CN107506699A - 一种基于纹理特征和dbn的sar图像分类方法 - Google Patents

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

一种基于纹理特征和DBN的SAR图像分类方法

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。