CN109344880B - 基于多特征和复合核的sar图像分类方法 - Google Patents
基于多特征和复合核的sar图像分类方法 Download PDFInfo
- Publication number
- CN109344880B CN109344880B CN201811053950.5A CN201811053950A CN109344880B CN 109344880 B CN109344880 B CN 109344880B CN 201811053950 A CN201811053950 A CN 201811053950A CN 109344880 B CN109344880 B CN 109344880B
- Authority
- CN
- China
- Prior art keywords
- kernel
- sar image
- composite
- pixel
- classification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
Abstract
一种基于多特征和复合核的SAR图像分类方法,包括如下步骤:1、输入图像;2、利用灰度级共生矩阵和多级局部模式直方图提取空间特征和结构特征;3、将所提取的空间特征和结构特征融合,组成特征融合矩阵;4、构建训练样本集和测试样本集;5、利用广义似然比等进行超像素的生成;6、由径向基函数提供的传统特征内核与由超像素组成的上下文信息内核加权为复合核,组成新型支持向量机;7、分类;8、计算分类精度。使用本发明进行分类,能够有效降低斑点噪声带来的影响,实现了对SAR图像的准确分类,有效提高了分类精度,可以用于SAR图像的目标识别和跟踪。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于多特征和复合核的SAR图像分类方法, 该方法应用于SAR图像的分类来实现目标的识别与跟踪。
背景技术
合成孔径雷达SAR可以在任何天气条件下随时获取不同土地覆盖的高质量图像。因此,SAR 已成功应用于许多领域,如环境监测,土地资源制图和军事系统。近年来,SAR图像分类作为 图像理解和解释的重要组成部分受到了越来越多的关注。然而,SAR图像内固有的乘性斑点噪 声和高的类内变化使得分类方法难以获得令人满意的分类结果,如何高精度的分类仍然是一 个需要解决的具有挑战性的问题。
到目前为止,已经提出了许多SAR图像分类方法。SAR图像分类的最新发展已经产生了许 多基于特征的方法。这种算法涉及适当的特征表示和有效的分类方法这两个关键方面。在SAR 图像中通过使用瑞利散射现象可以将土地覆盖物分析为粗糙或平滑,并且表面粗糙度会进一 步导致不同的纹理特性。对于SAR图像,除了强度外,纹理特征是土地覆盖分类最重要的信息。 为了提取SAR图像中的纹理特征,近几十年来广大学者已经做出了许多努力,一些有效的纹理 特征提取方法包括GLCM,Gabor滤波器,半变异函数和马尔可夫随机场等在纹理分析研究中取 得了巨大成功,参见R.M.Haralick,K.Shanmuga,I.Dinstein,"Textural features for image classification",IEEETrans.Syst.Man.Cybern.,vol.3,no.6,pp.610-621,1973。对于分类方法, 基于稀疏表示的分类器(SRC)和由C.-C.Chang,C.-J.Lin,"LIBSVM:Alibrary for support vectormachines",ACMTrans.Intell.Syst.Technol.,vol.2,no.3,pp.27:1-27:27,2011提出的支持向量机 (SVM)也已成功引入SAR图像领域。
然而,尽管已经取得了一些突破,但由于这些纹理特征提取方式主要起源于光学界,而 不是最初为SAR图像设计的。因此,当使用上述特征时,斑点噪声也是要克服的巨大挑战, 并且通常没有任何单个特征可以完全描述SAR图像中丰富的纹理和结构信息。因此如果仅使 用单个特征对待分类图像进行特征提取,则结果往往不尽如人意。幸运的是,不同特征之间 的相互融合可以为彼此提供额外的信息,特别是当这些特征描述来自不同方面的对象时,而 且复合核也比单核有更好的分类效果。
发明内容
本发明的目的是针对上述现有技术的不足,即在SAR图像中单个特征不能完全提取丰富的 信息而单个内核无法准确地处理分类问题的情况,提出了一种基于多特征和复合核的SAR图像 分类方法,该方法提出了一种结合GLCM和MLPH的多特征提取以及一种在支持向量机中应用复 合核的方法,通过多特征提取捕获空间和结构信息,并且复合核用于将纹理信息和上下文信 息加权集成到支持向量机中形成新型支持向量机。本发明与现有技术中其他的SAR图像分类方 法相比,该方法增强了鲁棒性,提高了分类精度。
为了实现上述目的,本发明方案如下:一种基于多特征和复合核的SAR图像分类方法,其 特征在于:包括如下步骤:
①输入图像:输入任何一幅待分类的合成孔径雷达SAR图像;
②特征提取:利用灰度级共生矩阵GLCM提取待分类的合成孔径雷达SAR图像的空间特征; 利用多级局部模式直方图MLPH提取待分类的合成孔径雷达SAR图像的结构特征;
③将空间特征和结构特征进行融合组成特征融合矩阵;
④从合成孔径雷达SAR图像中随机选取5%的像素点作为训练样本以对后续所提方法进行 训练,其余的则作为测试样本进行测试;
⑤利用基于广义似然比GLR的简单线性迭代聚类SLIC方法生成超像素;
⑥将径向基函数RBF内核与由超像素组成的上下文信息内核加权组成复合核CKs,然后 集成到支持向量机SVM中,形成新型复合核支持向量机;
⑦分类:利用步骤⑥训练过的复合核支持向量机,对待分类的合成孔径雷达SAR图像中 测试样本进行测试标记,求得分类结果;
⑧计算精度:利用总精确度0A、平均精度AA、kappa系数对其进行性能评 估。
上述步骤②中利用灰度级共生矩阵GLCM提取待分类的合成孔径雷达SAR图 像的空间特征的提取步骤是:
①选取0°,45°,90°和130°四个方向和一个像素距离、两个像素距离,在待分类的合成孔径 雷达SAR图像中提取以每个像素点为中心,大小为7*7的像素块在这四个方向和两个距离的 特征矩阵;
上述步骤②中利用多级局部模式直方图MLPH提取待分类的合成孔径雷达SAR图像的结构 特征的提取步骤是;
①在待分类的合成孔径雷达SAR图像中以每个像素点为中心设置大小为5*5的像素块, 然后对各个像素块进行量化,量化标准为每个像素块中比中心像素点阈值t=4大的设置为+1, 比中心像素点小4的设置为-1,介于包含-4与包含+4之间的设置为0,然后重新构建各个像 素块,并对每个像素块内-1,0,+1出现次数以直方图的形式进行表示,此即形成局部模式 直方图;
②将阈值t变成8,16,32,64,分别计算在各个阈值下的局部模式直方图;
③将各个局部模式直方图串联表示,形成多级局部模式直方图。
上述步骤③将空间特征和结构特征进行融合组成特征融合矩阵的具体实现 方法是:
其中Fenergy,Fhomo,Fcon,Fcor分别表示GLCM在四个方向和两个距离上形成的能 量、同质性、对比度以及相关性矩阵,而FLPH_1,···,FLPH_5则分别表示由MLPH 通过五个阈值生成的局部模式直方图。
上述步骤⑤利用基于广义似然比GLR的简单线性迭代聚类SLIC方法生成超像素的方法 是:
数(RBF)和上下文信息内核加权组成复合核,其公式为
其中μ为控制最终内核即复合核(CKs)中上下文信息内核比例的权重,然后将复合核结 合到支持向量机SVM中,形成新型复合核支持向量机。
本发明具有如下的优点和有益效果:
1、本发明由于使用多特征提取方法,将空间特征和结构特征进行提取 融合,针对单特征提取信息不充分的问题,本发明获得了合成孔径雷达SAR图像的空间信息和 结构信息,提高了SAR图像的分类精度;
2、本发明在径向基函数RBF内核的基础上,添加了由超像素生成的上下文信息内核,两 者加权组成复合核,集成到支持向量机中形成新型复合核支持向量机,改进了现有技术中由 噪声造成的错分点较多的问题,使得本发明对合成孔径雷达SAR图像的分类准确率更好,对噪 声有更强的适应性。
附图说明
图1是本发明的流程图;
图2是本发明方法与其他三种分类方法在合成SAR图像上的分类结果对比图,其中:图2(a) 为待分类的合成SAR图像,大小为512×512;图2(b)为待分类的合成SAR图像的地面真值;图 2(c)为本发明方法的分类结果图;图2(d)为GLCM方法的分类结果图;图2(e)为GLCM&MLPH方法 的分类结果图;图2(f)为MLPH-CK方法的分类结果图。
图3是本发明方法与其他三种分类方法在真实SAR图像上的分类结果对比图,其中:图3(a) 为待分类的真实SAR图像,大小为256×256;图3(b)为待分类的真实SAR图像的地面真值;图 3(c)为本发明方法的分类结果图;图3(d)为GLCM方法的分类结果图;图3(e)为GLCM&MLPH方法 的分类结果图;图3(f)为MLPH-CK方法的分类结果图。
具体实施方式
一种基于多特征和复合核的SAR图像分类方法,包括如下步骤:
一、输入图像:输入任何一幅待分类的合成孔径雷达SAR图像。
二、特征提取:
1、对待分类的合成孔径雷达SAR图像利用GLCM(灰度级共生矩阵)提取空 间特征,提取步骤是:
①选取四个方向:0°,45°,90°和130°和两个距离:一个像素距离和两个像素距离,在待分
类的合成孔径雷达SAR图像中提取以每个像素点为中心大小为 7*7的像素块在这四个方向和两个距离的特征矩阵;
2、对待分类的合成孔径雷达SAR图像利用MLPH(多级局部模式直方图)提 取结构特征,提取步骤是:
①在待分类的合成孔径雷达SAR图像中以每个像素点为中心设置大小为5*5 的像素块,然后对各个像素块进行量化,量化标准为每个像素块中比中心像素点大t=4(阈 值)的设置为+1,比中心像素点小4的设置为-1,介于-4(包含)与+4(包含)之间的设置 为0,然后重新构建各个像素块,并对每个像素块内-1,0,+1出现次数以直方图的形式进行 表示,此即形成局部模式直方图;
②将阈值t变成8,16,32,64,分别计算在各个阈值下的局部模式直方图;
③将各个局部模式直方图串联表示,形成多级局部模式直方图。
三、将空间特征和结构特征进行融合组成特征融合矩阵:
具体实现步骤为:将由灰度共生矩阵GLCM形成的空间特征矩阵和由多级局部模式直方图 MLPH形成的结构特征矩阵直接连接,形成特征融合矩阵,即
其中Fenergy,Fhomo,Fcon,Fcor分别表示GLCM在四个方向和两个距离上形成的能量,同质性, 对比度以及相关性矩阵,而FLPH_1,···,FLPH_5则分别表示由MLPH通过五个阈值生成的局部 模式直方图。
四、从合成孔径雷达SAR图像中随机选取5%的像素点作为训练样本以对后续所提方法进 行训练,其余的则作为测试样本进行测试。
五、利用基于GLR(广义似然比)的SLIC(简单线性迭代聚类)方法生成超 像素。
六、将径向基函数(RBF)内核与由超像素组成的上下文信息内核加权组成复合核(CKs), 然后集成到支持向量机(SVM)中,形成新型复合核支持向量机。
其中μ为控制最终内核即复合核(CKs)中上下文信息内核比例的权重,然后将复合核结 合到支持向量机(SVM)中,形成新型复合核支持向量机。
七、利用新型训练过的复合核支持向量机,对待分类的合成孔径雷达SAR图像中测试样 本进行测试标记,求得分类结果。
八、计算精度。
利用总精确度(0A)、平均精度(AA)、kappa系数等对其进行性能评估。
下面通过仿真实验来对本发明的效果做进一步说明:
1.仿真条件:
本发明的仿真实验硬件平台为:Inter(R)Core(TM)i7CPU@3.40GHz、16GB RAM,软件平台为:MATLAB R2014(a)。
2.仿真实验结果与分析:
应用本发明方法、GLCM方法、GLCM&MLPH方法和MLPH-CK方法分别对合成SAR和真实SAR图 像进行分类实验,实验结果对比如图2、图3所示,下面进行具体分析:
仿真1,如图2所示,其中图2(a)为待分类的合成SAR图像,大小为512×512,图2(b)为待 分类的合成SAR图像的地面真值,图2(c)为本发明方法的分类结果。图2(d)为GLCM方法的分类 结果,图2(e)为GLCM&MLPH方法的分类结果,图2(f)为MLPH-CK方法的分类结果。
从图2可以看出,本发明方法分类结果较好,并且边缘比较平滑,清晰可辨,而在其他区 域本发明相对其他方法也有较好的分类效果。
仿真2,如图3所示,其中图3(a)为待分类的真实SAR图像,大小为256×256,图3(b)为待 分类的真实SAR图像的地面真值,图3(c)为本发明方法的分类结果。图3(d)为GLCM方法的分类 结果,图3(e)为GLCM&MLPH方法的分类结果,图3(f)为MLPH-CK方法的分类结果。
从图3可以看出,本发明在白色城市区域和黑色跑道区域相比其他方法均有明显改进,相 对3(d)、3(e)在抑制噪声方面有明显增强,相对3(f)精度也有所提高。
我们利用总精确度(0A)、平均精度(AA)、kappa系数等评价方法对本发明中四种分类 方法在合成SAR图像和真实SAR图像中的表现进行性能评估,评估结果如下表所示:
表1四种分类方法结果对比表
所提方法 | GLCM | GLCM&MLPH | MLPH-CK | |
图像 | 精度(%) | 精度(%) | 精度(%) | 精度(%) |
合成SAR | 98.86 | 62.38 | 81.35 | 91.27 |
真实SAR | 97.51 | 75.19 | 88.12 | 93.67 |
平均精度 | 97.43 | 70.02 | 86.62 | 91.43 |
Kappa系数 | 0.922 | 0.683 | 0.831 | 0.881 |
从表中可以看出,本发明在三种评价方法总精确度(0A)、平均精度(AA)、kappa系数中相对其他对比分类方法均表现较好,说明本发明能有效改进SAR图像固有斑点噪声带来 的影响,能有效提高分类精度。
从两个仿真实验可以看出,本发明方法由于使用多特征融合的策略有效提取了SAR图像 的空间信息和结构信息,有效利用了SAR图像内信息的丰富性,并且采用了复合核用于将纹 理信息和上下文信息加权集成到支持向量机中形成新型支持向量机,改进了现有技术中由噪 声造成的错分点较多的问题。从实验结果可以看出,本发明增强了鲁棒性,提高了分类精度。
Claims (3)
1.一种基于多特征和复合核的SAR图像分类方法,其特征在于:包括如下步骤:
①输入图像:输入任何一幅待分类的合成孔径雷达SAR图像;
②特征提取:利用灰度级共生矩阵GLCM提取待分类的合成孔径雷达SAR图像的空间特征,其步骤是:
2.1、选取0°,45°,90°和130°四个方向和一个像素距离、两个像素距离,在待分类的合成孔径雷达SAR图像中提取以每个像素点为中心,大小为7*7的像素块在这四个方向和两个距离的特征矩阵;
2.2、对每个矩阵进行归一化,然后求其归一化后能量对比度相关性和同质性四种纹理信息统计量,其中,p(i,j)为灰度值,i和j为归一化后矩阵,μx、μy、σx、σy为p(i,j)按行或列求和后的均值和标准差;
利用多级局部模式直方图MLPH提取待分类的合成孔径雷达SAR图像的结构特征,其步骤是:
2.3、在待分类的合成孔径雷达SAR图像中以每个像素点为中心设置大小为5*5的像素块,然后对各个像素块进行量化,量化标准为每个像素块中比中心像素点阈值t=4大的设置为+1,比中心像素点小4的设置为-1,介于包含-4与包含+4之间的设置为0,然后重新构建各个像素块,并对每个像素块内-1,0,+1出现次数以直方图的形式进行表示,此即形成局部模式直方图;
2.4、将阈值t变成8,16,32,64,分别计算在各个阈值下的局部模式直方图;
2.5、将各个局部模式直方图串联表示,形成多级局部模式直方图;
③将空间特征和结构特征进行融合组成特征融合矩阵;
④从合成孔径雷达SAR图像中随机选取5%的像素点作为训练样本以对后续所提方法进行训练,其余的则作为测试样本进行测试;
⑤利用基于广义似然比GLR的简单线性迭代聚类SLIC方法生成超像素;
⑥将径向基函数RBF内核与由超像素组成的上下文信息内核加权组成复合核CKs,然后集成到支持向量机SVM中,形成新型复合核支持向量机;
其中所述的径向基函数(RBF)公式为
其中μ为控制最终内核即复合核(CKs)中上下文信息内核比例的权重,然后将复合核结合到支持向量机(SVM)中,形成新型复合核支持向量机;
⑦分类:利用步骤⑥训练过的复合核支持向量机,对待分类的合成孔径雷达SAR图像中测试样本进行测试标记,求得分类结果;
⑧计算精度:利用总精确度0A、平均精度AA、kappa系数对其进行性能评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811053950.5A CN109344880B (zh) | 2018-09-11 | 2018-09-11 | 基于多特征和复合核的sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811053950.5A CN109344880B (zh) | 2018-09-11 | 2018-09-11 | 基于多特征和复合核的sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344880A CN109344880A (zh) | 2019-02-15 |
CN109344880B true CN109344880B (zh) | 2021-10-29 |
Family
ID=65305217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811053950.5A Active CN109344880B (zh) | 2018-09-11 | 2018-09-11 | 基于多特征和复合核的sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344880B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635789B (zh) * | 2019-01-23 | 2020-11-03 | 西安电子科技大学 | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 |
CN110298280B (zh) * | 2019-06-20 | 2023-04-07 | 上海海洋大学 | 一种基于mkl多特征融合的海洋涡旋识别方法 |
CN110703215B (zh) * | 2019-10-16 | 2022-09-06 | 电子科技大学 | 一种基于支持向量机的机载sar成像质量评估方法 |
CN111079797B (zh) * | 2019-11-25 | 2022-02-25 | 贝壳技术有限公司 | 一种图像分类的方法、装置和存储介质 |
CN111914898B (zh) * | 2020-06-30 | 2022-06-28 | 电子科技大学 | 一种基于自适应阈值的机载sar任务适应性评估方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198333B (zh) * | 2013-04-15 | 2016-01-20 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN103955913B (zh) * | 2014-02-18 | 2017-03-29 | 西安电子科技大学 | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 |
-
2018
- 2018-09-11 CN CN201811053950.5A patent/CN109344880B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109344880A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344880B (zh) | 基于多特征和复合核的sar图像分类方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Gosselin et al. | Revisiting the fisher vector for fine-grained classification | |
Zhang et al. | Airport detection and aircraft recognition based on two-layer saliency model in high spatial resolution remote-sensing images | |
Paisitkriangkrai et al. | Strengthening the effectiveness of pedestrian detection with spatially pooled features | |
Negrel et al. | Evaluation of second-order visual features for land-use classification | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN111738143B (zh) | 一种基于期望最大化的行人重识别方法 | |
CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
CN104680127A (zh) | 手势识别方法及系统 | |
Cui et al. | Ratio-detector-based feature extraction for very high resolution SAR image patch indexing | |
CN112800980B (zh) | 一种基于多层次特征的sar目标识别方法 | |
CN113688894B (zh) | 一种融合多粒度特征的细粒度图像分类方法 | |
Wan et al. | Affine invariant description and large-margin dimensionality reduction for target detection in optical remote sensing images | |
CN109543546B (zh) | 基于深度序分布回归的步态年龄估计方法 | |
Zeng et al. | Aircraft recognition based on improved iterative threshold selection and skeleton Zernike moment | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN116824485A (zh) | 一种基于深度学习的开放场景伪装人员小目标检测方法 | |
Kaufhold et al. | Recognition and segmentation of scene content using region-based classification | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
Manno-Kovacs | Content based image retrieval using salient orientation histograms | |
Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
Anvaripour et al. | Accurate object detection using local shape descriptors | |
CN103886327B (zh) | 基于2d‑kpca的极化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 |