CN108537102A - 基于稀疏特征与条件随机场的高分辨sar图像分类方法 - Google Patents
基于稀疏特征与条件随机场的高分辨sar图像分类方法 Download PDFInfo
- Publication number
- CN108537102A CN108537102A CN201810072110.7A CN201810072110A CN108537102A CN 108537102 A CN108537102 A CN 108537102A CN 201810072110 A CN201810072110 A CN 201810072110A CN 108537102 A CN108537102 A CN 108537102A
- Authority
- CN
- China
- Prior art keywords
- data block
- sar image
- block
- pixel
- training
- 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.)
- Granted
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏特征与条件随机场的高分辨SAR图像分类方法,主要解决现有技术对复杂场景下的分类精度低和边界保持不准确的问题。其方案是:1.输入高分辨SAR图像,并从中选取构建训练数据块集合,训练稀疏特征提取算法的系统参数;2.提取SAR图像块稀疏特征,并训练logistics分类器,得到图像的分类后验概率构建一元势能函数;3.利用二值边缘划分图和边缘强度图融合后的边界约束图,构建二元势能函数;4.利用一元势能函数和二元势能函数,形成完整的全连接条件随机场模型,对该模型进行推理得到分类结果。本发明提高了高分辨SAR图像复杂场景及边缘细节的分类精度,可用于SAR图像地物分类。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及高分辨SAR图像分类方法,可用于对高分辨SAR图像进行地物分类和目标识别。
背景技术
合成孔径雷达SAR是一种全天时、全天候的主动微波对地观测成像系统,如今通过机载平台、TerraSAR-X、F-SAR卫星等可以获取到高分辨SAR图像,高分辨SAR图像分类作为SAR图像解译和分析的重要环节,实现像素级别的图像分类是一个重要任务。
现有的SAR图像分类方法主要集中于基于特征的分类方法和基于图模型的分类方法。基于传统特征提取方法如统计特征包括均值、方差、异质系数等,纹理描述特征包含灰度共生矩阵、高斯马尔可夫场模型;变换域的方法如Gabor滤波模版、小波变换等。但由于传统特征的设计费时费力,不具备自适应性,已不能有效适应于大幅复杂场景图像判别信息提取和分类。因此需从高分辨SAR图像中提取有效和高度判别的特征用于分类。
基于图模型的方式考虑了局部特征之间的相关性,能有效提升局部邻域分类的一致性,并具有描述精确边缘的能力,如MRF能够在贝叶斯框架下整合空间标记和似然项来学习空间关系进行图像分类;CRF模型是一种判别式无向图模型,它能释放MRF中观测数据条件独立的假设,有效地描述单点像素特征信息以及邻域像素的类标和特征相关性,实现SAR图像的分类。高分辨SAR图像的每一分辨单元仅包含一个或少数几个散射单元,由此仅考虑局部低阶邻域的传统CRF模型已不能有效用于高分辨SAR图像,其模型推理过程会消耗大量时间,不能有效的进行分割和分类。
高分辨SAR图像中包含有更加复杂的空间和结构场景信息,且受到乘性斑点噪声的干扰。无监督特征学习方法不同于人工设计特征,利用大量无标记数据来自适应的学习图像的高级别特征表达。许多深度学习模型,如自编码器,限制玻尔兹曼机,稀疏滤波已经应用到SAR图像分类当中,这些算法能自主学习数据的抽象表示,得到更具判别性的特征表达,但这些算法由于有大量参数需要调节,并且没有充分考虑图像局部特征之间的相关性,使得真实边缘位置的分类结果模糊不准确,无法得到精细的分割结果。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于稀疏特征与边缘约束条件随机场的高分辨SAR图像分类方法,以实现SAR图像中复杂场景的有效分类,并进一步提升SAR图像中真实边缘位置的分类准确度。
本发明的技术思路是:在全连接条件随机场的模型框架下,通过稀疏特征学习算法提取SAR图像的局部和全局特征,训练logistic分类器,构建模型的一元势能函数,实现SAR图像中复杂场景的有效分类;通过引入具有边缘约束能力的边缘强度图来构建二元势能函数,来纠正由斑点噪声引起的误分类位置标记和提高SAR图像中边缘细节位置的分类准确度,其实现方案包括如下:
(1)输入高分辨SAR图像Y,Y={y1,...,yi,...,yN},yi为像素点i的灰度值, i=1,2,...,N,N为图像像素点总数。
(2)选取训练降噪数据块集合D和训练数据块的邻域块集合Dr,r=1,...,S,S为选取的邻域块集合个数;
(3)提取SAR图像块特征:
3a)根据稀疏特征学习算法模型,利用数据块集合D和数据块的邻域块集合Dr, r=1,...,S来训练系统参数W;
3b)将SAR图像划分为n×n大小的非重叠像素块,以像素块中点为中心,选取尺寸为Lw×Lw的邻域图像块Q,利用系统参数W求邻域图像块Q的稀疏特征映射图F,提取特征映射图的全局特征f1和局部特征f2,得到像素块的特征表达:f=[f1,f2];
(4)从上述3b)划分好的像素块中选取部分像素块作为训练样本,并提取每个训练样本对应的特征向量,训练logistic分类器;
(5)在全连接条件随机场模型中构建一元势能函数:
5a)将3b)中划分的所有像素块作为测试样本,按照3b)的方法提取每个测试样本对应的特征向量,输入训练好的logistic分类器中分类,得到SAR图像初始分类标记的后验概率图P。
5b)利用后验概率图P,构建全连接条件随机场模型的一元势能函数:
ψu(xi)=-logPi(xi|fi),
其中Pi(xi|fi)为第i个像素点标记的后验概率矩阵,xi∈[1,...,k,...,l]指当前像素的类别标记,fi表示像素点i所在像素块的特征表达;
(6)在全连接条件随机场模型中构建二元势能函数:
6a)对SAR图像进行边缘检测,得到二值边缘划分图R1;
6b)利用加权平均比率算子获取SAR图像的边缘强度图R2,并将其与图R1相乘融合,得到边缘约束强度图
6c)利用边缘约束强度图构建条件随机场的二元势能函数:
其中,和分别表示第i个和第j个位置的边缘强度值,pi和pj分别表示第i个和第j个点的空间坐标,ω1和ω2分别表示高斯核的权重参数,θα,θβ,θγ分别表示高斯核的尺度参数;当xi=xj时,μ(xi,xj)=0,当xi≠xj时,μ(xi,xj)=1;
(7)根据上述一元和二元势能函数,形成完整的全连接条件随机场模型:
其中,Z(Y)是归一化常数,X是图像分类标记图,X={x1,...,xi,...,xN},xi为像素点i的类别标记,xi∈[1,...,k,...,l];
(8)对全连接条件随机场模型P(X|Y)进行推理,得到图像像素类别标记,输出最终分类图像。
本发明与现有技术相比具有以下优点:
本发明由于在全连接条件随机场的模型框架下,利用无监督稀疏特征学习算法训练适应于SAR图像特性的滤波器,提取SAR图像块的稀疏特征并进行分类,构建一元势能函数,相比于传统特征能够有效克服斑点噪声的影响和空间信息利用不足的限制;同时由于本发明引入了边界约束的边缘强度图,构建二元势能函数,并通过条件随机场模型推理,能快速有效地纠正SAR图像一元势能函数分类过程中,由噪声引起的一致性区域误分类和真实边缘位置分类模糊的问题,提高了分类精度。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真实验中采用的高分辨SAR图像;
图3是对图2进行真实类别的手工标记图;
图4是对图2采用现有稀疏特征提取方法得到的分类结果图;
图5是对图2利用现有条件随机场方法得到的分类结果图;
图6是对图2利用本发明中稀疏特征提取方法得到的分类结果图;
图7是本发明对图2分类得到的结果图。
具体实施方式
下面结合附图对本发明的具体实施方式和效果作进一步描述:
参照图1,本发明的实施步骤如下:
步骤1.输入待分类的高分辨SAR图像。
本实例输入的待分类的高分辨SAR图像Y为256灰度级图像,每个像素点i的灰度值yi为从0到255范围内取整,将SAR图像Y中包含的像素点总数记为N,则该SAR 图像Y表示为:Y={y1,...,yi,...,yN},i=1,2,...,N。
步骤2.选取训练降噪数据块集合和训练数据块的邻域块集合。
2a)从SAR图像Y中随机地选取M个尺寸为w×w的训练数据块,其中M设置为 30000,w设为7,针对每一个数据块dm,以其坐标位置为中心,选取一个边长为s的搜索框,在方框内选取与数据块dm最为相似的K个数据块计算所有数据块与dm的相似度权重
其中,k′表示数据dm内的像素点位置,Ω表示数据块内的像素点集合,dm(k′)表示数据块dm在k′处的灰度值,ζ为尺度参数,本实例中ζ设置为200,边长s设为27,相似数据块的个数K设为25;
采用权重平均的方式对数据块dm降噪,得到降噪后的数据块
2b)对上述随机选取的M个训练数据块按步骤2a)进行降噪处理,得到M个降噪后的数据块对每个降噪数据块进行全局对比度归一化,得到训练降噪数据块集合
2c)针对每一个数据块dm,以其坐标位置为中心,分别从8邻域方向平移1像素单位,提取8个尺寸为w×w邻域数据块设置邻域块集合个数S为9,联合数据块dm和8个邻域数据块对每个数据块进行全局对比度归一化,构成该数据块dm的邻域块集合
2d)对上述随机选取的M个训练数据块按步骤2c)进行邻域图像块选取,得到M个数据块dm的邻域数据块集合从r=1开始,将M个邻域数据块组合成邻域块集合直到r=S,最终得到S个训练数据块的邻域块集合
步骤3.提取SAR图像块特征。
3a)定义降噪数据块的特征矩阵:H=f(DbW+b),特征矩阵H的尺寸为Nb×Nh,矩阵Db的尺寸Nb×w2,W为系统参数,其尺寸为w2×Nh,定义邻域数据块的特征矩阵:特征矩阵Hr的尺寸为Nb×Nh,矩阵的尺寸Nb×w2,其中Db和为每批训练数据块样本,Db是从降噪数据块集合D中随机选取得到,是从训练数据块的邻域块集合Dr中随机选取得到,Nb为每批训练数据块个数,Nh为特征单元的数目, Nb设置为200,Nh设置为200,b为偏置,f为映射函数,选取logistic非线性函数;
3b)构建稀疏目标矩阵T:
首先,构建一个与同尺寸的全零矩阵定义尺寸为1×Nh的全零矩阵其中用hj′表示特征矩阵H的第i′行第j′列的特征响应值,i′∈{1,2,...,Nb},j′∈{1,2,...,Nh},aj′为矩阵a在索引位置j′处的值;
然后,从i′=1开始,计算特征矩阵H第i′行中第j′列的特征差值hj′-aj′,把hj′-aj′最大值对应列的索引位置记为k′,k′=arg maxj′(hj′-aj′),k′∈{1,2,...,Nh},将矩阵T第i′行中第k′列的值Ti′,k′设置为1,即Ti′,k′=1,同时令矩阵a在对应列的索引位置k′处的值ak′更新为:直到i′=Nb,完成对特征矩阵H所有行的计算,形成稀疏目标矩阵T;
3c)构造稀疏特征提取算法的损失函数:
常用的稀疏特征提取算法的损失函数构造方法有稀疏自编码器算法,稀疏限制玻尔兹曼机算法,正交匹配追踪稀疏编码算法等,本实例利用3a)定义的降噪数据块的特征矩阵H,邻域数据块的特征矩阵Hr,以及3b)中构建的稀疏目标矩阵T,构造稀疏特征提取算法的损失函数:
3d)交替更新系统参数W和稀疏目标矩阵T,使用梯度下降法对损失函数E进行优化,当损失函数E的误差小于10-6次方时,停止优化,得到训练好的系统参数W;
3e)将SAR图像划分为n×n的非重叠像素块,以像素块中点为中心,选取尺寸为 Lw×Lw的邻域图像块Q,n设置为5,Lw设置为51,利用系统参数W对图像块Q进行卷积,得到稀疏特征映射图对特征映射图F的每一维特征图,求它的均值和方差,作为全局特征表达f1,对特征映射图进行尺寸为 ((Lw-w+1)/2)×((Lw-w+1)/2)大小的平均池化,并拉伸为行向量f2,作为像素块的局部稀疏特征表达,得到像素块的特征表达:f=[f1,f2]。
步骤4.训练logistic分类器。
常用的特征分类器有SVM分类器,神经网络分类器和logistic分类器等,本实例依据真实类别手工标记图3,从上述3e)步骤划分好的像素块中选取部分像素块作为训练样本,并提取每个训练样本对应的特征向量,每类地物训练样本个数设置为400,训练logistic分类器。
步骤5.在全连接条件随机场模型中构建一元势能函数。
5a)将3e)中划分的所有像素块作为测试样本,提取每个测试样本对应的特征向量,输入logistic分类器中分类,得到SAR图像初始分类标记的后验概率图P;
5b)利用后验概率图P,构建全连接条件随机场模型的一元势能函数:
其中,P={P1,...,Pi,...,PN},Pi为像素点i的后验概率矩阵,Pi={pi,1,...,pi,k,...,pi,l}, k∈{1,2,..,l},pi,k表示当前像素点i被分类为第k类的概率值,l表示类别总数,当xi=k 时,δ(xi,k)=1,当xi≠k时,δ(xi,k)=0。
步骤6.在全连接条件随机场模型中构建二元势能函数。
对SAR图像进行边缘划分的方法有分水岭算法、canny算子及区域生长算法,本实例采用基于边缘强度图的分水岭算法对SAR图像进行边缘划分,其步骤如下:
6a)对原始高分辨SAR图像Y采用均值比率算子进行边缘检测,得到对应的边缘强度图R,采用分水岭算法得到SAR图像的边缘二值划分图,边缘位置为1,其他位置为 0,将所有边缘点的尺寸为t×t的邻域内的值均设为1,t设置为5,形成二值边缘划分图 R1;
6b1)利用加权平均比率算子获取图像的边缘强度图R2,即首先定义用因果滤波器f1′和非因果滤波器f2′组成指数平滑滤波器,该平滑滤波器f′表达式如下所示:
其中,f1′(ρ)=cdρu(ρ),f2′(ρ)=cd-ρu(-ρ),d和c均为常数,0<d<1,c=1-d, u(ρ)为单位阶跃函数,ρ为自变量;
6b2)在水平方向上,使用滤波器f′对SAR图像进行逐列滤波,然后分别因果滤波器用f1′和非因果滤波器f2′进行逐行滤波分别得到水平方向的因果加权值μI1和非因果指数加权值μI2;
6b3)在竖直方向上,使用滤波器f′对SAR图像进行逐行滤波,然后分别用因果滤波器f1′和非因果滤波器f2′进行逐列滤波,得到竖直方向的因果指数加权值μJ1和非因果指数加权值μJ2;
6b4)利用上述四个指数加权值μI1,μI2,μJ1和μJ2,得到SAR图像第行第列处像素点在水平方向对应的边缘强度和在竖直方向对应的边缘强度
6b5)根据以下公式计算得到SAR图像第行第列处的边界强度值
6c)将边缘划分图R1和边缘强度图R2相乘融合,得到边界约束的强度图
6d)利用边缘约束强度图构建条件随机场的二元势能函数:
其中,和分别表示第i个和第j个位置的边缘强度值,pi和pj分别表示第i个和第j个点的空间坐标,ω1和ω2分别表示高斯核的权重参数,θα,θβ,θγ分别表示高斯核的尺度参数,当xi=xj时,μ(xi,xj)=0,当xi≠xj时,μ(xi,xj)=1;,ω1,ω2,θα,θβ,θγ的取值由实验交叉验证确定。
步骤7.构建全连接条件随机场后验概率模型。
通过上述获得的每一像素位置处的一元势能函数和二元势能函数,构建整个全连接条件随机场后验概率模型,利用吉布斯随机场概率公式计算SAR图像在全连接条件随机场模型的全局后验概率为:
其中Z(Y)是归一化常数。
步骤8.对全连接条件随机场模型推理。
对条件随机场模型推理常用的方法有迭代条件模式推理、模拟退火、吉布斯采样和均值场推理算法等,本实例为了计算全连接条件随机场模型精确的后验概率分布 P(X|Y),利用均值场推理算法对全连接条件随机场模型进行推理,其步骤如下:
8a)通过最小化一个新概率分布模型与模型P(X|Y)的KL散度距离,实现模型对模型P(X|Y)的近似计算,其中模型可表达为每一像素点后验概率分布的乘积,即 为像素点i的近似后验概率矩阵, 表示当前像素点i被分类为第k类的近似后验概率值;
8b)计算任一像素点的近似后验概率矩阵将近似后验概率矩阵中最大概率值所对应的类别作为像素点i的分类标记;
8c)对SAR图像中所有像素点按步骤8b)进行处理,得到最终分类结果。
本发明效果可以通过以下仿真进一步说明:
1.仿真实验条件
本发明的仿真是在主频3.2GHz Intel(R)Core(TM)i5-6500CPU、内存12GB的硬件环境和MATLAB R20014a的软件环境下进行的。
本发明仿真所使用的SAR图像为:中国大陆某区域分辨率在1m以下的高分辨SAR图像,图像的尺寸为1800×3000。
2.仿真内容与结果分析
仿真1,采用现有稀疏特征提取算法对图2所示的高分辨SAR图像进行分类,仿真结果如图4所示。从图4可以看出,现有稀疏特征算法能够大致分类每类地物,但受到斑点噪声的影响和同一地物阴影的干扰之后,仍然存在较多的误分类位置。
仿真2,采用现有条件随机场方法对图2所示的高分辨SAR图像进行分类,仿真结果如图5所示。从图5可以看出,现有条件随机场方法由于一元势能函数分类过程中采用了低级别特征,已经无法准确分类地物,引入条件随机场模型可以提升局部一致性结果,但初始分类结果的错误,导致后处理方式无法提升分类精度。
仿真3,采用本发明方法中稀疏特征提取算法对图2所示的高分辨SAR图像进行分类,仿真结果如图6所示。从图6可以看出,采用本发明提出的稀疏特征提取算法能够有效分类地物,虽然该特征优于现有稀疏特征提取算法,但仍存在一定的误分类区域,并且真实边缘位置分类还不够准确。
仿真4,采用本文发明方法对图2所示的高分辨SAR图像进行分类,仿真结果如图7所示。从图7可以看出,本发明能在斑点噪声干扰下,有效分类各类别地物区域,且能够在边缘区域有效保持边缘所属类别的准确性。
表1给出不同方法对每种类别的分类准确度和整体的分类精度的对比结果
从表1可见,本发明提出的基于稀疏特征与边界约束条件场的高分辨SAR图像分类方法能够有效提升高分辨SAR图像的分类精度,且局部邻域内的类别一致性保持较好,对于不同地物类别的分界区域,通过引入边界指导约束的条件场模型也能够有效的保持,提高了整体的分类准确度。
Claims (7)
1.一种基于稀疏特征与条件随机场的高分辨SAR图像分类方法,包括:
(1)输入高分辨SAR图像Y,Y={y1,...,yi,...,yN},yi为像素点i的灰度值,i=1,2,...,N,N为图像像素点总数。
(2)选取训练降噪数据块集合D和训练数据块的邻域块集合Dr,r=1,...,S,S为选取的邻域块集合个数;
(3)提取SAR图像块特征:
3a)根据稀疏特征学习算法模型,利用数据块集合D和数据块的邻域块集合Dr,r=1,...,S来训练系统参数W;
3b)将SAR图像划分为n×n大小的非重叠像素块,以像素块中点为中心,选取尺寸为Lw×Lw的邻域图像块Q,利用系统参数W求邻域图像块Q的稀疏特征映射图F,提取特征映射图的全局特征f1和局部特征f2,得到像素块的特征表达:f=[f1,f2];
(4)从上述3b)划分好的像素块中选取部分像素块作为训练样本,并提取每个训练样本对应的特征向量,训练logistic分类器;
(5)在全连接条件随机场模型中构建一元势能函数:
5a)将3b)中划分的所有像素块作为测试样本,按照3b)的方法提取每个测试样本对应的特征向量,输入训练好的logistic分类器中分类,得到SAR图像初始分类标记的后验概率图P。
5b)利用后验概率图P,构建全连接条件随机场模型的一元势能函数:
ψu(xi)=-logPi(xi|fi),
其中Pi(xi|fi)为第i个像素点标记的后验概率矩阵,xi∈[1,...,k,...,l]指当前像素的类别标记,fi表示像素点i所在像素块的特征表达;
(6)在全连接条件随机场模型中构建二元势能函数:
6a)对SAR图像进行边缘检测,得到二值边缘划分图R1;
6b)利用加权平均比率算子获取SAR图像的边缘强度图R2,并将其与图R1相乘融合,得到边缘约束强度图
6c)利用边缘约束强度图构建全连接条件随机场的二元势能函数:
其中,和分别表示第i个和第j个位置的边缘强度值,pi和pj分别表示第i个和第j个点的空间坐标,ω1和ω2分别表示高斯核的权重参数,θα,θβ,θγ分别表示高斯核的尺度参数;当xi=xj时,μ(xi,xj)=0,当xi≠xj时,μ(xi,xj)=1;
(7)根据上述一元和二元势能函数,形成完整的全连接条件随机场模型:
其中,Z(Y)是归一化常数,X是图像分类标记图,X={x1,...,xi,...,xN},xi为像素点i的类别标记,xi∈[1,...,k,...,l];
(8)利用均值场推理算法对全连接条件随机场模型P(X|Y)进行推理,得到图像像素类别标记,输出最终分类图像。
2.根据权利要求1所述的方法,其特征在于:步骤(2)中选取训练降噪数据块集合D和训练数据块的邻域块集合Dr,r=1,...,S,按如下步骤进行:
2a)从SAR图像Y中随机地选取M个尺寸为w×w的训练数据块,针对每一个数据块dm,以其坐标位置为中心,选取一个边长为s的搜索框,在方框内选取与数据块dm最为相似的K个数据块u=1,...,K,计算所有数据块与dm的相似度权重
其中,k′表示数据dm内的像素点位置,Ω表示数据块内的像素点集合,dm(k′)表示数据块dm在k′处的灰度值,ζ为尺度参数。
采用权重平均的方式对数据块dm降噪,得到降噪后的数据块
2b)对上述随机选取的M个训练数据块按步骤2a)进行降噪处理,得到M个降噪后的数据块m={1,2,...,M},对每个降噪数据块进行全局对比度归一化,得到训练降噪数据块集合
2c)针对每一个数据块dm,以其坐标位置为中心,分别从8邻域方向平移1像素单位,提取8个尺寸为w×w邻域数据块r′=1,...,8,设置邻域块集合个数S为9,联合数据块dm和8个邻域数据块对每个数据块进行全局对比度归一化,构成该数据块dm的邻域块集合r=1,...,S;
2d)对上述随机选取的M个训练数据块按步骤2c)进行邻域图像块选取,得到M个数据块dm的邻域数据块集合m={1,2,...,M},从r=1开始,将M个邻域数据块组合成邻域块集合直到r=S,最终得到S个训练数据块的邻域块集合
3.根据权利要求1所述的方法,其特征在于:所述步骤(3a)中根据稀疏特征学习算法模型,利用数据块集合D和数据块的邻域块集合Dr训练系统参数W,按如下步骤进行:
3a1)定义降噪数据块的特征矩阵H:H=f(DbW+b),W为系统参数,定义邻域数据块的特征矩阵Hr:
其中Db和为每批训练数据块样本,Db是从降噪数据块集合D中随机选取得到,是从训练数据块的邻域块集合Dr中随机选取得到,Nb为每批训练数据块个数,Nh为特征单元的数目,b为偏置,f为映射函数,选取logistic非线性函数;
3a2)构建稀疏目标矩阵T:
首先,构建一个与同尺寸的全零矩阵定义尺寸为1×Nh的全零矩阵其中用hj′表示特征矩阵H的第i′行第j′列的特征响应值,i′∈{1,2,...,Nb},j′∈{1,2,...,Nh},aj′为矩阵a在索引位置j′处的值;
然后,从i′=1开始,计算特征矩阵H第i′行中第j′列的特征差值hj′-aj′,把hj′-aj′最大值对应列的索引位置记为k′,k′=arg maxj′(hj′-aj′),k′∈{1,2,...,Nh},将矩阵T第i′行中第k′列的值Ti′,k′设置为1,即Ti′,k′=1,同时令矩阵a在对应列的索引位置k′处的值ak′更新为:直到i′=Nb,完成对特征矩阵H所有行的计算,形成稀疏目标矩阵T;
3a3)利用3a1)定义的降噪数据块的特征矩阵H,邻域数据块的特征矩阵Hr,以及3a2)中构建的稀疏目标矩阵T,构造稀疏特征提取算法的损失函数:
3a4)交替更新系统参数W和稀疏目标矩阵T,使用梯度下降法对损失函数E进行优化,当损失函数E的误差小于10-6次方时,停止优化,得到训练好的系统参数W。
4.根据权利要求1所述的方法,其特征在于:步骤(3b)中利用系统参数W求邻域图像块Q的稀疏特征映射图F,提取特征映射图的全局特征f1和局部特征f2,其步骤如下:
3b1)利用系统参数W对图像块Q进行重叠卷积,得到特征映射图F;
3b2)对特征映射图F的每一维特征图求均值和标准差,作为全局稀疏特征表达f1;
3b3)对特征映射图F每一维进行平均池化,并拉伸为行向量f2,作为局部稀疏特征表达。
5.根据权利要求1所述的方法,其特征在于:所述(5b)中利用后验概率图P,构建全连接条件随机场模型的一元势能函数ψu(xi),其表示如下:
其中,P={P1,...,Pi,...,PN},Pi为像素点i的后验概率矩阵,Pi={pi,1,...,pi,k,...,pi,l},k∈{1,2,..,l},pi,k表示当前像素点i被分类为第k类的概率值,l表示类别总数,当xi=k时,δ(xi,k)=1,当xi≠k时,δ(xi,k)=0。
6.根据权利要求1所述的方法,其特征在于:步骤(6b)中利用加权平均比率算子获取SAR图像的边缘强度图R2,按如下步骤进行:
6b1)定义用因果滤波器f′1和非因果滤波器f′2组成指数平滑滤波器,该平滑滤波器f′表达式如下所示:
其中,f′1(ρ)=cdρu(ρ),f′2(ρ)=cd-ρu(-ρ),d和c均为常数,0<d<1,c=1-d,u(ρ)为单位阶跃函数,ρ为自变量;
6b2)在水平方向上,使用滤波器f′对SAR图像进行逐列滤波,然后分别因果滤波器用f′1和非因果滤波器f′2进行逐行滤波分别得到水平方向的因果加权值μI1和非因果指数加权值μI2;
6b3)在竖直方向上,使用滤波器f′对SAR图像进行逐行滤波,然后分别用因果滤波器f′1和非因果滤波器f′2进行逐列滤波,得到竖直方向的因果指数加权值μJ1和非因果指数加权值μJ2;
6b4)利用上述四个指数加权值μI1,μI2,μJ1和μJ2,得到SAR图像第行第列处像素点在水平方向对应的边缘强度和在竖直方向对应的边缘强度
6b5)根据以下公式计算得到SAR图像第行第列处的边界强度值
7.根据权利要求1所述的方法,其特征在于:步骤(8)中利用均值场推理算法对全连接条件随机场模型P(X|Y)进行推理,按如下步骤进行:
8a)通过最小化一个新概率分布模型与模型P(X|Y)的KL散度距离,实现模型对模型P(X|Y)的近似计算,其中模型可表达为每一像素点后验概率分布的乘积,即为像素点i的近似后验概率矩阵,表示当前像素点i被分类为第k类的近似后验概率值;
8b)计算任一像素点的近似后验概率矩阵将近似后验概率矩阵中最大概率值所对应的类别作为像素点i的分类标记;
8c)对SAR图像中所有像素点按步骤8b)进行处理,得到最终分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810072110.7A CN108537102B (zh) | 2018-01-25 | 2018-01-25 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810072110.7A CN108537102B (zh) | 2018-01-25 | 2018-01-25 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537102A true CN108537102A (zh) | 2018-09-14 |
CN108537102B CN108537102B (zh) | 2021-01-05 |
Family
ID=63486046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810072110.7A Active CN108537102B (zh) | 2018-01-25 | 2018-01-25 | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537102B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726356A (zh) * | 2019-01-17 | 2019-05-07 | 西安电子科技大学 | 一种动态视觉传感器的地址事件流数据去噪方法 |
CN109871829A (zh) * | 2019-03-15 | 2019-06-11 | 北京行易道科技有限公司 | 一种基于深度学习的检测模型训练方法和装置 |
CN110110618A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
CN110322409A (zh) * | 2019-06-14 | 2019-10-11 | 浙江大学 | 一种基于标记图的改进型小波变换图像融合方法 |
CN110533679A (zh) * | 2019-07-29 | 2019-12-03 | 西安电子科技大学 | 基于对数变换与伽柏卷积的sar图像边缘检测方法 |
CN110602527A (zh) * | 2019-09-12 | 2019-12-20 | 北京小米移动软件有限公司 | 视频处理方法、装置及存储介质 |
CN110826599A (zh) * | 2019-10-16 | 2020-02-21 | 电子科技大学 | 一种稀疏表示样本分布边界保持特征提取方法 |
CN110956221A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 |
CN111539284A (zh) * | 2020-04-16 | 2020-08-14 | 西安科技大学 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
CN112801238A (zh) * | 2021-04-15 | 2021-05-14 | 中国科学院自动化研究所 | 一种图像分类方法、装置、电子设备及存储介质 |
CN113240025A (zh) * | 2021-05-19 | 2021-08-10 | 电子科技大学 | 一种基于贝叶斯神经网络权重约束的图像分类方法 |
CN113269092A (zh) * | 2021-05-26 | 2021-08-17 | 中国石油大学(华东) | 基于多尺度条件对抗网络的海上溢油检测方法 |
CN113505710A (zh) * | 2021-07-15 | 2021-10-15 | 黑龙江工程学院 | 一种基于深度学习sar图像分类的图像选择的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010040668A1 (de) * | 2008-10-10 | 2010-04-15 | Adc Automotive Distance Control Systems Gmbh | Verfahren und einrichtung zur analyse von umgebungsobjekten und/oder umgebungsszenen, wie zur objekt- und szenenklassensegmentierung |
US20140333615A1 (en) * | 2013-05-11 | 2014-11-13 | Mitsubishi Electric Research Laboratories, Inc. | Method For Reconstructing 3D Scenes From 2D Images |
CN104637045A (zh) * | 2013-11-14 | 2015-05-20 | 重庆理工大学 | 一种基于超级像素层次特征的图像像素标号方法 |
CN104732552A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于非平稳条件场的sar图像分割方法 |
CN105574848A (zh) * | 2014-11-04 | 2016-05-11 | 诺基亚技术有限公司 | 用于对象的自动分割的方法和装置 |
CN105740894A (zh) * | 2016-01-28 | 2016-07-06 | 北京航空航天大学 | 一种高光谱遥感图像的语义标注方法 |
CN105844292A (zh) * | 2016-03-18 | 2016-08-10 | 南京邮电大学 | 一种基于条件随机场和二次字典学习的图像场景标注方法 |
-
2018
- 2018-01-25 CN CN201810072110.7A patent/CN108537102B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010040668A1 (de) * | 2008-10-10 | 2010-04-15 | Adc Automotive Distance Control Systems Gmbh | Verfahren und einrichtung zur analyse von umgebungsobjekten und/oder umgebungsszenen, wie zur objekt- und szenenklassensegmentierung |
US20140333615A1 (en) * | 2013-05-11 | 2014-11-13 | Mitsubishi Electric Research Laboratories, Inc. | Method For Reconstructing 3D Scenes From 2D Images |
CN104637045A (zh) * | 2013-11-14 | 2015-05-20 | 重庆理工大学 | 一种基于超级像素层次特征的图像像素标号方法 |
CN105574848A (zh) * | 2014-11-04 | 2016-05-11 | 诺基亚技术有限公司 | 用于对象的自动分割的方法和装置 |
CN104732552A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于非平稳条件场的sar图像分割方法 |
CN105740894A (zh) * | 2016-01-28 | 2016-07-06 | 北京航空航天大学 | 一种高光谱遥感图像的语义标注方法 |
CN105844292A (zh) * | 2016-03-18 | 2016-08-10 | 南京邮电大学 | 一种基于条件随机场和二次字典学习的图像场景标注方法 |
Non-Patent Citations (2)
Title |
---|
CAO G ET AL: "《A New Change-Detection Method in High-resolution Remote Sensing Images based on A Conditional Random Field Model》", 《RESEARCHGATE》 * |
王琼华: "《多分辨率遥感图像复合分类方法研究》", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726356A (zh) * | 2019-01-17 | 2019-05-07 | 西安电子科技大学 | 一种动态视觉传感器的地址事件流数据去噪方法 |
CN109871829B (zh) * | 2019-03-15 | 2021-06-04 | 北京行易道科技有限公司 | 一种基于深度学习的检测模型训练方法和装置 |
CN109871829A (zh) * | 2019-03-15 | 2019-06-11 | 北京行易道科技有限公司 | 一种基于深度学习的检测模型训练方法和装置 |
CN110110618A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
CN110322409A (zh) * | 2019-06-14 | 2019-10-11 | 浙江大学 | 一种基于标记图的改进型小波变换图像融合方法 |
CN110322409B (zh) * | 2019-06-14 | 2021-08-31 | 浙江大学 | 一种基于标记图的改进型小波变换图像融合方法 |
CN110533679B (zh) * | 2019-07-29 | 2021-09-03 | 西安电子科技大学 | 基于对数变换与伽柏卷积的sar图像边缘检测方法 |
CN110533679A (zh) * | 2019-07-29 | 2019-12-03 | 西安电子科技大学 | 基于对数变换与伽柏卷积的sar图像边缘检测方法 |
CN110602527A (zh) * | 2019-09-12 | 2019-12-20 | 北京小米移动软件有限公司 | 视频处理方法、装置及存储介质 |
US11288514B2 (en) | 2019-09-12 | 2022-03-29 | Beijing Xiaomi Mobile Software Co., Ltd. | Video processing method and device, and storage medium |
CN110826599A (zh) * | 2019-10-16 | 2020-02-21 | 电子科技大学 | 一种稀疏表示样本分布边界保持特征提取方法 |
CN110826599B (zh) * | 2019-10-16 | 2023-04-18 | 电子科技大学 | 一种稀疏表示样本分布边界保持特征提取方法 |
CN110956221A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 |
CN111539284B (zh) * | 2020-04-16 | 2023-02-28 | 西安科技大学 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
CN111539284A (zh) * | 2020-04-16 | 2020-08-14 | 西安科技大学 | 基于多核k均值和判别随机场的极化sar图像分类方法 |
CN112801238A (zh) * | 2021-04-15 | 2021-05-14 | 中国科学院自动化研究所 | 一种图像分类方法、装置、电子设备及存储介质 |
CN112801238B (zh) * | 2021-04-15 | 2021-07-27 | 中国科学院自动化研究所 | 一种图像分类方法、装置、电子设备及存储介质 |
CN113240025A (zh) * | 2021-05-19 | 2021-08-10 | 电子科技大学 | 一种基于贝叶斯神经网络权重约束的图像分类方法 |
CN113269092A (zh) * | 2021-05-26 | 2021-08-17 | 中国石油大学(华东) | 基于多尺度条件对抗网络的海上溢油检测方法 |
CN113505710B (zh) * | 2021-07-15 | 2022-06-03 | 黑龙江工程学院 | 一种基于深度学习sar图像分类的图像选择的方法及系统 |
CN113505710A (zh) * | 2021-07-15 | 2021-10-15 | 黑龙江工程学院 | 一种基于深度学习sar图像分类的图像选择的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108537102B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN106446933B (zh) | 基于上下文信息的多目标检测方法 | |
CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
Malinverni et al. | Hybrid object-based approach for land use/land cover mapping using high spatial resolution imagery | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106203523A (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类 | |
CN109815979B (zh) | 一种弱标签语义分割标定数据生成方法及系统 | |
CN105930815A (zh) | 一种水下生物检测方法和系统 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
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 | |
CN104616319B (zh) | 基于支持向量机的多特征选择目标跟踪方法 | |
CN107944370A (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
Valliammal et al. | A novel approach for plant leaf image segmentation using fuzzy clustering | |
CN106056627B (zh) | 一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法 | |
CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
Bhimavarapu et al. | Analysis and characterization of plant diseases using transfer learning | |
Wang et al. | A novel sparse boosting method for crater detection in the high resolution planetary image | |
CN103279944A (zh) | 一种基于生物地理优化的图像分割方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |