CN110297241A - 一种用于图像处理的上下文协方差矩阵构建方法 - Google Patents
一种用于图像处理的上下文协方差矩阵构建方法 Download PDFInfo
- Publication number
- CN110297241A CN110297241A CN201910614080.2A CN201910614080A CN110297241A CN 110297241 A CN110297241 A CN 110297241A CN 201910614080 A CN201910614080 A CN 201910614080A CN 110297241 A CN110297241 A CN 110297241A
- Authority
- CN
- China
- Prior art keywords
- pixel
- context
- vector
- covariance matrix
- ccm
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于图像处理的上下文协方差矩阵构建方法,包括1、获取待分类的SAR图像;2、对图像中的每个像素点,构建上下文散射矢量,根据上下文散射矢量和协方差矩阵;3、计算像素点与以像素点为中心的滑窗内每个像素点的上下文协方差矩阵的相似度参数;4、计算判决门限;5、选取相似样本像素集,对待滤波像素点进行滤波处理;6、得到相干斑滤波结果图;7、提取滤波后的图像中已知真实地物类别的像素点;8、使用各像素的的上下文协方差矩阵对分类器进行训练;9、对未知地物类别像素点逐个进行分类,分类结果。本发明使用图像的上下文协方差矩阵信息作为分类器的输入特征,使得分类精度更高。
Description
技术领域
本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)成像遥感技术领域,涉及一种用于图像处理的上下文协方差矩阵构建方法。
背景技术
目前常用遥感图像包括光学图像和雷达图像等。其中,获取得到雷达图像的成像雷达系统主要包括合成孔径雷达和逆合成孔径雷达,两者都具有全天时、全天候、远距离的观测能力,在目标侦察监视、态势感知等方面发挥着重要作用。SAR作为典型的成像雷达系统,是一种主动发射信号的微波传感器。20世纪50年代,合成孔径雷达成像概念被首次提出,到如今经过了约七十年的发展。SAR成像的基本原理是利用实际传感器天线沿方位向移动,形成比物理尺寸更长的有效天线,从而提高雷达的方位向分辨率。极化SAR通过收发极化状态相互正交的电磁波以获取观测场景的全极化信息。
地物分类作为SAR图像的重要应用,通常只是使用图像的幅度作为分类器的输入特征。由于可利用的信息量有限,故所得地物分类精度较低。因此怎样利用图像单一幅度之外的信息提高地物分类精度显得尤为重要。
就SAR图像信息表征而言,极化SAR图像常见的表征方式包括极化散射矩阵,极化协方差矩阵和极化相干矩阵等。而由于单极化SAR系统的收发天线仅有一种极化方式,得到的各像素点的数据是极化散射矩阵中的一项,全图即包含散射幅度和相位;在双极化SAR系统中,得到的图像各像素点的数据是极化散射矩阵中的一行或一列;全极化SAR则可以得到一个图像各像素点的数据的完整的极化散射矩阵。此外,干涉SAR数据类似于双极化SAR数据,包含的两项分别属于两条干涉基线的二维复数矩阵;极化干涉SAR数据相对而言较复杂,共包含两条干涉基线数据,每条干涉基线的数据都包含了整个极化散射矩阵。通过对极化散射矩阵进行变换,可以得到极化协方差矩阵和极化相干矩阵,进而提取数据中的目标散射信息。但是极化协方差矩阵和极化相干矩阵的表征方式,只适用于全极化SAR数据。对于其它类型的数据如光学图像、单极化SAR图像、双极化SAR图像等,怎样提取图像的散射矩阵信息,从而丰富地物分类中图像数据信息的输入,进而提高地物分类精度是一个值得深入研究的问题。
发明内容
本发明解决的技术问题是怎样提高地物分类精度,提供了一种用于图像处理的上下文协方差矩阵构建方法。
本发明的基本思路是:图像中某一像素的取值与其周围邻域像素的取值是密切相关的。这种相关性中蕴含着丰富的信息,即上下文信息。为了有效地提取这种相关性,可以在像素的一定邻域范围内,以像素的取值为元素得到上下文散射矢量,进而构建上下文协方差矩阵。通过提取种子像素的上下文协方差矩阵信息来取代图像的幅度信息作为分类器的输入特征。具体而言:针对图像中的每个像素,首先选取一个包含种子像素的win×win邻域,使用其邻域像素的像素值,按照一定的规则得到几组上下文散射矢量,然后将各上下文散射矢量与自身的共轭转置相乘构建对应数量的上下文协方差矩阵,最后对该种子像素的几组上下文协方差矩阵做平均处理得到属于该像素的上下文协方差矩阵。在SAR图像地物分类中,以各个像素点所对应的上下文协方差矩阵的正对角线和上三角元素作为分类器的输入,经过相应的训练和测试过程,实现对SAR图像中不同地物类别像素点的分类处理。
本发明所采用的技术方案是:
一种用于图像处理的上下文协方差矩阵构建方法,包括以下步骤:
步骤1:获取待分类的SAR图像;
步骤2:对SAR图像中的每一个像素点Sn,m,在该像素点Sn,m的win×win邻域内构建上下文散射矢量,根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m),n=1,2,…,N,m=1,2,…,M,N,M分别表示SAR图像的行、列像素点总数,win为大于等于3的奇数;
步骤3:根据像素点Sn,m的上下文协方差矩阵CCCM-(n,m),计算像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm,得到相似度参数矩阵lnQnm-IJ,i=1,2,…,I,j=1,2,…,J,I、J分别表示滑窗的行、列像素点总数,I、J为奇数;
步骤4:计算相似度参数的判决门限;
步骤5:根据相似度参数的判决门限,在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集,并对待滤波像素点Sn,m进行滤波处理;
步骤6:遍历SAR图像中的每一个像素,重复步骤2至5,得到SAR相干斑滤波结果图;
步骤7:提取滤波后的SAR图像中已知真实地物类别的像素点,设SAR图像中各种地物类别所对应的像素点数目为Ph,h=1,2,…,H,其中H为各种地物的类别总数;
步骤8:分别从每个地物类别相应的全部Ph个像素点中随机选取a%的像素点作为训练样本,剩余的(100-a)%像素点则作为测试样本,输入各样本的上下文协方差矩阵的正对角线和上三角元素,对分类器进行训练;
步骤9:输入其他未知像素点的上下文协方差矩阵的正对角线和上三角元素,使用训练好的分类器对未知像素点逐个进行分类,得到SAR图像中所有像素点的分类结果。
进一步地,步骤2中构建上下文散射矢量和上下文协方差矩阵的方法是:
步骤2.1:根据上下文散射矢量构建规则在以种子像素点Sn,m为核心的邻域内,在各个矢量构建方向上选取一定数量的像素点,这些像素点包含种子像素点Sn,m及其邻域像素点,各上下文散射矢量中的元素为组成上下文散射矢量的各像素的像素值,所述各个方向上的上下文散射矢量维度一致,每个上下文散射矢量中都含有种子像素点Sn,m,所有矢量构建方向上的上下文散射矢量中除种子像素点Sn,m外,其它邻域像素均不重复使用,表示种子像素点Sn,m第v个上下文散射矢量;
步骤2.2:每个方向上的上下文散射矢量与自身的共轭转置相乘,得到与上下文散射矢量数量对应的上下文协方差矩阵,将得到的上下文协方差矩阵进行平均,得到种子像素点Sn,m在该构建方式下的上下文协方差矩阵,V为所构建的上下文散射矢量总数,上标为共轭转置。
进一步地,所述上下文散射矢量构建规则是指上下文散射矢量的构建方向按照以种子像素点Sn,m为核心呈中心米字状和端点放射状两类,在这两类构建规则中按照上下文散射矢量选取的邻域像素点相对于种子像素点Sn,m的位置分为对称型、非对称型两类。
进一步地,当构建方向为中心米字状,且各构建方向上像素点的选取为对称型时,所述上下文散射矢量表示为
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd(4)
i1,j1;i2,j2;...;id,jd且不同时为零(5)
其中:c为SAR图像的通道数,D为上下文散射矢量构建方向上选取的像素点数量,上标T表示转置,sn+i1,m+j1表示第n+i1行,第m+j1列的像素,sn+id,m+jd表示第n+id行,第m+jd列的像素,i1,i2,...id表示在像素点Sn,m的坐标(n,m)基础上行的增长值,j1,j2,...jd表示在像素点Sn,m的坐标(n,m)基础上列的增长值,channel-1、channel-c分别表示SAR图像的第1通道和第c通道,d为整数;
当构建方向为中心米字状,且各构建方向上像素选取为非对称型时,上下文散射矢量表示为:
并需要满足下列约束条件:
i1≥j1,...id1≥jd1,i2≥j2,...id2≥jd2 (10)
i1,j1…id1,jd1以及i2,j2…id2,jd2不同时为零 (11)
i1=i2,...,id1=id2,j1=j2,...,jd1=jd2不同时成立 (12)
1≤d1≤D-2,1≤d2≤D-2,d1+d2≤D-2 (13)
其中,i1,...id1;i2,...id2表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,...jd1;j2,...jd2表示在像素点Sn,m的坐标(n,m)基础上列的步长值,d1、d2为整数;
当构建方向为端点放射状时,上下文散射矢量表示为:
并需要满足下列约束条件:
i=0,1,2,···,(win-1) (15)
j=0,1,2,···,(win-1) (16)
0<k1<k2<...<kd≤1 (17)
i,j,k1·i,k1·j,…kd·i,kd·j均为整数 (18)
i+j-(win-1)>0 (19)
i,j不同时为零 (20)
d=D-1 (21)
其中k1·i,k1·j,…kd·i,kd·j分别表示在像素点Sn,m的坐标(n,m)基础上行、列的步长值,k1、...kd为行、列的步长增长系数,i、j分别表示各上下文散射矢量构建方向上所选取的第D个像素点的横纵坐标相对于像素点Sn,m的坐标(n,m)偏移量。
进一步地,步骤3中计算相似度参数lnQij-nm和相似度参数矩阵lnQnm-IJ的方法是:
1)计算CCCM-(n,m)和CCCM-(i,j)的相似度参数lnQij-nm:
lnQnm-ij=2qln2+ln[Det(CCCM-(i,j))]+ln[Det(CCCM-(n,m))]-2ln[Det(CCCM-(i,j)+CCCM-(n,m))] (22)
其中,q为上下文协方差矩阵CCCM-(n,m)的维度,Det(·)表示取矩阵的行列式,符号ln表示自然对数,当CCCM-(i,j)=CCCM-(n,m)时,lnQij-nm=0;而当CCCM-(i,j)≠CCCM-(n,m)时,lnQij-nm<0;
2)相似度参数矩阵lnQnm-IJ:
遍历滑窗I×J内每一个像素点,通过式(1)计算得到待滤波像素点Sn,m与滑窗I×J内所有像素的相似度参数lnQij-nm,形成一个大小为I×J相似性参数矩阵lnQnm-IJ,lnQij-nm为相似度参数矩阵lnQnm-IJ中第i行第j列的元素。
进一步地,步骤4中判决门限的计算方法是其中,E为调节参数,平衡相干斑的抑制和图像细节保持,L为SAR图像的多视视数,q为上下文协方差矩阵CCCM-(n,m)的维度,与SAR图像的通道数c和上下文散射矢量各方向上选取的像素点数量D有关,q=c×D。
进一步地,步骤5中选取相似样本像素集的方法是:在种子像素Sn,m的滑窗I×J内,将相似度参数矩阵lnQnm-IJ中的每一个相似度参数lnQij-nm与判决门限Th进行比较,相似度参数矩阵lnQnm-IJ中取值大于门限Th的相似度参数所对应的像素确定为候选样本像素集,记为:
{SCCM-g}={Si,j|lnQnm-IJ≥Th}
进一步地,步骤5中对待滤波像素进行滤波处理的方法是:设{SCCM-g}中元素数目为G,则对待滤波像素Sn,m的滤波处理结果为:
进一步地,滑窗I×J的大小为I、J的取值为15~25。
与现有技术相比,本发明所取得的有益效果是:
本发明一种用于图像处理的上下文协方差矩阵构建方法,通过对SAR图像中的像素点构建上下文协方差矩阵,有效利用了每个像素的上下文信息,从而在选取相似像素样本集时,在计算每一个像素与其邻域内像素的相似度时,通过计算每一个像素与其邻域内像素的上下文协方差矩阵来计算相似度,提高了相似像素的选取精度,因此,相似像素样本集的相似度更高,根据相似性样本集对SAR数据的真值进行估计的精度更高,从而对图像进行相干斑滤波,滤波器性能优越。在对滤波后的图像进行分类时,避免了只使用图像的单一幅度信息作为分类器的输入特征,在滤波精度更高的图像中,使用信息度更加丰富的像素点上下文协方差矩阵信息作为分类器的输入特征,使得分类精度更高。
附图说明
图1本发明的实施流程图;
图2图像通道数为1,构建邻域大小为3×3,选取的邻域像素点个数为3,中心米字型+对称型的上下文散射矢量构建示意图。图(a)表示取点规则,图(b)-(e)为该构建方式下4个上下文散射矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图3图像通道数为1,构建邻域大小为3×3,选取的邻域像素点个数为3,端点放射状的上下文散射矢量构建示意图;图(a)表示取点规则,图(b)-(d)为该构建方式下3个上下s文矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图4图像通道数为1,构建邻域大小为5×5,选取的邻域像素点个数为3,中心米字型+对称型的上下文散射矢量构建示意图。图(a)表示取点规则,图(b)-(m)为该构建方式下12个上下文散射矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图5图像通道数为1,构建邻域大小为5×5,选取的邻域像素点个数为3,中心米字型+非对称型的上下文散射矢量构建示意图。图(a)表示取点规则,图(b)-(i)为该构建方式下8个上下文散射矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图6图像通道数为1,构建邻域大小为5×5,选取的邻域像素点个数为5,中心米字型+对称型的上下文散射矢量构建示意图;图(a)表示取点规则,图(b)-(e)为该构建方式下4个上下文散射矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
图7图像通道数为1,构建邻域大小为5×5,选取的邻域像素点个数为5,端点放射状的上下文散射矢量构建示意图;图(a)表示取点规则,图(b)-(d)为该构建方式下3个上下文散射矢量中三个元素对应的邻域像素位置;其中黑色像素表示选定的种子像素;
具体实施方式
图1至图7示出了本发明一种用于图像处理的上下文协方差矩阵构建方法的一种实施例,如图1所示的流程图,本实施例一种用于图像处理的上下文协方差矩阵构建方法,包括以下步骤:
步骤1:获取待分类的SAR图像;
步骤2:对SAR图像中的每一个像素点Sn,m,在该像素点Sn,m的win×win邻域内构建上下文散射矢量,根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m),n=1,2,…,N,m=1,2,…,M,N,M分别表示SAR图像的行、列像素点总数,win为大于等于3的奇数;
本实施例中,上下文散射矢量和上下文协方差矩阵的构建方法是:
步骤2.1:根据上下文散射矢量构建规则在以种子像素点Sn,m为核心的邻域内,在各个矢量构建方向上选取一定数量的像素点,这些像素点包含种子像素点Sn,m及其邻域像素点,各上下文散射矢量中的元素为组成上下文散射矢量的各像素的像素值,所述各个方向上的上下文散射矢量维度一致,每个上下文散射矢量中都含有种子像素点Sn,m,所有矢量构建方向上的上下文散射矢量中除种子像素点Sn,m外,其它邻域像素均不重复使用,表示种子像素点Sn,m第v个上下文散射矢量。
本实施例中,上下文散射矢量构建规则是指上下文散射矢量的构建方向按照以种子像素点Sn,m为核心呈中心米字状和端点放射状两类,在这两类构建规则中按照上下文散射矢量选取的邻域像素点相对于种子像素点Sn,m的位置分为对称型、非对称型两类。
步骤2.2:每个方向上的上下文散射矢量与自身的共轭转置相乘,得到与上下文散射矢量数量对应的上下文协方差矩阵,将得到的上下文协方差矩阵进行平均,得到种子像素点Sn,m在该构建方式下的上下文协方差矩阵,V为所构建的上下文散射矢量总数,上标表示共轭转置,本实施例中取V≥3,即取3个以上方向的上下文矢量就可以构建上下文协方差矩阵,上下文矢量越多,种子像素点Sn,m邻域信息越丰富,滤波精度越高。
具体地,当构建方向为中心米字状,且各构建方向上像素点的选取为对称型时,所述上下文散射矢量
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd且不同时为零 (5)
其中:c为SAR图像的通道数,D为上下文散射矢量构建方向上选取的像素点数量,上标T表示转置,sn+i1,m+j1表示第n+i1行,第m+j1列的像素,sn+id,m+jd表示第n+id行,第m+jd列的像素,i1,i2,...id表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,j2,...jd表示在像素点Sn,m的坐标(n,m)基础上列的步长值,d为整数,channel-1、channel-c分别表示SAR图像的第1通道和第c通道;对于单极化SAR图像的通道数为1,双极化SAR图像通道数为2,全极化SAR数据通道数为3(满足互易性条件)或4(不满足互易性条件),干涉SAR图像的通道数为2,极化干涉SAR图像的通道数为6。
本实施例中,对于通道数为1的单极化图像来说,构建方向为中心米字状,且各构建方向上像素点的选取为对称型时,如图2所示,当各方向选取的像素点数为3时,上下文散射矢量表示为
并需要满足下列约束条件:
i≥j且i,j不同时为零.
此种构建方式下邻域矩阵win≥3;图4给出了构建邻域大小为win×win=5×5,各方向选取的像素点数为3的示意图。图6给出了构建邻域大小为5×5,选取的邻域像素点个数为5,中心米字型+对称型的上下文散射矢量构建示意图。上下文散射矢量的总数V等于所构建的上下文散射矢量数量,本实施例中取V≥3。
本实施例中,对于通道数为c的图像来说,构建方向为中心米字状,且各构建方向上像素点的选取为对称型时,当各方向选取的像素点数为3时,上下文散射矢量
并需要满足下列约束条件:
i≥j且i,j不同时为零;
此种构建方式下win≥3,上下文散射矢量的维度为3×c。
当构建方向为中心米字状,且各构建方向上像素选取为非对称型时,上下文散射矢量表示为:
并需要满足下列约束条件:
i1≥j1,...id1≥jd1,i2≥j2,...id2≥jd2 (10)
i1,j1…id1,jd1以及i2,j2…id2,jd2不同时为零 (11)
i1=i2,...,id1=id2,j1=j2,...,jd1=jd2不同时成立 (12)
1≤d1≤D-2,1≤d2≤D-2,d1+d2≤D-2 (13)
其中,i1,...id1;i2,...id2表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,...jd1;j2,...jd2表示在像素点Sn,m的坐标(n,m)基础上列的步长值,d1、d2为整数;
本实施例中,对于通道数为1的单极化图像来说,构建方向为中心米字状,且各构建方向上像素点的选取为非对称型时,各方向选取的像素点数为3时,所述上下文散射矢量
并需要满足下列(6)-(10)5个约束条件:
i1≥j1,i2≥j2;
i1,j1不同时为零且i2,j2不同时为零;
i1=i2,j1=j2不同时成立;
此种构建方式下要求邻域矩阵win≥5;图5给出了构建邻域大小为5×5,选取的邻域像素点个数为3,中心米字型+非对称型的上下文散射矢量构建示意图,共构建了8个上下文散射矢量。
本实施例中,对于通道数为c的图像来说,构建方向为中心米字状,且各构建方向上像素点的选取为非对称型时,当各方向选取的像素点数为3时,上下文散射矢量表示为:
并需要满足下列约束条件:
i1≥j1,i2≥j2;
i1,j1不同时为零且i2,j2不同时为零;
i1=i2,j1=j2不同时成立。
此种构建方式下win≥5,上下文散射矢量的维度为3×c。
当构建方向为端点放射状时,上下文散射矢量表示为:
并需要满足下列约束条件:
i=0,1,2,···,(win-1) (15)
j=0,1,2,···,(win-1) (16)
0<k1<k2<...<kd≤1 (17)
i,j,k1·i,k1·j,…kd·i,kd·j均为整数 (18)
i+j-(win-1)>0 (19)
i,j不同时为零 (20)
d=D-1 (21)
其中k1·i,k1·j,…kd·i,kd·j分别表示在像素点Sn,m的坐标(n,m)基础上行、列的步长值,k1、...kd为行、列的步长增长系数,i、j分别表示各上下文散射矢量构建方向上所选取的第D个像素点的横纵坐标相对于像素点Sn,m的坐标(n,m)偏移量。
本实施例中,对于通道数为1的单极化图像来说,构建方向为端点放射状,则上下文散射矢量为:
并需要满足下列约束条件:
i=0,1,2,···,(win-1);
j=0,1,2,···,(win-1);
0<k<1;
i,j,k·i,k·j均为整数;
i+j-(win-1)>0;
i,j不同时为零。
此种构建方式下win≥3,对于win×win=3×3来说,图3给出了构建邻域大小为3×3,选取的邻域像素点个数为3,端点放射状的上下文散射矢量构建示意图;图7是图像通道数为1,构建邻域大小为5×5,选取的邻域像素点个数为5,端点放射状的上下文散射矢量构建示意图;
本实施例中,对于通道数为c的图像来说,构建方向为端点放射状,当各方向选取的像素点数为3时,上下文散射矢量表示为:
并需要满足下列约束条件:
i=0,1,2,···,(win-1);
j=0,1,2,···,(win-1);
0<k<1;
i,j,k·i,k·j均为整数;
i+j-(win-1)>0;
i,j不同时为零。
此种构建方式下win≥3,上下文散射矢量的维度为3×c。
步骤3:根据像素点Sn,m的上下文协方差矩阵CCCM-(n,m),计算像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm,得到相似度参数矩阵lnQnm-IJ,i=1,2,…,I,j=1,2,…,J,I、J分别表示滑窗的行、列像素点总数,I、J为奇数;
1)计算CCCM-(n,m)和CCCM-(i,j)的相似度参数lnQij-nm:
lnQnm-ij=2qln2+ln[Det(CCCM-(i,j))]+ln[Det(CCCM-(n,m))]-2ln[Det(CCCM-(i,j)+CCCM-(n,m))] (22)
其中,q为上下文协方差矩阵CCCM-(n,m)的维度,Det(·)表示取矩阵的行列式,符号ln表示自然对数,当CCCM-(i,j)=CCCM-(n,m)时,lnQij-nm=0;而当CCCM-(i,j)≠CCCM-(n,m)时,lnQij-nm<0;
2)相似度参数矩阵lnQnm-IJ:
遍历滑窗I×J内每一个像素点,通过式(22)计算得到待滤波像素点Sn,m
与滑窗I×J内所有像素的相似度参数lnQij-nm,形成一个大小为I×J相似性参数矩阵lnQnm-IJ,lnQij-nm为相似度参数矩阵lnQnm-IJ中第i行第j列的元素。
本实施例中,滑窗I×J的大小为I、J的取值为15~25。
步骤4:计算相似度参数的判决门限;
其中,E为调节参数,用于平衡相干斑的抑制和图像细节保持,L为SAR图像的多视视数,q为上下文协方差矩阵CCCM-(n,m)的维度,与SAR图像的通道数c和上下文散射矢量各方向上选取的像素点数量D有关,q=c×D。当然,判决门限根据滤波效果需要,也可直接赋值,范围通常在(-20,-0.1)之间,判决门限的典型值可取-0.5,-1,-1.5,-2,-2.5和-3。
步骤5:根据相似度参数的判决门限,在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集,并对待滤波像素点Sn,m进行滤波处理;
相似样本像素集选取的方法是:在种子像素Sn,m的滑窗I×J内,将相似度参数矩阵lnQnm-IJ中的每一个相似度参数lnQij-nm与判决门限Th进行比较,相似度参数矩阵lnQnm-IJ中取值大于门限Th的相似度参数所对应的像素确定为候选样本像素集,记为:
{SCCM-g}={Si,j|lnQnm-IJ≥Th}
对待滤波像素进行滤波处理的方法是:设{SCCM-g}中元素数目为G,则对待滤波像素Sn,m的滤波处理结果为:
步骤6:遍历SAR图像中的每一个像素,重复步骤2至5,得到SAR相干斑滤波结果图;
步骤7:提取滤波后的SAR图像中已知真实地物类别的像素点,设SAR图像中各种地物类别所对应的像素点数目为Ph,h=1,2,…,H,其中H为各种地物的类别总数;
本实施例使用的图像数据分别是UAVSAR HH通道和AIRSAR HH通道数据。UAVSAR图像中包含1101×1325个像素点,已知的真值像素点为233651个,包括燕麦、油菜、小麦、玉米、大豆、草料、阔叶林7类不同的地物,其中阔叶林7075个像素点,草料16089个像素点,大豆70249个像素点、玉米15732个像素点、小麦57653个像素点、油菜区域34307个像素点、燕麦32446个像素点。AIRSAR图像中包含449×374个像素点,已知的真值像素点为9495个,包括小麦、油菜、裸地、土豆、甜菜、苜蓿、大豆7类地物,其中小麦815个像素点,油菜724个像素点,裸地1257个像素点、土豆2242个像素点、甜菜1539个像素点、苜蓿2006个像素点、大豆912个像素点。
步骤8:分别从每个地物类别相应的全部Ph个像素点中随机选取a%的像素点作为训练样本,剩余的(100-a)%像素点则作为测试样本,输入各样本的上下文协方差矩阵的正对角线和上三角元素,对分类器进行训练,一般a%取20%-80%;本实施例中对比实验仅使用传统的决策树分类器,训练率a%设为50%。
步骤9:输入其他未知像素点的上下文协方差矩阵的正对角线和上三角元素,使用训练好的分类器对未知像素点逐个进行分类,得到SAR图像中所有像素点的分类结果。
表1使用UAVSAR HH通道数据的分类结果
表2使用AIRSAR HH通道数据的分类结果
表1给出了UAVSAR HH极化通道图像的分类精度结果。通过总体精度可以看出,使用上下文协方差矩阵的分类精度比直接使用幅度数据的总体分类精度高8.7%,特别是对于阔叶林和大豆区域,分类精度提高10%以上。验证了在SAR目标分类应用中,上下文协方差矩阵能够有效提高SAR图像分类的精度。
表2给出了AIRSAR HH极化通道图像的分类精度结果。通过总体准确率可以看出,使用上下文协方差矩阵的分类精度比直接使用幅度数据的总体分类精度高5%,特别地,苜蓿和小麦的分类精度提升10%左右。验证了该专利方法在不同极化SAR数据上性能优势的稳健性。
表3使用UAVSAR HH+HV通道数据的分类结果
表4使用AIRSAR HH+HV通道数据的分类结果
表3给出了UAVSAR HH+HV极化通道图像的分类精度结果。通过总体精度可以看出,使用上下文协方差矩阵的分类精度比直接使用幅度数据的总体分类精度高5.6%,特别是对于草料和油菜区域,分类精度提高10%以上。验证了在SAR目标分类应用中,上下文协方差矩阵能够有效提高双极化SAR图像分类的精度。
表4给出了AIRSAR HH+HV极化通道图像的分类精度结果。通过总体准确率可以看出,使用上下文协方差矩阵的分类精度比直接使用幅度数据的总体分类精度高3%,验证了该专利方法在不同双极化SAR数据上性能优势的稳健性。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种用于图像处理的上下文协方差矩阵构建方法,其特征在于,包括以下步骤:
步骤1:获取待分类的SAR图像;
步骤2:对SAR图像中的每一个像素点Sn,m,在该像素点Sn,m的win×win邻域内构建上下文散射矢量,根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m),n=1,2,…,N,m=1,2,…,M,N,M分别表示SAR图像的行、列像素点总数,win为大于等于3的奇数;
步骤3:根据像素点Sn,m的上下文协方差矩阵CCCM-(n,m),计算像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm,得到相似度参数矩阵lnQnm-IJ,i=1,2,…,I,j=1,2,…,J,I、J分别表示滑窗的行、列像素点总数,I、J为奇数;
步骤4:计算相似度参数的判决门限;
步骤5:根据相似度参数的判决门限,在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集,并对待滤波像素点Sn,m进行滤波处理;
步骤6:遍历SAR图像中的每一个像素,重复步骤2至5,得到SAR相干斑滤波结果图;
步骤7:提取滤波后的SAR图像中已知真实地物类别的像素点,设SAR图像中各种地物类别所对应的像素点数目为Ph,h=1,2,…,H,其中H为各种地物的类别总数;
步骤8:分别从每个地物类别相应的全部Ph个像素点中随机选取a%的像素点作为训练样本,剩余的(100-a)%像素点则作为测试样本,输入各样本的上下文协方差矩阵的正对角线和上三角元素,对分类器进行训练;
步骤9:输入其他未知地物类别的像素点的上下文协方差矩阵的正对角线和上三角元素,使用训练好的分类器对未知地物类别的像素点逐个进行分类,得到SAR图像中所有像素点的分类结果。
2.根据权利要求1所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:步骤2中构建上下文散射矢量和上下文协方差矩阵的方法是:
步骤2.1:根据上下文矢量构建规则在以种子像素点Sn,m为核心的邻域内,在各个矢量构建方向上选取一定数量的像素点,这些像素点包含种子像素点Sn,m及其邻域像素点,各上下文矢量中的元素为组成上下文矢量的各像素的像素值,所述各个方向上的上下文矢量维度一致,每个上下文矢量中都含有种子像素点Sn,m,所有矢量构建方向上的上下文矢量中除种子像素点Sn,m外,其它邻域像素均不重复使用,表示种子像素点Sn,m第v个上下文矢量;
步骤2.2:每个方向上的上下文矢量与自身的共轭转置相乘,得到与上下文矢量数量对应的上下文协方差矩阵,将得到的上下文协方差矩阵进行平均,得到种子像素点Sn,m在该构建方式下的上下文协方差矩阵,V为所构建的上下文矢量总数,上标为共轭转置。
3.根据权利要求2所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:所述上下文散射矢量构建规则是指上下文散射矢量的构建方向按照以种子像素点Sn,m为核心呈中心米字状和端点放射状两类,在这两类构建规则中按照上下文散射矢量选取的邻域像素点相对于种子像素点Sn,m的位置分为对称型、非对称型两类。
4.根据权利要求3所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:当构建方向为中心米字状,且各构建方向上像素点的选取为对称型时,所述上下文散射矢量表示为
并需要满足下列约束条件:
i1≥j1,i2≥j2,...,id≥jd (4)
i1,j1;i2,j2;...;id,jd且不同时为零 (5)
其中:c为SAR图像的通道数,D为上下文散射矢量构建方向上选取的像素点数量,上标T表示转置,sn+i1,m+j1表示第n+i1行,第m+j1列的像素,sn+id,m+jd表示第n+id行,第m+jd列的像素,i1,i2,...id表示在像素点Sn,m的坐标(n,m)基础上行的增长值,j1,j2,...jd表示在像素点Sn,m的坐标(n,m)基础上列的增长值,channel-1、channel-c分别表示SAR图像的第1通道和第c通道,d为整数;
当构建方向为中心米字状,且各构建方向上像素选取为非对称型时,上下文散射矢量表示为:
并需要满足下列约束条件:
i1≥j1,...id1≥jd1,i2≥j2,...id2≥jd2 (10)
i1,j1…id1,jd1以及i2,j2…id2,jd2不同时为零 (11)
i1=i2,...,id1=id2,j1=j2,...,jd1=jd2不同时成立 (12)
1≤d1≤D-2,1≤d2≤D-2,d1+d2≤D-2 (13)
其中,i1,...id1;i2,...id2表示在像素点Sn,m的坐标(n,m)基础上行的步长值,j1,...jd1;j2,...jd2表示在像素点Sn,m的坐标(n,m)基础上列的步长值,d1、d2为整数;
当构建方向为端点放射状时,上下文散射矢量表示为:
并需要满足下列约束条件:
i=0,1,2,···,(win-1) (15)
j=0,1,2,···,(win-1) (16)
0<k1<k2<...<kd≤1 (17)
i,j,k1·i,k1·j,…kd·i,kd·j均为整数 (18)
i+j-(win-1)>0 (19)
i,j不同时为零 (20)
d=D-1 (21)
其中k1·i,k1·j,…kd·i,kd·j分别表示在像素点Sn,m的坐标(n,m)基础上行、列的步长值,k1、...kd为行、列的步长增长系数,i、j分别表示各上下文散射矢量构建方向上所选取的第D个像素点的横纵坐标相对于像素点Sn,m的坐标(n,m)偏移量。
5.根据权利要求1所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:步骤3中计算相似度参数lnQij-nm和相似度参数矩阵lnQnm-IJ的方法是:
1)计算CCCM-(n,m)和CCCM-(i,j)的相似度参数lnQij-nm:
lnQnm-ij=2qln2+ln[Det(CCCM-(i,j))]+ln[Det(CCCM-(n,m))]-2ln[Det(CCCM-(i,j)+CCCM-(n,m))] (22)
其中,q为上下文协方差矩阵CCCM-(n,m)的维度,Det(·)表示取矩阵的行列式,符号ln表示自然对数,当CCCM-(i,j)=CCCM-(n,m)时,lnQij-nm=0;而当CCCM-(i,j)≠CCCM-(n,m)时,lnQij-nm<0;
2)相似度参数矩阵lnQnm-IJ:
遍历滑窗I×J内每一个像素点,通过式(1)计算得到待滤波像素点Sn,m与滑窗I×J内所有像素的相似度参数lnQij-nm,形成一个大小为I×J相似性参数矩阵lnQnm-IJ,lnQij-nm为相似度参数矩阵lnQnm-IJ中第i行第j列的元素。
6.根据权利要求1所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:步骤4中判决门限的计算方法是其中,E为调节参数,平衡相干斑的抑制和图像细节保持,L为SAR图像的多视视数,q为上下文协方差矩阵CCCM-(n,m)的维度,与SAR图像的通道数c和上下文散射矢量各方向上选取的像素点数量D有关,q=c×D。
7.根据权利要求6所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:步骤5中选取相似样本像素集的方法是:在种子像素Sn,m的滑窗I×J内,将相似度参数矩阵lnQnm-IJ中的每一个相似度参数lnQij-nm与判决门限Th进行比较,相似度参数矩阵lnQnm-IJ中取值大于门限Th的相似度参数所对应的像素确定为候选样本像素集,记为:
{SCCM-g}={Si,j|lnQnm-IJ≥Th}
8.根据权利要求7所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:步骤5中对待滤波像素进行滤波处理的方法是:设{SCCM-g}中元素数目为G,则对待滤波像素Sn,m的滤波处理结果为:
9.根据权利要求7所述的一种用于图像处理的上下文协方差矩阵构建方法,其特征在于:滑窗I×J的大小为I、J的取值为15~25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614080.2A CN110297241B (zh) | 2019-07-09 | 2019-07-09 | 一种用于图像处理的上下文协方差矩阵构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614080.2A CN110297241B (zh) | 2019-07-09 | 2019-07-09 | 一种用于图像处理的上下文协方差矩阵构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110297241A true CN110297241A (zh) | 2019-10-01 |
CN110297241B CN110297241B (zh) | 2021-02-12 |
Family
ID=68030804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614080.2A Active CN110297241B (zh) | 2019-07-09 | 2019-07-09 | 一种用于图像处理的上下文协方差矩阵构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297241B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717876A (zh) * | 2019-10-21 | 2020-01-21 | 中国人民解放军国防科技大学 | 一种sar图像相干斑滤波和目标检测一体化方法和装置 |
CN112987004A (zh) * | 2021-02-05 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种浅海环境下基于水平阵列的水面水下目标分类方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01321591A (ja) * | 1988-06-23 | 1989-12-27 | Nec Corp | 文字認識装置 |
JPH06251156A (ja) * | 1993-02-26 | 1994-09-09 | Canon Inc | パターン認識装置 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
CN105930846A (zh) * | 2016-04-05 | 2016-09-07 | 西安电子科技大学 | 基于邻域信息和svgdl的极化sar图像分类方法 |
CN106897741A (zh) * | 2017-02-20 | 2017-06-27 | 中国人民解放军国防科学技术大学 | 结合旋转域极化相干特征的极化sar地物分类方法 |
CN107144841A (zh) * | 2017-05-08 | 2017-09-08 | 河南科技大学 | 一种基于最小剩余功率的极化sar图像目标分解方法 |
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
-
2019
- 2019-07-09 CN CN201910614080.2A patent/CN110297241B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01321591A (ja) * | 1988-06-23 | 1989-12-27 | Nec Corp | 文字認識装置 |
JPH06251156A (ja) * | 1993-02-26 | 1994-09-09 | Canon Inc | パターン認識装置 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
CN105930846A (zh) * | 2016-04-05 | 2016-09-07 | 西安电子科技大学 | 基于邻域信息和svgdl的极化sar图像分类方法 |
CN106897741A (zh) * | 2017-02-20 | 2017-06-27 | 中国人民解放军国防科学技术大学 | 结合旋转域极化相干特征的极化sar地物分类方法 |
CN107144841A (zh) * | 2017-05-08 | 2017-09-08 | 河南科技大学 | 一种基于最小剩余功率的极化sar图像目标分解方法 |
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
Non-Patent Citations (2)
Title |
---|
YASSER MAGHSOUDI ETC: "Nonparametric feature selection and support vector machine for polarimetric SAR data classification", 《2011 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
石俊飞: "基于层次语义模型与散射机理的极化SAR地物分类", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717876A (zh) * | 2019-10-21 | 2020-01-21 | 中国人民解放军国防科技大学 | 一种sar图像相干斑滤波和目标检测一体化方法和装置 |
CN110717876B (zh) * | 2019-10-21 | 2022-08-02 | 中国人民解放军国防科技大学 | 一种sar图像相干斑滤波和目标检测一体化方法和装置 |
CN112987004A (zh) * | 2021-02-05 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种浅海环境下基于水平阵列的水面水下目标分类方法 |
CN112987004B (zh) * | 2021-02-05 | 2023-07-21 | 中国人民解放军国防科技大学 | 一种浅海环境下基于水平阵列的水面水下目标分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110297241B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
Wang et al. | Imbalanced learning-based automatic SAR images change detection by morphologically supervised PCA-net | |
CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN105760900B (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
Fan et al. | Marine floating raft aquaculture detection of GF-3 PolSAR images based on collective multikernel fuzzy clustering | |
CN103473759B (zh) | 一种WKPCA同质度校正nCRF抑制的微光图像显著轮廓提取方法 | |
CN110349160A (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
CN111881933A (zh) | 一种高光谱图像分类方法及系统 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN105138966B (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN107330457A (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN110297241A (zh) | 一种用于图像处理的上下文协方差矩阵构建方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
Wu et al. | Hyperspectral image target detection via integrated background suppression with adaptive weight selection | |
Patel et al. | Adaboosted extra trees classifier for object-based multispectral image classification of urban fringe area | |
Xie et al. | Superpixel-based PolSAR images change detection | |
Shen et al. | Cropland extraction from very high spatial resolution satellite imagery by object-based classification using improved mean shift and one-class support vector machines | |
Zolfaghari et al. | Using support vector machine (SVM) for agriculture land use mapping with SAR data: Preliminary results from western Canada | |
CN109948520A (zh) | 一种基于多时相双极化sar特征曲线的农作物分类方法 | |
Carvalho et al. | Optical and SAR imagery for mapping vegetation gradients in Brazilian savannas: Synergy between pixel-based and object-based approaches | |
Gamba et al. | A robust approach to global urban area extent extraction using ASAR Wide Swath Mode data | |
CN110335214B (zh) | 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法 | |
Uhlmann et al. | Polarimetric SAR images classification using collective network of binary classifiers | |
Liu et al. | Preliminary tests on the performance of MLC-RFE and SVM-RFE in Lansat-8 image classification |
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 |