CN108932526B - 基于素描结构特征聚类的sar图像样本块选择方法 - Google Patents

基于素描结构特征聚类的sar图像样本块选择方法 Download PDF

Info

Publication number
CN108932526B
CN108932526B CN201810583495.3A CN201810583495A CN108932526B CN 108932526 B CN108932526 B CN 108932526B CN 201810583495 A CN201810583495 A CN 201810583495A CN 108932526 B CN108932526 B CN 108932526B
Authority
CN
China
Prior art keywords
sample
block
sketch
sample block
cluster center
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
Application number
CN201810583495.3A
Other languages
English (en)
Other versions
CN108932526A (zh
Inventor
刘芳
李玲玲
马丽
焦李成
郭雨薇
古晶
陈璞花
马文萍
马晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810583495.3A priority Critical patent/CN108932526B/zh
Publication of CN108932526A publication Critical patent/CN108932526A/zh
Application granted granted Critical
Publication of CN108932526B publication Critical patent/CN108932526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于素描结构特征聚类的SAR图像样本块选择方法，主要解决现有技术SAR图像混合聚集结构地物像素子空间分割中隔1滑窗样本集冗余样本过多的问题。其实现方案是：根据SAR图像的素描模型提取素描图；将素描图区域化得到区域图，根据区域图获得SAR图像混合聚集结构地物像素子空间；对每个极不匀质区域及其对应素描图采样，得到图像块集合与素描块集合；从每个极不匀质区域素描块集合中获取聚类中心集合，并对素描块集合中的样本块进行聚类；按比例从聚类结果中选择出样本块标号，并从图像块集合中选择出相应样本块。本发明能构建出SAR图像极不匀质区域的样本集，且构建的样本集能更全面代表极不匀质区域的结构特征。

Description

基于素描结构特征聚类的SAR图像样本块选择方法
技术领域
本发明属于图像处理技术领域，特别涉及一种SAR图像样本块选择方法，可应用于合成孔径雷达SAR图像混合像素子空间中互不连通的极不匀质区域训练样本集的确定，进一步用于SAR图像中的极不匀质区域的特征学习。
背景技术
合成孔径雷达SAR是遥感技术领域的重要进展，用来获取地球表面的高分辨图像。与其他类型的成像技术相比，SAR特别适合大面积的地标成像，其能够穿透云雾、雨雪，具有全天候工作能力。随着SAR图像技术的快速发展，越来越多的SAR图像数据被获得，通过计算机自动解译SAR图像成为了一个亟需解决的问题。而SAR图像分割是SAR图像解译的前提，其分割结果对进一步的检测、识别影响很大。
SAR图像的极不匀质区域地物结构复杂，其可通过机器学习模型训练样本集学习到的特征来表征，然后利用每个极不匀质区域的特征对这些区域进行聚类，从而达到分割的目的。输入到机器学习模型中样本集的规模与质量会影响到特征学习的好坏，而提取到的特征的好坏对于SAR图像分割结果有起着关键作用。对于每个极不匀质区域来说，隔1滑窗会采集到大量重叠的样本，这就存在许多冗余的信息，在此基础上构建一个高质量的样本集用于特征学习，显得尤为重要。
西安电子科技大学在其申请的专利“基于反卷积网络与映射推理网络的SAR图像分割方法”(专利申请号CN201510679181.X，公开号CN105389798 A)中公开了一种反卷积网络与映射推理网络的SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图，将区域图映射到原图得到聚集、匀质和结构区域。分别对聚集和匀质区域中各个互不连通的区域进行无监督训练，得到表征各个互不连通区域结构特征的滤波器集合。分别对两类区域中的互不连通区域间的结构特征进行比较推理，得到聚集和匀质区域的分割结果。对结构区域在素描线段指导下使用超像素合并进行分割。合并各区域分割结果完成SAR图像分割。该方法存在的不足之处是，在对聚集区域中互不连通区域进行结构特征学习时，没有对送入反卷积学习网络的样本块进行选择，这就使得样本规模大，导致网络训练时间长，且空间复杂度高，使得网络学习特征的成本较大。
西安电子科技大学在其申请的专利“基于G0分布的随机梯度变分贝叶斯SAR图像分割方法”(专利申请号201710702367.1)中公开了一种基于G0分布的随机梯度变分贝叶斯SAR图像分割方法。该方法根据合成孔径雷达SAR图像的素描图得到划分的区域图，将区域图映射到原图得到聚集、匀质和结构区域。然后使用基于随机梯度变分贝叶斯网络模型的方法对混合聚集结构地物像素子空间分割，使用基于素描线聚拢特征的方法进行独立目标分割，使用基于视觉语义规则进行线目标分割，使用基于多项式逻辑回归先验模型进行匀质区域像素子空间分割，最后合并分割结果，并得到SAR图像的分割结果。该方法存在的不足之处是，在对混合聚集结构地物像素子空间中互不连通的极不匀质区域进行特征学习时，该方法是对每个极不匀质区域隔1滑窗采集到的样本块进行随机选样，这使得通过机器学习模型学到的特征具有随机性，即可能需要通过多次随机选样，并通过多次的特征学习，才可能在某一次中学习到极不匀质区域良好的特征表示，影响了SAR图像混合聚集结构地物像素子空间分割的准确性，且增加了训练成本。
发明内容
本发明的目的在于针对上述已有技术中的不足，提出一种基于素描结构特征聚类的SAR图像样本块选择方法，以从某一极不匀质区域隔1滑窗采集到的样本块中选择出结构更全面且更具代表性的样本块。
为实现上述目的，包括的技术方案如下：
1.一种基于素描结构特征聚类的SAR图像样本块选择方法，包括：
(1)对合成孔径雷达SAR图像进行素描化，即输入合成孔径雷达SAR图像，建立合成孔径雷达SAR图像的素描模型，从素描模型中提取合成孔径雷达SAR图像的素描图；
(2)对SAR图像的素描图进行区域化处理，得到合成孔径雷达SAR图像的区域图，将包括聚集区域、无素描线区域和结构区域的区域图，映射到输入的合成孔径雷达SAR图像上，分别得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间A1、匀质区域像素子空间A2和结构像素子空间A3；
(3)对混合聚集结构地物像素子空间A1中在空间上互不连通的极不匀质区域，及其对应的素描图，分别进行隔1滑窗采样，窗口大小为32×32，得到每个极不匀质区域的图像块样本集D1与素描块样本集D2；
(4)从每个极不匀质区域的素描块样本集D2中选择kd个样本构成其初始聚类中心集合Ωd：
4a)以SAR图像的行为x轴，以SAR图像的列为y轴，建立直角坐标系，将SAR图像置于坐标系中，则该SAR图像左上角第一个像素点的坐标为(1,1)，将图像块样本集D1与素描块样本集D2中的样本块的坐标设为该样本块左上角第一个像素点的坐标，并分别对图像块样本集D1与素描块样本集D2中的样本块从1开始标记序号；
4b)根据素描块样本集D2中样本块的坐标信息，确定出聚类中心的坐标，并据此得到聚类中心的样本块标号集合S；
4c)从素描块样本集D2中，按照聚类中心样本块标号集合S中的标号取出相应的素描块，构成初始聚类中心集合Ωd；
(5)对初始聚类中心集合Ωd中的聚类中心样本块进行聚类更新，得到初始聚类中心集合的聚类结果Ωd’：
5a)将初始聚类中心集合Ωd中每个聚类中心样本块c剖分成16个8×8的无重叠小区域，统计每个聚类中心样本块c的长度表示向量
Figure GDA0001821966810000037
及方向统计结果
Figure GDA0001821966810000036
5b)计算初始聚类中心集合Ωd中第i个聚类中心样本块ci与所有聚类中心样本块的相似度si1,si2,...,sij,...,siL；
5c)从初始聚类中心集合Ωd中找出与第i个聚类中心样本块ci相似度最大时所对应的第j个聚类中心样本块cj，再将ci与cj合并到同一个簇，并将所有的簇聚集到一起，得到初始聚类中心集合Ωd的聚类结果Ωd’；
(6)将聚类结果Ωd’的每个簇中素描线段个数最多的一个样本块聚集起来，构成聚类中心集合
Figure GDA0001821966810000031
(7)从素描块样本集D2中去除掉聚类中心集合
Figure GDA0001821966810000032
中的样本块，得到素描块样本集Γ，以聚类中心集合
Figure GDA0001821966810000033
中的每个样本块为聚类中心，对素描块样本集Γ进行聚类操作，得到样本集Γ的聚类结果
Figure GDA0001821966810000034
(8)根据极不匀质区域所需的样本个数n，从聚类结果
Figure GDA0001821966810000035
中挑选出相应个数的素描线段个数最多的样本块对应的标号，得到样本块标号集合M，再根据样本块标号M中的标号在图像块样本集D1中选择出图像块，以得到最终样本集D3。
本发明与现有技术相比具有以下优点：
第一，由于本发明为混合聚集结构地物像素子空间A1中每个互不连通的极不匀质区域采集到的素描块样本集中的样本块设计了素描线段的长度表示向量和方向统计向量，使得本发明可根据这两个向量定义的距离作为对素描块样本集中的样本块进行聚类操作的距离度量，而不是采用传统的欧式距离作为聚类操作中的距离度量，提高了样本块聚类结果的准确性。
第二，由于本发明设计了聚类中心选取方法，该方法首先根据样本块在像素空间上的位置选取出初始聚类中心集合，然后结合基于素描线段的长度表示向量和方向统计向量设计的距离度量方式对该集合中的聚类中心进行聚类，使得本发明可自动确定出混合聚集结构地物像素子空间A1中每一极不匀质区域的聚类中心及聚类中心个数，并由此选择出更能全面地代表极不匀质区域的图像块。
第三，由于本发明对混合聚集结构地物像素子空间A1中每个极不匀质区域采集到的样本集进行了聚类操作，并从聚类结果中按比例选择样本块构成最终的样本集，可使该样本集中的样本块包含更全面且更具代表性的结构。
附图说明
图1是本发明的实现流程图；
图2是本发明中提取的素描图，区域图和混合聚集结构地物像素子空间示意图；
图3是分别对本发明选择的样本集和随机样本集训练后所得到的混合聚集结构地物像素子空间分割结果图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照图1，本发明的实现步骤如下。
步骤1，对SAR图像素描化。
本步骤的具体实现参见Jie-Wu等人于2014年发表在IEEE Transactions onGeoscience and Remote Sensing杂志上的文章《Local maximal homogenousregionsearch for SAR speckle reduction with sketch-based geometrical kernelfunction》，其包括：
1a)输入合成孔径雷达SAR图像，建立合成孔径雷达SAR图像的素描模型:
1a1)在[100,150]范围内，任意选取一个数，作为模板的总数；
1a2)构造具有不同方向和尺度的由像素点组成的边、线的一个模板，利用模板的方向和尺度信息构造各向异性高斯函数，通过该高斯函数，计算模板中每个像素点的加权系数，统计模板中所有像素点的加权系数，其中，尺度个数取值为3～5，方向个数取值为18；
1a3)按照下式，计算与模板区域坐标相对应的合成孔径雷达SAR图像中像素点的均值：
Figure GDA0001821966810000051
其中，μ表示与模板区域坐标相对应的合成孔径雷达SAR图像中所有像素点的均值，∑表示求和操作，g表示模板第Ω个区域中任意一个像素点对应的坐标，∈表示属于符号，wg表示模板第Ω个区域中像素点在坐标g处的权重系数，wg的取值范围为wg∈[0,1]，Ag表示与模板第Ω个区域中像素点在坐标g处对应的合成孔径雷达SAR图像中的像素点的值；
1a4)按照下式，计算与模板区域坐标相对应的合成孔径雷达SAR图像中像素点的方差值：
Figure GDA0001821966810000052
其中，ν表示与模板区域坐标相对应的合成孔径雷达SAR图像中所有像素点的方差值；
1a5)按照下式，计算合成孔径雷达SAR图像中每个像素点针对比值算子的响应值：
Figure GDA0001821966810000053
其中，R表示合成孔径雷达SAR图像中每个像素点针对比值算子的响应值，min{·}表示最小值操作，a和b分别表示模板中的两个不同的区域，μa表示模板区域a中所有像素点的均值，μb表示模板区域b中所有像素点的均值；
1a6)按照下式，计算合成孔径雷达SAR图像中每个像素针对相关性算子的响应值：
Figure GDA0001821966810000061
其中，C表示合成孔径雷达SAR图像中每个像素针对相关性算子的响应值，a和b分别表示模板中两个不同区域，νa表示模板区域a中所有像素点的方差值，νb表示模板区域b中所有像素点的方差值，μa表示模板区域a中所有像素点的均值，μb表示模板区域b中所有像素点的均值；
1a7)按照下式，计算合成孔径雷达SAR图像中每个像素点针对各个模板的响应值：
Figure GDA0001821966810000062
其中，F表示合成孔径雷达SAR图像中每个像素点针对各个模板的响应值，R和C分别表示合成孔径雷达SAR图像中像素点针对比值算子和合成孔径雷达SAR图像中像素点针对相关性算子的响应值；
1a8)判断所构造的模板是否等于所选取模板的总数，若不是，则返回1a2)，否则，执行1a9)；
1a9)从各个模板中选择具有最大响应值的模板，作为合成孔径雷达SAR图像的模板，并将该模板的最大响应值作为合成孔径雷达SAR图像中像素点的强度，将该模板的方向作为合成孔径雷达SAR图像中像素点的方向，获得合成孔径雷达SAR图像的边线响应图和梯度图；
1a10)按照下式，计算合成孔径雷达SAR图像强度图的强度值，得到强度图：
Figure GDA0001821966810000063
其中，I表示合成孔径雷达SAR图像强度图的强度值，r表示合成孔径雷达SAR图像边线响应图中的值，t表示合成孔径雷达SAR图像梯度图中的值；
1a11)采用非极大值抑制方法，对强度图进行检测，得到建议草图；
1a12)选取建议草图中具有最大强度的像素点，将建议草图中与该最大强度的像素点连通的像素点连接形成建议线段，得到建议素描图；
1a13)按照下式，计算建议素描图中素描线的编码长度增益：
Figure GDA0001821966810000071
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,J表示当前素描线邻域中像素点的个数，Aj表示当前素描线邻域中第j个像素点的观测值，Aj,0表示在当前素描线不能表示结构信息的情况下，该素描线邻域中第j个像素点的估计值，ln(·)表示以e为底的对数操作，Aj,1表示在当前素描线能够表示结构信息的情况下，该素描线邻域中第j个像素点的估计值；
1a14)在[5,50]范围内，任意选取一个数，作为阈值T；
1a15)选出所有建议素描线中CLG>T的建议素描线，将其组合成合成孔径雷达SAR图像的素描图；
1b)从素描模型中提取合成孔径雷达SAR图像的素描图：即将合成孔径雷达SAR图像输入到素描模型中，得到合成孔径雷达SAR图像的素描图。
步骤2，划分像素空间。
2a)采用素描线区域化方法，对合成孔径雷达SAR图像的素描图进行区域化处理，得到包括聚集区域、无素描线区域和结构区域的合成孔径雷达SAR图像的区域图，实现过程参见Liu-Fang等人于2016年在Pattern Recognition上的文章《Hierarchical semanticmodel and scattering mechanism based PolSAR image classification》，其步骤如下：
2a1)按照合成孔径雷达SAR图像的素描图中素描线段的聚集度，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、孤立目标的边界素描线、线目标素描线、孤立目标素描线；
2a2)根据素描线段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表示种子线段的总条数，{·}表示集合操作；
2a3)以未被选取添加进种子线段集和的线段作为基点，以此基点递归求解线段集合；
2a4)构造一个半径为最优聚集度区间上界的圆形基元，用该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，在素描图上得到以素描点为单位的聚集区域；
2a5)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，得到结构区域；
2a6)将素描图中除去聚集区域和结构区域以外的部分作为不可素描区域；
2a7)将素描图中的聚集区域、结构区域和不可素描区域合并，得到包括聚集区域、结构区域和无素描线区域的合成孔径雷达SAR图像的区域图；
2b)将包括聚集区域、无素描线区域和结构区域的区域图，映射到输入的合成孔径雷达SAR图像中，得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间、匀质区域像素子空间和结构像素子空间。
步骤3，采集每个极不匀质区域的图像块样本集D1与素描块样本集D2。
对某一极不匀质区域及其对应的素描图，分别进行隔1滑窗采样，窗口大小为32×32，判断样本块中像素点是否都在极不匀质区域内：
若样本块中的像素点都在极不匀质区域内，则保留该样本块，并将保留的样本块分别聚集在一起，得到每个极不匀质区域的图像块样本集D1与素描块样本集D2；
否则，舍弃该样本块。
步骤4，从每个极不匀质区域的素描块样本集D2中选择kd个样本构成其初始聚类中心集合Ωd。
4a)以SAR图像的行为x轴，以SAR图像的列为y轴，建立直角坐标系，将SAR图像置于坐标系中，则该SAR图像左上角第一个像素点的坐标为(1,1)，将图像块样本集D1与素描块样本集D2中的样本块的坐标设为该样本块左上角第一个像素点的坐标，并分别对图像块样本集D1与素描块样本集D2中的样本块从1开始标记序号；
4b)根据素描块样本集D2中样本块的坐标信息，确定出聚类中心的坐标：
4b1)统计素描块样本集D2中样本块坐标的x轴坐标范围[xmin,xmax]；
4b2)从xmin开始，每3行中选取第2行的x值作为聚类中心的x值，将所有聚类中心的x值聚集在一起，得到集合X，若最后剩下一行或两行样本块，则将最后一行样本块的x值加入到X集合中；
4b3)对X集合中的每个xi值，统计素描块样本集D2中的样本块在第xi行、第xi-1行与第xi+1行上的y轴范围[ymin,ymax]，从ymin开始，每3列中选取第2列作为聚类中心的y值，将每个xi值对应的y值聚集在一起，得到其对应的Yi集合，若最后剩下一列或两列样本块，则将最后一列样本块的y值加入到相应的Yi集合中；
4b4)将X集合中的每个xi值与所对应的Yi中的值一一对应起来，得到素描块样本集D2中聚类中心的坐标集合P；
4c)判断坐标集合P中聚类中心坐标对应的样本块是否存在：
若聚类中心坐标对应的样本块存在，则将其样本块标号集合聚集在一起，得到样本块标号集合S；
若某一聚类中心坐标所对应的样本块不存在，则执行4d)：
4d)对于该坐标周围的8个坐标而言，按照上、下、左、右、左上、右上、左下、右下的顺序，查找哪个坐标对应的样本块存在，将第一个查找到的样本块作为新的聚类中心，并将其标号存入样本块标号集合S中；
4e)从素描块样本集D2中，按照样本块标号集合S中的标号取出相应的素描块，构成初始聚类中心集合Ωd。
步骤5，对初始聚类中心集合Ωd中的聚类中心样本块进行聚类更新，得到初始聚类中心集合的聚类结果Ωd’。
5a)将初始聚类中心集合Ωd中每个聚类中心样本块c剖分成16个8×8的无重叠小区域，统计每个聚类中心样本块c的长度表示向量
Figure GDA0001821966810000091
及方向统计结果
Figure GDA0001821966810000092
5a1)分别统计聚类中心样本块c的16个小区域内素描线段长度大于或等于2的素描线段的个数，得到一个16维的长度表示向量
Figure GDA0001821966810000093
5a2)分别统计聚类中心样本块c的16个小区域内素描线段长度大于或等于2的素描线段的方向，并将这些方向按照素描线段长度从大到小进行排列，得到16个小区域的素描线段方向统计结果
Figure GDA0001821966810000094
5b)计算初始聚类中心集合Ωd中第i个聚类中心样本块ci与所有聚类中心样本块的相似度：si1,si2,...,sij,...,siL，其中，sij是第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度，j的取值范围是从1到L，L为初始聚类中心集合Ωd中聚类中心的个数：
5b1)统计第i个聚类中心样本块ci与第j个聚类中心样本块cj相关的三个值：
统计聚类中心样本块ci的长度表示向量
Figure GDA0001821966810000101
与聚类中心样本块cj的长度表示向量
Figure GDA0001821966810000102
j，在对应分量上分量值均为0的个数，记为q1；
统计聚类中心样本块ci的长度表示向量
Figure GDA0001821966810000103
与聚类中心样本块cj的长度表示向量
Figure GDA0001821966810000104
j，在对应分量上任一分量值大于0的个数，记为q2；
统计聚类中心样本块ci的长度表示向量
Figure GDA0001821966810000105
与聚类中心样本块cj的长度表示向量
Figure GDA0001821966810000106
j在对应分量上分量值相同，且聚类中心样本块ci的方向统计结果
Figure GDA0001821966810000107
与聚类中心样本块cj的方向统计结果
Figure GDA0001821966810000108
在对应分量上分量值也相同的个数，记为q3；
5b2)计算第i个聚类中心样本块ci与第j个聚类中心样本块cj的16个小区域中分量值相同的个数所占比率为：
Figure GDA0001821966810000109
5b3)计算第i个聚类中心样本块ci与第j个聚类中心样本块cj的16个小区域内有素描线段的小区域中，素描线段方向一致的比率为：
Figure GDA00018219668100001010
5b4)根据r1与r2的不同取值，求得第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度sij，判断r1与r2的取值是否满足要求：
若r1>0.8且r2>0.5，则满足，得第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度为：sij＝r1；
否则不满足，得：sij＝-∞；
5c)从初始聚类中心集合Ωd中找出与第i个聚类中心样本块ci相似度最大时所对应的第j个聚类中心样本块cj，再将ci与cj合并到同一个簇，并将所有的簇聚集到一起，得到初始聚类中心集合Ωd的聚类结果Ωd’。
步骤6，将聚类结果Ωd’的每个簇中素描线段个数最多的一个样本块聚集起来，构成聚类中心集合
Figure GDA00018219668100001011
并将该聚类中心集合
Figure GDA00018219668100001012
从素描块样本集D2中去除，得到素描块样本集Γ。
步骤7，以聚类中心集合
Figure GDA00018219668100001013
中的每个样本块为聚类中心，对素描块样本集Γ进行聚类操作，得到样本集Γ的聚类结果
Figure GDA00018219668100001014
7a)将素描块样本集Γ中的样本块w剖分成16个8×8的无重叠小区域，统计每个样本块的w的长度统计向量
Figure GDA00018219668100001015
及方向统计结果
Figure GDA00018219668100001016
7a1)分别统计样本块w的16个小区域内素描线段长度大于或等于2的素描线段的个数，得到一个16维的长度表示向量
Figure GDA00018219668100001114
7a2)分别统计样本块w的16个小区域内素描线段长度大于或等于2的素描线段的方向，并将这些方向按照素描线段长度从大到小进行排列，得到16个小区域的素描线段方向统计结果
Figure GDA0001821966810000111
7b)对素描块样本集Γ中每一个样本块w，计算其与聚类中心集合
Figure GDA0001821966810000112
中的每一个聚类中心cz的相似度fwz：
7b1)统计素描块样本集Γ中每一个样本块w与聚类中心样本块cz相关的三个值：
统计样本块w的长度表示向量
Figure GDA0001821966810000113
与聚类中心样本块cz的长度表示向量
Figure GDA0001821966810000114
在对应分量上分量值均为0的分量个数，记为p1；
统计样本块w的长度表示向量
Figure GDA00018219668100001115
与聚类中心样本块cz的长度表示向量
Figure GDA0001821966810000115
在对应分量上分量值大于0的分量个数，记为p2；
统计样本块w的长度表示向量
Figure GDA0001821966810000116
与聚类中心样本块cz的长度表示向量
Figure GDA0001821966810000117
在对应分量上分量值相同，且样本块w的方向统计结果
Figure GDA0001821966810000118
与聚类中心样本块cz的方向统计结果
Figure GDA0001821966810000119
在对应分量上分量值也相同的分量个数，记为p3；
7b2)计算样本块w与聚类中心样本块cz在16个小区域中分量值相同的个数所占比率为：
Figure GDA00018219668100001110
7b3)计算样本块w与聚类中心样本块cz在16个小区域中有素描线段的小区域中，素描线段方向一致的比率为：
Figure GDA00018219668100001111
7b4)根据u1与u2的不同取值，求得样本块w与聚类中心样本块cz的相似度fwz，判断u1与u2的取值是否满足要求：
若u1>0.6且u2>0.5，则满足，得样本块w与聚类中心样本块cz的相似度为：fwz＝u1；
否则不满足，得：fwz＝-∞；
7c)将所有与聚类中心cz相似度最大的样本块聚集在一起，得到以cz为聚类中心的簇集合；
7d)将聚类中心集合
Figure GDA00018219668100001112
中的每一个聚类中心cz的簇集合聚集在一起，得到素描块样本集Γ的聚类结果
Figure GDA00018219668100001113
步骤8，根据聚类结果
Figure GDA0001821966810000121
得到样本块标号集合M。
8a)对聚类结果
Figure GDA0001821966810000122
中每个簇内的样本块，按照素描线段个数的多少对样本块进行排序；
8b)统计素描块样本集D2采集到的样本个数
Figure GDA0001821966810000123
及素描块样本集D2所对应的极不匀质区域所需的样本个数n，若
Figure GDA0001821966810000124
则转至8c)，否则，转至8d)；
8c)把素描块样本集D2中
Figure GDA0001821966810000125
个样本块全部选中后，再在素描块样本集D2的
Figure GDA0001821966810000126
个样本中随机选择
Figure GDA0001821966810000127
个样本块，转至8e)；
8d)设聚类结果
Figure GDA0001821966810000128
中每个簇中挑选样本块的比例为：
Figure GDA0001821966810000129
记每个簇中的样本块为p个，则在该簇中按序挑选前p×r3样本块；
8e)将选择出的样本块的标号聚集在一起，得到样本块标号集合M。
步骤9，根据样本块标号M中的标号在图像块样本集D1中选择出图像块，得到最终样本集D3。
下面结合仿真图对本发明的效果做进一步的描述。
1.仿真条件：
本发明仿真的硬件条件为：智能感知与图像理解实验室图形工作站；本发明仿真所使用的合成孔径雷达SAR图像为：X波段分辨率为1米的Pyramid图。
2.仿真内容：
仿真1，对SAR图像Pyramid图混合聚集结构地物像素子空间进行仿真，结果如图2，其中：
图2(a)为SAR图像Pyramid图的原图；
图2(b)为对图2(a)提取的素描图；
图2(c)为对图2(b)所示的素描图进行区域化后得到的混合聚集结构地物像素子空间的区域图；
图2(d)为将图2(c)所示区域图中的灰色区域映射到图2(a)后，得到的Pyramid混合聚集结构地物像素子空间图。
仿真2，对图2(d)中的每个极不匀质区域，用本发明的方法构建样本集，并相应地从每个极不匀质区域对应的图像块样本集D1中随机选择相同个数的样本块构成随机样本集；
采用专利申请号201710702367.1中的基于G0分布的随机梯度变分贝叶斯模型分别对本发明构建的样本集与随机样本集进行特征学习，得到各自的结构特征向量，然后利用层次聚类对各自的结构特征向量进行聚类，得到混合像素子空间的分割结果，结果如图3，其中：
图3(a)为采用本发明选择的样本集进行特征学习得到的混合聚集结构地物像素子空间的分割结果图；
图3(b)是采用随机样本集进行特征学习得到的混合聚集结构地物像素子空间的分割结果图。
3.仿真效果分析：
通过图3(a)和图3(b)的对比分割结果图可得出结论：本发明方法能得到混合聚集结构地物像素子空间更全面且更具代表性的样本块，因此学习到的特征更好，有利于提高混合聚集结构地物像素子空间分割的准确性。

Claims (6)

1.一种基于素描结构特征聚类的SAR图像样本块选择方法，包括：
(1)对合成孔径雷达SAR图像进行素描化，即输入合成孔径雷达SAR图像，建立合成孔径雷达SAR图像的素描模型，从素描模型中提取合成孔径雷达SAR图像的素描图；
(2)对SAR图像的素描图进行区域化处理，得到合成孔径雷达SAR图像的区域图，将包括聚集区域、无素描线区域和结构区域的区域图，映射到输入的合成孔径雷达SAR图像上，分别得到合成孔径雷达SAR图像中的混合聚集结构地物像素子空间A1、匀质区域像素子空间A2和结构像素子空间A3；
(3)对混合聚集结构地物像素子空间A1中在空间上互不连通的极不匀质区域，及其对应的素描图，分别进行隔1滑窗采样，窗口大小为32×32，得到每个极不匀质区域的图像块样本集D1与素描块样本集D2；
(4)从每个极不匀质区域的素描块样本集D2中选择kd个样本构成其初始聚类中心集合Ωd：
4a)以SAR图像的行为x轴，以SAR图像的列为y轴，建立直角坐标系，将SAR图像置于坐标系中，则该SAR图像左上角第一个像素点的坐标为(1,1)，将图像块样本集D1与素描块样本集D2中的样本块的坐标设为该样本块左上角第一个像素点的坐标，并分别对图像块样本集D1与素描块样本集D2中的样本块从1开始标记序号；
4b)根据素描块样本集D2中样本块的坐标信息，确定出聚类中心的坐标，并据此得到聚类中心的样本块标号集合S；
4c)从素描块样本集D2中，按照聚类中心样本块标号集合S中的标号取出相应的素描块，构成初始聚类中心集合Ωd；
(5)对初始聚类中心集合Ωd中的聚类中心样本块进行聚类更新，得到初始聚类中心集合的聚类结果Ωd’：
5a)将初始聚类中心集合Ωd中每个聚类中心样本块c剖分成16个8×8的无重叠小区域，统计每个聚类中心样本块c的长度表示向量
Figure FDA0002325401740000011
及方向统计结果
Figure FDA0002325401740000012
5b)计算初始聚类中心集合Ωd中第i个聚类中心样本块ci与所有聚类中心样本块的相似度si1,si2,...,sij,...,siL，其中，sij是第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度，j的取值范围是从1到L，L为初始聚类中心集合Ωd中聚类中心的个数；
5c)从初始聚类中心集合Ωd中找出与第i个聚类中心样本块ci相似度最大时所对应的第j个聚类中心样本块cj，再将ci与cj合并到同一个簇，并将所有的簇聚集到一起，得到初始聚类中心集合Ωd的聚类结果Ωd’；
(6)将聚类结果Ωd’的每个簇中素描线段个数最多的一个样本块聚集起来，构成聚类中心集合
Figure FDA0002325401740000021
(7)从素描块样本集D2中去除掉聚类中心集合
Figure FDA0002325401740000022
中的样本块，得到素描块样本集Γ，以聚类中心集合
Figure FDA0002325401740000023
中的每个样本块为聚类中心，对素描块样本集Γ进行聚类操作，得到样本集Γ的聚类结果
Figure FDA0002325401740000024
(8)根据极不匀质区域所需的样本个数n，从聚类结果
Figure FDA0002325401740000025
中挑选出相应个数的素描线段个数最多的样本块对应的标号，得到样本块标号集合M，再根据样本块标号M中的标号在图像块样本集D1中选择出图像块，以得到最终样本集D3。
2.根据权利要求1所述的方法，其中步骤4b)中根据素描块样本集D2中样本块的坐标信息，确定出聚类中心的坐标，并据此得到聚类中心的样本块标号集合S，按如下步骤进行：
4b1)统计素描块样本集D2中样本块坐标的x轴坐标范围[xmin,xmax]；
4b2)从xmin开始，每3行中选取第2行的x值作为聚类中心的x值，将所有聚类中心的x值聚集在一起，得到集合X，若最后剩下一行或两行样本块，则将最后一行样本块的x值加入到X集合中；
4b3)对X集合中的每个xi值，统计素描块样本集D2中的样本块在第xi行、第xi-1行与第xi+1行上的y轴范围[ymin,ymax]，从ymin开始，每3列中选取第2列作为聚类中心的y值，将每个xi值对应的y值聚集在一起，得到其对应的Yi集合，若最后剩下一列或两列样本块，则将最后一列样本块的y值加入到相应的Yi集合中；
4b4)将X集合中的每个xi值与所对应的Yi中的值一一对应起来，得到素描块样本集D2中聚类中心的坐标集合P，再根据坐标集合P得到聚类中心的样本块标号集合S，若某一坐标所对应的样本块不存在，则对于该坐标周围的8个坐标而言，按照上、下、左、右、左上、右上、左下、右下的顺序，查找哪个坐标对应的样本块存在，将第一个查找到的样本块作为新的聚类中心，并将其标号存入样本块标号集合S中。
3.根据权利要求1所述的方法，其中步骤5a)中统计每个聚类中心样本块c的长度表示向量
Figure FDA0002325401740000031
及方向统计结果
Figure FDA0002325401740000032
按如下步骤进行：
5a1)分别统计聚类中心样本块c的16个小区域内素描线段长度大于或等于2的素描线段的个数，得到一个16维的长度表示向量
Figure FDA0002325401740000033
5a2)分别统计聚类中心样本块c的16个小区域内素描线段长度大于或等于2的素描线段的方向，并将这些方向按照素描线段长度从大到小进行排列，得到16个小区域的素描线段方向统计结果
Figure FDA0002325401740000034
4.根据权利要求1所述的方法，其中步骤5b)中计算初始聚类中心集合Ωd中的第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度sij，按如下步骤进行：
5b1)统计第i个聚类中心样本块ci与第j个聚类中心样本块cj相关的三个值：
统计聚类中心样本块ci的长度表示向量
Figure FDA0002325401740000035
与聚类中心样本块cj的长度表示向量
Figure FDA0002325401740000036
j，在对应分量上分量值均为0的个数，记为q1；
统计聚类中心样本块ci的长度表示向量
Figure FDA0002325401740000037
与聚类中心样本块cj的长度表示向量
Figure FDA0002325401740000038
j，在对应分量上任一分量值大于0的个数，记为q2；
统计聚类中心样本块ci的长度表示向量
Figure FDA0002325401740000039
与聚类中心样本块cj的长度表示向量
Figure FDA00023254017400000310
j在对应分量上分量值相同，且聚类中心样本块ci的方向统计结果
Figure FDA00023254017400000311
与聚类中心样本块cj的方向统计结果
Figure FDA00023254017400000312
在对应分量上分量值也相同的个数，记为q3；
5b2)计算第i个聚类中心样本块ci与第j个聚类中心样本块cj的16个小区域中分量值相同的个数所占比率为：
Figure FDA00023254017400000313
5b3)计算第i个聚类中心样本块ci与第j个聚类中心样本块cj的16个小区域内有素描线段的小区域中，素描线段方向一致的比率为：
Figure FDA00023254017400000314
5b4)根据r1与r2的不同取值，求得第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度sij：
若r1>0.8且r2>0.5，则第i个聚类中心样本块ci与第j个聚类中心样本块cj的相似度为：sij＝r1；
否则为：sij＝-∞。
5.根据权利要求1所述的方法，其中步骤(7)中以聚类中心集合
Figure FDA0002325401740000041
中的每个样本块为聚类中心，对素描块样本集Γ进行聚类操作，得到样本集Γ的聚类结果
Figure FDA0002325401740000042
按如下步骤进行；
7a)将素描块样本集Γ中的样本块w剖分成16个8×8的无重叠小区域，统计每个样本块的w的长度统计向量
Figure FDA0002325401740000043
及方向统计结果
Figure FDA0002325401740000044
7b)对素描块样本集Γ中每一个样本块w，计算其与聚类中心集合
Figure FDA0002325401740000045
中的每一个聚类中心cz的相似度fwz：
7b1)统计素描块样本集Γ中每一个样本块w与聚类中心样本块cz相关的三个值：
统计样本块w的长度表示向量
Figure FDA0002325401740000046
与聚类中心样本块cz的长度表示向量
Figure FDA0002325401740000047
在对应分量上分量值均为0的分量个数，记为p1；
统计样本块w的长度表示向量
Figure FDA0002325401740000048
与聚类中心样本块cz的长度表示向量
Figure FDA0002325401740000049
在对应分量上分量值大于0的分量个数，记为p2；
统计样本块w的长度表示向量
Figure FDA00023254017400000410
与聚类中心样本块cz的长度表示向量
Figure FDA00023254017400000411
在对应分量上分量值相同，且样本块w的方向统计结果
Figure FDA00023254017400000412
与聚类中心样本块cz的方向统计结果
Figure FDA00023254017400000413
在对应分量上分量值也相同的分量个数，记为p3；
7b2)计算样本块w与聚类中心样本块cz在16个小区域中分量值相同的个数所占比率为：
Figure FDA00023254017400000414
7b3)计算样本块w与聚类中心样本块cz在16个小区域中有素描线段的小区域中，素描线段方向一致的比率为：
Figure FDA00023254017400000415
7b4)根据u1与u2的不同取值，求得样本块w与聚类中心样本块cz的相似度fwz：
若u1>0.6且u2>0.5，则样本块w与聚类中心样本块cz的相似度为：fwz＝u1；
否则为：fwz＝-∞；
7c)将所有与聚类中心cz相似度最大的样本块聚集在一起，得到以cz为聚类中心的簇集合；
7d)将聚类中心集合
Figure FDA00023254017400000416
中的每一个聚类中心cz的簇集合聚集在一起，得到素描块样本集Γ的聚类结果
Figure FDA0002325401740000051
6.根据权利要求1所述的方法，其中步骤(8)中根据极不匀质区域所需的样本个数n，从聚类结果
Figure FDA0002325401740000052
中挑选出相应个数的素描线段个数最多的样本块对应的标号，得到样本块标号集合M，按如下步骤进行：
8a)对聚类结果
Figure FDA0002325401740000053
中每个簇内的样本块，按照素描线段个数的多少对样本块进行排序；
8b)统计素描块样本集D2采集到的样本个数
Figure FDA0002325401740000054
及素描块样本集D2所对应的极不匀质区域所需的样本个数n，若
Figure FDA0002325401740000055
则转至8c)，否则，转至8d)；
8c)把素描块样本集D2中
Figure FDA0002325401740000056
个样本块全部选中后，再在素描块样本集D2的
Figure FDA0002325401740000057
个样本中随机选择
Figure FDA0002325401740000058
个样本块，转至8e)；
8d)设聚类结果
Figure FDA0002325401740000059
中每个簇中挑选样本块的比例为：
Figure FDA00023254017400000510
记每个簇中的样本块为p个，则在该簇中按序挑选前p×r3样本块；
8e)将选择出的样本块的标号聚集在一起，得到样本块标号集合M。
CN201810583495.3A 2018-06-08 2018-06-08 基于素描结构特征聚类的sar图像样本块选择方法 Active CN108932526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810583495.3A CN108932526B (zh) 2018-06-08 2018-06-08 基于素描结构特征聚类的sar图像样本块选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810583495.3A CN108932526B (zh) 2018-06-08 2018-06-08 基于素描结构特征聚类的sar图像样本块选择方法

Publications (2)

Publication Number Publication Date
CN108932526A CN108932526A (zh) 2018-12-04
CN108932526B true CN108932526B (zh) 2020-04-14

Family

ID=64449510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810583495.3A Active CN108932526B (zh) 2018-06-08 2018-06-08 基于素描结构特征聚类的sar图像样本块选择方法

Country Status (1)

Country Link
CN (1) CN108932526B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106651884A (zh) * 2016-12-30 2017-05-10 西安电子科技大学 基于素描结构的平均场变分贝叶斯sar图像分割方法
CN107403434A (zh) * 2017-07-28 2017-11-28 西安电子科技大学 基于两阶段聚类的sar图像语义分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270489A1 (en) * 2013-03-12 2014-09-18 Microsoft Corporation Learned mid-level representation for contour and object detection
US9183467B2 (en) * 2013-05-03 2015-11-10 Microsoft Technology Licensing, Llc Sketch segmentation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106651884A (zh) * 2016-12-30 2017-05-10 西安电子科技大学 基于素描结构的平均场变分贝叶斯sar图像分割方法
CN107403434A (zh) * 2017-07-28 2017-11-28 西安电子科技大学 基于两阶段聚类的sar图像语义分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Adaptive Hierarchical Multinomial Latent Model With Hybrid Kernel Function for SAR Image Semantic Segmentation》;Duan YP et al;《IEEE》;20180516;第56卷(第10期);全文 *
《基于语义和脊波反卷积网络的SAR图像分割》;高梦瑶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第2017年第03期);全文 *

Also Published As

Publication number Publication date
CN108932526A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
Zakeri et al. Image based techniques for crack detection, classification and quantification in asphalt pavement: a review
CN108280396B (zh) 基于深度多特征主动迁移网络的高光谱图像分类方法
Abdollahi et al. Integrated technique of segmentation and classification methods with connected components analysis for road extraction from orthophoto images
CN106339674B (zh) 基于边缘保持与图割模型的高光谱影像分类方法
CN109871875B (zh) 一种基于深度学习的建筑物变化检测方法
CN108537102B (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
Zhang et al. Heuristic sample learning for complex urban scenes: Application to urban functional-zone mapping with VHR images and POI data
CN110021425B (zh) 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN110796667B (zh) 基于改进小波聚类的彩色图像分割方法
CN111860570B (zh) 一种云微粒子图像提取及分类方法
CN111428631B (zh) 无人机飞控信号可视化识别分选方法
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN111898688A (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
CN109635733B (zh) 基于视觉显著性和队列修正的停车场和车辆目标检测方法
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN107341813A (zh) 基于结构学习和素描特性推理网络的sar图像分割方法
CN102122353A (zh) 利用增量字典学习与稀疏表示进行图像分割的方法
CN115115627B (zh) 基于数据处理的土壤盐碱地监测方法
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN108537169A (zh) 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法
Gašparović Urban growth pattern detection and analysis
CN111833353B (zh) 一种基于图像分割的高光谱目标检测方法
CN111539910B (zh) 锈蚀区域检测方法及终端设备
Elmannai et al. Classification using semantic feature and machine learning: Land-use case application

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