阶段,将没有被选中的组合矢量作为测试样本,送入已经训练好的网络中,得到分类结果。
与已有技术相比,本发明的有益效果体现在:
本发明引入了纹理信息来辅助SAR图像的分类,克服了传统基于DBN的SAR图像分类方法只利用了图像强度信息的不足;选择提取的GLCM纹理特征和GMRF纹理特征具有不相关性,在GLCM特征的基础,加入GMRF特征增加不同纹理区域的区分度;DBN通过逐层网络学习,可以自动提取到输入数据中的纹理特征和强度特征,获得有利于分类的高级特征,最终提高了SAR图像的分类精度。
附图说明
图1是本发明的基于纹理和DBN的SAR图像分类方法流程图。
图2是Flevoland地区SAR原始图像。
图3是Flevoland地区SAR图像的groundtruth图。
图4是基于DBN的SAR图像分类方法结果图。
图5是本发明中基于纹理和DBN的SAR图像分类方法结果图。
具体实施方式
如图1所示,一种基于纹理特征和DBN的SAR图像分类方法,包括以下步骤:
1)基于GLCM的纹理特征提取:
将SAR图像转换成16级的灰度图像,选择合适的窗口大小w×w,以灰度图像中所有标记的像素点为中心提取图像块;两像素距离d取1,计算每个图像块灰度共生矩阵(0°,45°,90°,135°)四个方向的能量、熵、对比度和相关性四个特征统计量,取四个方向的特征值统计量的均值和标准差,得到一个8维的GLCM特征矢量G;
2)基于GMRF的纹理特征提取:
选择与步骤1)中相同大小的窗口,对SAR图像中所有标记的像素点进行图像块提取;选择4阶邻域系统,计算每个图像块的高斯马尔科夫模型参数,得到的参数即为图像块的GMRF特征矢量M;
3)SAR图像地物特征矢量表达:
对SAR原始图像进行归一化,将步骤2)中提取的每个图像块展开得到一维强度特征矢量S,再另外将步骤1)和步骤2)中得到特征向量G和M分别归一化,与向量S组合得到新的特征矢量(S,G,M);
4)基于DBN模型的特征学习:
步骤3)中得到的组合特征矢量中,随机选择一定数量的特征矢量作为训练样本,输入到DBN的可见层中,经过多个RBM逐层迭代训练得到每层的预训练参数(w,a,b);然后将预训练得到的参数送入到BP网络中,对参数进行微调,得到最终的网络参数;
5)基于DBN模型的地物分类:
预测阶段,将没有被选中的组合矢量作为测试样本,送入已经训练好的网络中,得到分类结果。
至此,基于GLCM-GMRF纹理特征和深度置信网络的SAR图像分类基本完成。
以下通过单极化SAR图像实验进一步说明本发明的有效性。
单极化SAR图像分类对比实验:
1.实验设置:
实验数据来自RadarSAT-2卫星Flevoland地区数据,图像大小为1000*1400,极化方式为HH,如图2所示。groundtruth图如图3所示。GMRF邻域系统的阶数选定为4阶,DBN模型的参数设置如下:提取图像块窗口大小为27*27,网络层数为3层,每层网络的神经元个数为749-100-100,学习率设置为0.1,动量学习率设置为0.01,RBM迭代次数为10次,批处理样本数为20个,BP网络迭代次数为50次,随机选取了10000个样本点作为训练样本,剩下的529507个样本点作为测试样本。
2.结果分析:
本实验采用总体分类精度(OA)和kappa系数对本文和对比方法进行定量分析,结果如表1所示。
表1 Flevoland分类精度对比
从图4可以看出,基于DBN的SAR图像分类算法,分类结果不理想,误分类情况大量存在,类内有很多杂斑。
从图5可以看出,基于基于GLCM-GMRF纹理特征和深度置信网络的SAR图像分类算法,分类效果提升明显,类内杂斑现象明显得到改善。
Claims (1)
1.一种基于纹理特征和DBN的SAR图像分类方法,其特征在于包括以下步骤:
1)基于GLCM的纹理特征提取:
将SAR图像转换成16级的灰度图像,选择合适的窗口大小w×w,以灰度图像中所有标记的像素点为中心提取图像块;两像素距离d取1,计算每个图像块灰度共生矩阵(0°,45°,90°,135°)四个方向的能量、熵、对比度和相关性四个特征统计量,取四个方向的特征值统计量的均值和标准差,得到一个8维的GLCM特征矢量G;
2)基于GMRF的纹理特征提取:
选择与步骤1)中相同大小的窗口,对SAR图像中所有标记的像素点进行图像块提取;选择4阶邻域系统,计算每个图像块的高斯马尔科夫模型参数,得到的参数即为图像块的GMRF特征矢量M;
3)SAR图像地物特征矢量表达:
对SAR原始图像进行归一化,将步骤2)中提取的每个图像块展开得到一维强度特征矢量S,再另外将步骤1)和步骤2)中得到特征向量G和M分别归一化,与向量S组合得到新的特征矢量(S,G,M);
4)基于深度置信网络(DBN)模型的特征学习:
步骤3)中得到的组合特征矢量中,随机选择一定数量的特征矢量作为训练样本,输入到DBN的可见层中,经过多个RBM逐层迭代训练得到每层的预训练参数(w,a,b);然后将预训练得到的参数送入到BP网络中,对参数进行微调,得到最终的网络参数;
5)基于DBN模型的地物分类:
预测阶段,将没有被选中的组合矢量作为测试样本,送入已经训练好的网络中,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710652513.4A CN107506699A (zh) | 2017-08-02 | 2017-08-02 | 一种基于纹理特征和dbn的sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710652513.4A CN107506699A (zh) | 2017-08-02 | 2017-08-02 | 一种基于纹理特征和dbn的sar图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506699A true CN107506699A (zh) | 2017-12-22 |
Family
ID=60689707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710652513.4A Pending CN107506699A (zh) | 2017-08-02 | 2017-08-02 | 一种基于纹理特征和dbn的sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506699A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001780A (zh) * | 2018-06-22 | 2018-12-14 | 航天恒星科技有限公司 | 一种自适应的sar卫星海面舰船目标在轨检测方法 |
CN110210403A (zh) * | 2019-06-04 | 2019-09-06 | 电子科技大学 | 一种基于特征构造的sar图像目标识别方法 |
CN110414414A (zh) * | 2019-07-25 | 2019-11-05 | 合肥工业大学 | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104102928A (zh) * | 2014-06-26 | 2014-10-15 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
CN105701503A (zh) * | 2016-01-07 | 2016-06-22 | 西安电子科技大学 | 基于dbn模型的干涉sar图像分类方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
-
2017
- 2017-08-02 CN CN201710652513.4A patent/CN107506699A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104102928A (zh) * | 2014-06-26 | 2014-10-15 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
CN105701503A (zh) * | 2016-01-07 | 2016-06-22 | 西安电子科技大学 | 基于dbn模型的干涉sar图像分类方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
中国资源卫星应用中心编: "《中巴地球资源卫星02B星应用研究文集》", 31 October 2008, 中国宇航出版社 * |
张华: "遥感数据可靠性分类方法研究", 《万方数据知识服务平台》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001780A (zh) * | 2018-06-22 | 2018-12-14 | 航天恒星科技有限公司 | 一种自适应的sar卫星海面舰船目标在轨检测方法 |
CN110210403A (zh) * | 2019-06-04 | 2019-09-06 | 电子科技大学 | 一种基于特征构造的sar图像目标识别方法 |
CN110210403B (zh) * | 2019-06-04 | 2022-10-14 | 电子科技大学 | 一种基于特征构造的sar图像目标识别方法 |
CN110414414A (zh) * | 2019-07-25 | 2019-11-05 | 合肥工业大学 | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 |
CN110414414B (zh) * | 2019-07-25 | 2022-02-18 | 合肥工业大学 | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
Zhang et al. | Airport detection on optical satellite images using deep convolutional neural networks | |
Yang et al. | Towards real-time traffic sign detection and classification | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN105913076B (zh) | 基于深度方向波网络的极化sar图像分类方法 | |
CN104537393B (zh) | 一种基于多分辨率卷积神经网络的交通标志识别方法 | |
CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN110210362A (zh) | 一种基于卷积神经网络的交通标志检测方法 | |
CN104463193B (zh) | 基于深度稀疏ica的极化sar图像分类方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN105069478B (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
CN112800980B (zh) | 一种基于多层次特征的sar目标识别方法 | |
CN106056157A (zh) | 基于空‑谱信息的高光谱图像半监督分类方法 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN109766835A (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN104680180B (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN107506699A (zh) | 一种基于纹理特征和dbn的sar图像分类方法 | |
CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
CN106326938B (zh) | 基于弱监督学习的sar图像目标鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |