CN109635789B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109635789B
CN109635789B CN201910065087.3A CN201910065087A CN109635789B CN 109635789 B CN109635789 B CN 109635789B CN 201910065087 A CN201910065087 A CN 201910065087A CN 109635789 B CN109635789 B CN 109635789B
Authority
CN
China
Prior art keywords
intensity
sar image
block
feature
extraction
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
CN201910065087.3A
Other languages
English (en)
Other versions
CN109635789A (zh
Inventor
侯彪
焦李成
李琳
马晶晶
马文萍
白静
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 CN201910065087.3A priority Critical patent/CN109635789B/zh
Publication of CN109635789A publication Critical patent/CN109635789A/zh
Application granted granted Critical
Publication of CN109635789B publication Critical patent/CN109635789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种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，对分类的SAR图像通过围绕边界进行镜像反射来进行边界扩展；对扩展后的SAR图像进行块提取；计算块的空间结构特征；再次对原SAR图像进行边界扩展提取块；计算块的强度比特征系数；对强度比特征和空间结构信息特征进行矢量叠加；选取部分样本点放入SVM分类器训练出模型；把整图放入模型中，得出最终的预测标签图作为最终分类结果图。本发明具有分类更加细致，边界更明显，区域提取特征更易于分类的优点，可用于SAR图像分类与目标识别。

Description

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
技术领域
本发明属于图像处理技术领域，具体涉及一种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。
背景技术
在实际应用中，需要利用遥感卫星对环境与洪涝灾害进行实时监测，最大限度减小灾害损失。合成孔径雷达(SAR)系统由于具有远距离性能，强穿透性和全天候采集能力等优点，已被广泛应用于遥感应用多年。那么研究快速、自适应、高精度的SAR图像地物的分类算法，就变得非常重要。然而，由于乘性散斑噪声的存在，对SAR数据的理解是一项长期而具有挑战性的任务。
在SAR图像分类问题上，一般包含特征提取和特征分类两个部分，其中特征提取的优劣是决定分类效果的关键因素。目前特征提取方式主要是在灰度、纹理和轮廓中提取信息。其中灰度特征简单易提取，但是特征过于单一，只适合简单图像；轮廓特征反映了图像目标本身的图像特征，但是受噪声的影响，精确度较差；纹理特征广泛应用于遥感图像模式识别领域。近年来，将纹理特征应用到SAR图像分类中以提高分类精度是常用办法。纹理分析法主要有三种：结构分析法、频谱分析法、统计分析法。目前的研究方法有：
(1)灰度共生矩阵(GLCM)提取特征，在几个定义的方向上给定偏移处共同出现的灰度值分布的矩阵，以此估计图像特性。
(2)Gabor滤波器提取特征，通过将图像数据与针对多个扩张并旋转的Gabor小波基进行卷积，以此来捕获纹理。
(3)高斯马尔可夫随机场(GMRF)将具有各种取向和预定义偏移的几个高斯分布应用于邻域中的像素。
然而这些工具最初并不是为SAR图像分类而设计的，不能充分利用SAR图像的特定属性。用以上的方法进行特征提取都不会对SAR图像数据中的强度(或振幅)数据进行建模。实际上，因为SAR散射统计能够描述一致类的高度可变性，SAR散射统计(SAR幅度和强度统计) 的统计建模在SAR图像处理中是必不可少的。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种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，解决传统空间结构特征分析应用于SAR图像分类易产生区域一致性差，边界凌乱，类别之前特征相似不可分的问题。
本发明采用以下技术方案：
一种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，对分类的SAR图像通过围绕边界进行镜像反射来进行边界扩展；对扩展后的SAR图像进行块提取；计算块的空间结构特征；再次对原SAR图像进行边界扩展提取块；计算块的强度比特征系数 HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]，hIntensity(x)为强度比特征向量；对强度比特征和空间结构信息特征进行矢量叠加；选取部分样本点放入SVM分类器训练出模型；把整图放入模型中，得出最终的预测标签图作为最终分类结果图。
具体的，块提取如下：
I＝{I1,I2,...,IN}
其中，N表示图像中像素点的位置，IN大小为h1^2，h1＝2*HalfWide_G，块提取步长为1，每个块表示中心像素点的信息。
具体的，对空间结构特征G＝{G1,G2,...,GN}归一化如下：
S301、定义Hgabor和HGLCM分别为经过特征提取后的gabor小波特征空间和GLCM灰度直方图特征空间；
S302、对于一个像素点x，其对应的块IN，得到两个特征向量hgabor(x)∈Hgabor和hGLCM(x)∈HGLCM；
S303、gabor特征选取五尺度八方向的滤波器，对每个滤波器提取出来的矩阵分别计算均值和方差；GLCM特征提取由所述灰度共生矩阵P(i,j|d,θ)计算五种参量；
S304、两个特征向量hgabor(x)和hGLCM(x)被串联成新的单一向量 hG(x)＝[hgabor(x)；hGLCM(x)]；
S305、按照S303～S304方式，计算每一个块的空间结构特征，整图空间结构特征记为 HG＝[hG(1),hG(2),...,hG(x)]，x表示SAR图像中的像素点位置，对整图特征进行[0,1]归一化。
进一步的，步骤S303中，五种参量计算如下：
均值：
Figure RE-GDA0001989211280000031
熵：
Figure RE-GDA0001989211280000032
对比度：
Figure RE-GDA0001989211280000033
方差：
Figure RE-GDA0001989211280000034
角二阶距：
Figure RE-GDA0001989211280000035
具体的，对原SAR图像通过围绕边界进行镜像反射来进行边界扩展，扩展大小为HalfWide_Intensity，对扩展后的SAR图像进行块提取Int＝{Int1,Int2,...,IntN}，N表示图像中像素点的位置，IN大小为h2^2，h2＝2*HalfWide_Intensity，块提取步长为1，每个块表示中心像素点的信息，将块标记为I＝{I1,I2,...,IN}。
具体的，计算块的强度比特征系数的步骤如下：
S601、定义HIntensity为经过特征提取后的强度比特征空间；
S602、对于一个像素点x，提取对应的块IntN，得到强度比特征向量hIntensity(x)∈HIntensity；
S603、强度比计算；
S604、定义bins(k)为投影到直方图中第k个区间的数量，直方图创建方式如下：
bins(k)＝f(G(z)∈[vol(k-1),vol(k)])
s.t.nmin≤vol(k-1)，vol(k)≤nmax
其中，vol(k)表示简化后的直方图中第k个区间的最小值；函数f(·)表示若G(z)的值在区间中，则f(·)数值加一，否则f(·)数值不变；nmin表示G(z)中的最小值；nmax表示G(z)中的最大值；
S605、定义直方图组合策略如下：
vol(k)＝B*vol(k-1),k∈[2,...,K]
其中，B表示控制vol(k)增长速率的参数；
S606、通过步骤S604的计算，得到每个块的强度比特征，整图空间结构特征记为HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]，x表示SAR图像中的像素点位置，然后进行如步骤S305的归一化。
进一步的，步骤S603中，强度比计算方式如下：
Figure RE-GDA0001989211280000041
IntN表示该像素点所对应块的灰度向量；Intensity_center表示与IntN相同规模的灰度向量，其值的大小均为块中心点的灰度值；函数G表示标准高斯核函数；
Figure RE-GDA0001989211280000042
其中，z表示
Figure RE-GDA0001989211280000043
σ表示正态分布的方差，μ表示正态分布的均值。
具体的，对强度比特征和空间结构信息特征进行矢量叠加，HG和HIntensity分别为经过特征提取后的结构特征空间和强度比特征空间，根据归一化的特征提取方法，分别得到空间结构特征向量hG(x)∈HG和强度比特征向量hIntensity(x)∈HIntensity，每个块的两个特征向量hG(x)和 hIntensity(x)串联成新的单一向量为：
hall(x)＝[hG(x)；hIntensity(x)]
整图特征记为
Hall＝[hall(1),hall(2),...,hall(x)]
其中，x表示SAR图像中的像素点位置。
具体的，训练SVM分类器的训练模型具体为：每一类选取1％的像素点，即对应点的特征向量，放入SVM中进行训练，得到训练模型。
具体的，使用SVM分类器对整图分类，把整图提取的特征Hall＝[hall(1),hall(2),...,hall(x)]放入模型中，得出最终的分类结果图。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种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，充分考虑了 SAR图像的固有特征，对SAR图像数据中的强度数据进行建模，并考虑到数据符合Gamma 分布，对强度数据做仿射变换，有效地保留了图像中的边缘信息；同时考虑到SAR图像的纹理空间结构特征，采取多种特征提取方式，通过矢量叠加进行特征融合，互相补充各个特征提取方式的不足，同时提取了全局信息和局部信息，保证了图像信息的完整性。
进一步的，对每个像素点进行块特征提取，采用此方法可以结合环境、周围地物等知识信息，对于SAR图像中细的河流和道路等容易混淆的目标可以准确解释。
进一步的，gabor滤波器和GLCM灰度共生矩阵在图像纹理特征信息提取分析中具有较好的效果，其中Gabor滤波器通过不同尺度和方向的Gabor小波提取地物区域不同尺度的时间域和频域信息，对具有方向性的线性纹理特征信息的特征提取敏感度较高，而灰度共生矩阵 (GLCM)可以提取地物空间依赖性信息，刻画地物的空间和结构特征。
进一步的，gabor特征利用不同纹理有不同的中心频率和带宽的特性，设计了一组五尺度八方向的gabor滤波器对纹理图像进行滤波，每个滤波器对与其频率对应的纹理采集，而对其他纹理抑制，并且对提取出来的纹理计算均值反映纹理的灰度值大小，方差反映纹理的规则程度。GLCM特征提供图像灰度方向、间隔和变化幅度信息，均值反映纹理灰度值大小；熵反映图像纹理复杂程度；对比度反映图像中局部灰度变化总量，对比度越大，图像的视觉效果越清晰；方差反映相应像素点与局部均值偏差的度量；角二阶距反映图像灰度分布均匀程度和纹理粗细度，采用上述五个计算方式，全面的描述了提取块的灰度分布特征。
进一步的，提取强度比特征信息目的是为了有效地保留图像中的边缘信息，因此对相应特征提取块要求更加细化，要求比上述的空间结构特征提取块小，故而需要重新对原图像进行边界扩展以及块提取。
进一步的，由于SAR图像的高动态和固有散斑，SAR散射统计能够描述一致类的高度可变性，因此SAR散射统计(SAR幅度和强度统计)的统计建模在SAR图像处理中是必不可少的。因此，在SAR图像特征建模中考虑图像的强度比信息可以提取有效的特征。由于对每个提取块进行强度比特征提取数据量庞大，因此采用直方图统计的方式进行数据压缩，避免特征维度灾难。
进一步的，为了防止变换函数对图像变换的影响，利用图像块的强度均值寻找一组参数抵抗仿射变换得到图像块强度比，但考虑到SAR图像符合Gamma分布，故而对其进行高斯变换，此方法更符合SAR图像特征，防止直方图统计时部分区间数据值过大，此变换可以更有效的反映图像块特征。
进一步的，同时考虑空间结构特征和强度比特征，采取多种特征提取方式，通过矢量叠加进行特征融合，互相补充各个特征提取方式的不足，同时提取了全局信息和局部信息，保证了图像信息的完整性。
进一步的，为了验证提取特征的有效性，随机抽取较少的数据(即1％的整体数据)作为训练集，该步骤会利用训练集对应提取的特征训练出一个SVM的分类模型。
进一步的，由步骤S8得到训练模型，将整图提取的特征放入该模型中，得到最终由SVM 分类器预测的分类标签图，对比相应的真实地物标记图，可以得到整图以及各个类别的分类准确率，用来与对比算法的分类正确率比较，证明该专利提出的提取特征方法对SAR图像分类的有效性。
综上所述，本发明具有分类更加细致，边界更明显，区域提取特征更易于分类的优点，可用于SAR图像分类与目标识别。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程示意图；
图2为本发明在一幅三类简单地物背景SAR图像上的仿真结果图；
图3为本发明在一幅三类复杂地物背景SAR图像上的仿真结果图。
具体实施方式
本发明提供了一种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，对分类的 SAR图像通过围绕边界进行镜像反射来进行边界扩展；对扩展后的SAR图像进行块提取 I＝{I1,I2,...,IN}；计算块的空间结构特征G＝{G1,G2,...,GN}；再次对原SAR图像进行边界扩展提取块；计算块的强度比特征系数HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]；对强度比特征和空间结构信息特征进行矢量叠加；选取部分样本点放入SVM分类器训练出模型；把整图放入模型中，得出最终的预测标签图，即最终分类结果图。
请参阅图1，本发明一种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，包括以下步骤：
S1、对待分类的SAR图像进行边界扩展；
对分类的SAR图像通过围绕边界进行镜像反射来进行边界扩展，扩展大小为HalfWide_G。
S2、对扩展后的SAR图像进行块提取I＝{I1,I2,...,IN}；
对扩展后的SAR图像进行进行块提取，N表示图像中像素点的位置。IN大小为h1^2，h1＝2*HalfWide_G，块提取步长为1，每个块表示中心像素点的信息，将块标记为 I＝{I1,I2,...,IN}。
S3、对每个块提取空间结构特征，得到空间结构特征G＝{G1,G2,...,GN}，对特征归一化。
S301、定义Hgabor和HGLCM分别为经过特征提取后的gabor小波特征空间和GLCM灰度直方图特征空间；
S302、对于一个像素点x，其对应的块IN，可以得到两个特征向量hgabor(x)∈Hgabor和hGLCM(x)∈HGLCM；
S303、gabor特征选取五尺度八方向的滤波器，对每个滤波器提取出来的矩阵分别计算均值和方差；GLCM特征提取由所述灰度共生矩阵P(i,j|d,θ)计算以下五种参量；
均值
Figure RE-GDA0001989211280000081
熵
Figure RE-GDA0001989211280000082
对比度
Figure RE-GDA0001989211280000083
方差
Figure RE-GDA0001989211280000084
角二阶距
Figure RE-GDA0001989211280000085
S304、两个特征向量hgabor(x)和hGLCM(x)被串联成新的单一向量如下；
hG(x)＝[hgabor(x)；hGLCM(x)]
S305、按照S303～S304方式，计算每一个块的空间结构特征，整图空间结构特征记为 HG＝[hG(1),hG(2),...,hG(x)]，x表示SAR图像中的像素点位置，对整图特征进行[0,1]归一化。
S4、对原分类SAR图像再次进行边界扩展。
对原分类SAR图像通过围绕边界进行镜像反射来进行边界扩展，扩展大小为HalfWide_Intensity。
S5、对扩展后的SAR图像再次进行块提取Int＝{Int1,Int2,...,IntN}。
对扩展后的SAR图像进行块提取Int＝{Int1,Int2,...,IntN}，N表示图像中像素点的位置，IN大小为h2^2，h2＝2*HalfWide_Intensity，块提取步长为1，每个块表示中心像素点的信息，将块标记为I＝{I1,I2,...,IN}。
S6、对每个块提取强度比特征信息，得到特征系数HIntensity，对特征系数归一化；
HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]
S601、定义HIntensity为经过特征提取后的强度比特征空间；
S602、对于一个像素点x，提取对应的块IntN，可以得到强度比特征向量；
hIntensity(x)∈HIntensity
S603、强度比计算方式如下：
Figure RE-GDA0001989211280000091
IntN表示该像素点所对应块的灰度向量；Intensity_center表示与IntN相同规模的灰度向量，其值的大小均为块中心点的灰度值；函数G表示标准高斯核函数；
Figure RE-GDA0001989211280000092
其中z表示
Figure RE-GDA0001989211280000093
σ表示正态分布的方差，μ表示正态分布的均值。
S604、定义bins(k)为投影到直方图中第k个区间的数量，直方图创建方式如下：
bins(k)＝f(G(z)∈[vol(k-1),vol(k)])
s.t.nmin≤vol(k-1)，vol(k)≤nmax (3)
vol(k)表示简化后的直方图中第k个区间的最小值；函数f(·)表示若G(z)的值在区间中，则f(·)数值加一，否则f(·)数值不变；nmin表示G(z)中的最小值；nmax表示G(z)中的最大值。
S605、定义直方图组合策略如下：
vol(k)＝B*vol(k-1),k∈[2,...,K] (4)
其中B表示控制vol(k)增长速率的参数，在此专利中取B＝2。
S606、通过步骤S604的计算，得到每个块的强度比特征，整图空间结构特征记为HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]，x表示SAR图像中的像素点位置，然后进行如步骤S305的归一化。
S7、多特征融合过程，对强度比特征和空间结构信息特征进行矢量叠加，作为后续分类器的特征。
HG和HIntensity分别为经过特征提取后的结构特征空间和强度比特征空间，根据步骤3和步骤6所述的特征提取方法，分别得到空间结构特征向量hG(x)∈HG和强度比特征向量hIntensity(x)∈HIntensity，每个块的两个特征向量hG(x)和hIntensity(x)被串联成新的单一向量hall(x)＝[hG(x)；hIntensity(x)]，整图特征记为Hall＝[hall(1),hall(2),...,hall(x)]，x表示SAR图像中的像素点位置。
S8、训练SVM分类器的训练模型。
每一类选取1％的像素点，即对应点的特征向量，放入SVM中进行训练，得到训练模型。
S9、使用SVM分类器对整图分类，得到最终分类结果。
把整图提取的特征Hall＝[hall(1),hall(2),...,hall(x)]放入模型中，得出最终的分类结果图。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
仿真条件
本实例是在Intel(R)Core(TM)i3CPU550@3.20GHz 4GB内存，Windows7系统下，MATLAB R2014B运行平台上，进行仿真实验。
仿真内容
应用本发明方法和GLCM+gabor小波-SVM分类方法分别对两幅SAR图像进行分类实验，并从整体分类准确性、每类分类准确性、细节信息的完整性和边缘边界的清晰性评价这些方法的各自性能。
图2(a)选取的是一幅位于美国加州某一区域，分辨率为3m，大小为256*256，包含城市、跑道和农田的三类复杂SAR图像；图3(a)选取的是一幅位于美国新墨西哥州Albuquerque地区附近的RioGrande river区域，分辨率为1m，大小为256*257，是一幅包含了草地、河流和灌木丛的三类复杂地物，特别是灌木丛中有很多阴影，为分类增加难度。
仿真实验结果
A三类简单地物背景SAR图像的实验结果
用本方法以及GLCM+gabor小波-SVM分类方法对三类简单地物背景SAR图像进行分类，其效果比较如图2所示。其中，图2(a)为三类简单的SAR图像，该SAR图像中有细小道路以及城市区域的纹理较为复杂，是SAR图像中的分类难点；图2(b)为图2(a)的真实地物标记图；图2(c)为GLCM+gabor小波-SVM分类方法对图2(a)进行分类得到的结果；图2(d)为本发明方法对图2(a)进行分类得到的结果。由图2可见，本发明的边缘清晰细节信息完整。相比之下， GLCM+gabor小波-SVM分类方法的区域轮廓辨析能力不好，由表1可见，对小道路的误分类效应很明显，这一效应很大程度上是由于GLCM+gabor小波提取的特征局部信息薄弱且欠缺概率分布描述。
表1
分类算法 城市精度/％ 跑道精度/％ 草坪精度/％ 总体精度/％
专利提出算法 96.37 92.04 91.73 92.2416
GLCM+gabor小波-SVM分类 96.52 86.43 90.52 89.2548
B三类复杂地物背景SAR图像的实验结果
用本发明以及GLCM+gabor小波-SVM分类方法对三类复杂地物背景SAR图像进行分类，其效果比较如图3所示。其中，图3(a)为三类复杂的SAR图像，其中灌木丛边有很多阴影，且有一些小灌木堆，为分类增加难度；图3(b)为为图3(a)的真实地物标记图；图3(c)为GLCM+gabor小波-SVM分类方法对图3(a)进行分类得到的结果；图3(d)为本发明方法对图3(a) 进行分类得到的结果。由图3可见本发明对于细节信息的保留是比较清晰准确的，且边界光滑连续，由表2可见对GLCM+gabor小波-SVM分类方法出现的有阴影的小灌木错误分类现象有明显的改善。
表2
分类算法 草坪精度/％ 灌木丛精度/％ 河流经度/％ 总体精度/％
专利提出方法 86.69 92.83 95.24 88.0273
GLCM+gabor小波-SVM分类 86.92 88.33 81.26 84.8523
仿真结果表明，本发明方法较GLCM特征分类和gabor小波特征分类能更有效的进行图像分类。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种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，其特征在于，对分类的SAR图像通过围绕边界进行镜像反射来进行边界扩展；对扩展后的SAR图像进行块提取；计算块的空间结构特征；再次对原SAR图像进行边界扩展提取块；计算块的强度比特征系数HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]，hIntensity(x)为强度比特征向量；对强度比特征和空间结构信息特征进行矢量叠加；选取部分样本点放入SVM分类器训练出模型；把整图放入模型中，得出最终的预测标签图作为最终分类结果图；
块提取如下：
I＝{I1,I2,...,IN}
其中，N表示图像中像素点的位置，IN大小为h1^2，h1＝2*HalfWide_G，块提取步长为1，每个块表示中心像素点的信息；
计算块的强度比特征系数的步骤如下：
S601、定义HIntensity为经过特征提取后的强度比特征空间；
S602、对于一个像素点x，提取对应的块IntN，得到强度比特征向量hIntensity(x)∈HIntensity；
S603、强度比计算，强度比计算方式如下：
Figure FDA0002674050620000011
IntN表示该像素点所对应块的灰度向量；Intensity_center表示与IntN相同规模的灰度向量，其值的大小均为块中心点的灰度值；函数G表示标准高斯核函数；
Figure FDA0002674050620000012
其中，z表示
Figure FDA0002674050620000013
σ表示正态分布的方差，μ表示正态分布的均值；
S604、定义bins(k)为投影到直方图中第k个区间的数量，直方图创建方式如下：
bins(k)＝f(G(z)∈[vol(k-1),vol(k)])
s.t.nmin≤vol(k-1)，vol(k)≤nmax
其中，vol(k)表示简化后的直方图中第k个区间的最小值；函数f(·)表示若G(z)的值在区间中，则f(·)数值加一，否则f(·)数值不变；nmin表示G(z)中的最小值；nmax表示G(z)中的最大值；
S605、定义直方图组合策略如下：
vol(k)＝B*vol(k-1),k∈[2,...,K]
其中，B表示控制vol(k)增长速率的参数；
S606、通过步骤S604的计算，得到每个块的强度比特征，整图空间结构特征记为HIntensity＝[hIntensity(1),hIntensity(2),...,hIntensity(x)]，x表示SAR图像中的像素点位置，然后进行如步骤S305的归一化。
2.根据权利要求1所述的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，其特征在于，对空间结构特征G＝{G1,G2,...,GN}归一化如下：
S301、定义Hgabor和HGLCM分别为经过特征提取后的gabor小波特征空间和GLCM灰度直方图特征空间；
S302、对于一个像素点x，其对应的块IN，得到两个特征向量hgabor(x)∈Hgabor和hGLCM(x)∈HGLCM；
S303、gabor特征选取五尺度八方向的滤波器，对每个滤波器提取出来的矩阵分别计算均值和方差；GLCM特征提取由所述灰度共生矩阵P(i,j|d,θ)计算五种参量；
S304、两个特征向量hgabor(x)和hGLCM(x)被串联成新的单一向量hG(x)＝[hgabor(x)；hGLCM(x)]；
S305、按照S303～S304方式，计算每一个块的空间结构特征，整图空间结构特征记为HG＝[hG(1),hG(2),...,hG(x)]，x表示SAR图像中的像素点位置，对整图特征进行[0,1]归一化。
3.根据权利要求2所述的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，其特征在于，步骤S303中，五种参量计算如下：
均值：
Figure FDA0002674050620000031
熵：
Figure FDA0002674050620000032
对比度：
Figure FDA0002674050620000033
方差：
Figure FDA0002674050620000034
角二阶距：
Figure FDA0002674050620000035
4.根据权利要求1所述的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，其特征在于，对原SAR图像通过围绕边界进行镜像反射来进行边界扩展，扩展大小为HalfWide_Intensity，对扩展后的SAR图像进行块提取Int＝{Int1,Int2,...,IntN}，N表示图像中像素点的位置，IN大小为h2^2，h2＝2*HalfWide_Intensity，块提取步长为1，每个块表示中心像素点的信息，将块标记为I＝{I1,I2,...,IN}。
5.根据权利要求1所述的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，其特征在于，对强度比特征和空间结构信息特征进行矢量叠加，HG和HIntensity分别为经过特征提取后的结构特征空间和强度比特征空间，根据归一化的特征提取方法，分别得到空间结构特征向量hG(x)∈HG和强度比特征向量hIntensity(x)∈HIntensity，每个块的两个特征向量hG(x)和hIntensity(x)串联成新的单一向量为：
hall(x)＝[hG(x)；hIntensity(x)]
整图特征记为
Hall＝[hall(1),hall(2),...,hall(x)]
其中，x表示SAR图像中的像素点位置。
6.根据权利要求1所述的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，其特征在于，训练SVM分类器的训练模型具体为：每一类选取1％的像素点，即对应点的特征向量，放入SVM中进行训练，得到训练模型。
7.根据权利要求1所述的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，其特征在于，使用SVM分类器对整图分类，把整图提取的特征Hall＝[hall(1),hall(2),...,hall(x)]放入模型中，得出最终的分类结果图。
CN201910065087.3A 2019-01-23 2019-01-23 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 Active CN109635789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910065087.3A CN109635789B (zh) 2019-01-23 2019-01-23 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910065087.3A CN109635789B (zh) 2019-01-23 2019-01-23 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

Publications (2)

Publication Number Publication Date
CN109635789A CN109635789A (zh) 2019-04-16
CN109635789B true CN109635789B (zh) 2020-11-03

Family

ID=66063405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910065087.3A Active CN109635789B (zh) 2019-01-23 2019-01-23 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

Country Status (1)

Country Link
CN (1) CN109635789B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728311A (zh) * 2019-09-29 2020-01-24 贝壳技术有限公司 一种图像处理方法、装置和存储介质
CN110969199A (zh) * 2019-11-25 2020-04-07 贝壳技术有限公司 一种图像分类的方法、装置和存储介质
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
CN111626122B (zh) * 2020-04-24 2024-01-05 贝壳技术有限公司 合成孔径雷达图像识别方法、装置、电子设备和存储介质
CN112069981A (zh) * 2020-09-03 2020-12-11 Oppo广东移动通信有限公司 图像分类方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8358855B2 (en) * 2009-07-08 2013-01-22 Honeywell International Inc. Determining probabilities from compared covariance appearance models to detect objects of interest in images
CN101763514B (zh) * 2010-01-15 2012-03-28 西安电子科技大学 基于特征重要度排序谱聚类的图像分割方法
CN105005765B (zh) * 2015-06-29 2018-08-28 北京工业大学 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
US10037477B2 (en) * 2015-08-31 2018-07-31 Massachusetts Institute Of Technology Combined intensity and coherent change detection in images
CN109344880B (zh) * 2018-09-11 2021-10-29 天津理工大学 基于多特征和复合核的sar图像分类方法

Also Published As

Publication number Publication date
CN109635789A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109635789B (zh) 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
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
Tang et al. Compressed-domain ship detection on spaceborne optical image using deep neural network and extreme learning machine
CN103034863B (zh) 一种结合核Fisher与多尺度提取的遥感影像道路获取方法
Storie et al. Deep learning neural networks for land use land cover mapping
CN104915676A (zh) 基于深层特征学习和分水岭的sar图像分类
CN105303184A (zh) 一种卫星遥感影像中地物精确识别方法
CN103984746B (zh) 基于半监督分类与区域距离测度的sar图像识别方法
CN111145228A (zh) 基于局部轮廓点与形状特征融合的异源图像配准方法
CN101930547A (zh) 一种基于面向对象的无监督分类的遥感影像自动分类方法
CN104217436B (zh) 基于多特征联合稀疏图的sar图像分割方法
CN103927511A (zh) 基于差异特征描述的图像识别方法
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
Li et al. Integrating multiple textural features for remote sensing image change detection
Paravolidakis et al. Coastline extraction from aerial images based on edge detection
CN109508674B (zh) 基于区域划分的机载下视异构图像匹配方法
Yu et al. Application of a convolutional autoencoder to half space radar hrrp recognition
CN104331711B (zh) 基于多尺度模糊测度与半监督学习的sar图像识别方法
CN102902982B (zh) 基于观测向量差的sar图像纹理分类方法
CN116843906A (zh) 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法
CN111611858A (zh) 一种基于多角度判别的倾轧轨迹面自动检测方法和装置
CN111325158A (zh) 一种基于cnn和rfc的集成学习的极化sar图像分类方法
CN107256399B (zh) 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法
CN111339823A (zh) 基于机器视觉和反向投影算法的打谷晒场检测方法
Han et al. Accurate and robust vanishing point detection method in unstructured road scenes

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