CN110728311A - 一种图像处理方法、装置和存储介质 - Google Patents

一种图像处理方法、装置和存储介质 Download PDF

Info

Publication number
CN110728311A
CN110728311A CN201910932509.2A CN201910932509A CN110728311A CN 110728311 A CN110728311 A CN 110728311A CN 201910932509 A CN201910932509 A CN 201910932509A CN 110728311 A CN110728311 A CN 110728311A
Authority
CN
China
Prior art keywords
image
sar
features
sar image
gray
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.)
Pending
Application number
CN201910932509.2A
Other languages
English (en)
Inventor
李琳
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.)
Beike Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
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 Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN201910932509.2A priority Critical patent/CN110728311A/zh
Publication of CN110728311A publication Critical patent/CN110728311A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像处理的方法、装置和存储介质，具体为获取多个SAR图像样本，并在SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征，对SAR图像样本的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征进行矢量叠加，生成SAR图像样本对应的图像特征，将生成的多个图像特征输入分类器，并进行训练，以生成图像分类模型，将获取的待分类SAR图像输入图像分类模型，生成与待分类SAR图像的分类标签。本申请实施例通过提取SAR图像样本的各种图像特征，并将提取的多种图像特征进行矢量叠加生成图像特征，生成图像分类模型，提升了图像分类模型对SAR图像中进行边界界定的能力。

Description

一种图像处理方法、装置和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种图像处理方法、装置和存储介质。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天线孔径用图像处理的方法合成较大的等效天线孔径的雷达，也称综合孔径雷达。合成孔径雷达的特点是分辨率高，能全天候工作，能有效地识别伪装和穿透掩盖物。所得到的高方位分辨力相当于一个大孔径天线所能提供的方位分辨力。
通过合成孔径雷达获取的信息已经被应用于城市规划、覆被分类、灾害预防、环境风险评估、城市检测与提取等许多方面。其中，针对SAR图像进行地物分类而使用的特征提取工具主要是为自然图像设计的。当对高分辨率的SAR图像进行处理时，随着分辨率的提升，SAR图像的文理边缘特征趋于消失，强反射占据主导地位，出现高动态和乘性噪声等一系列问题。而目前采用的特征提取方法在处理SAR图像地物分类问题时可能出现难以界定复杂地物边界的问题，地物分类的精准度较低。
发明内容
本申请实施例提供了一种图像处理的方法，克服了对SAR图像进行地物分类时边界界定不明显的问题。
该方法包括：
获取多个SAR图像样本；
在所述SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征；
对所述SAR图像样本的所述图像纹理特征、所述图像灰度特征、所述强度比特征和所述方向梯度直方图特征进行矢量叠加，生成所述SAR图像样本对应的图像特征；
将生成的多个所述图像特征输入分类器，并进行训练，以生成图像分类模型；
将获取的待分类SAR图像输入所述图像分类模型，生成与所述待分类SAR图像的分类标签。
可选地，确定所述SAR图像样本的图像边界，并围绕所述图像边界进行边界扩展，生成待处理SAR图像样本；
将所述待处理SAR图像样本中划分为多个图像块，其中，相邻的所述图像块之间的部分像素点重合。
可选地，通过第一滤波器对每个所述SAR图像样本的至少一个所述图像块进行滤波，并在所述图像块中提取所述图像纹理特征，其中，所述图像纹理特征包括所述SAR图像样本中包含的所述像素点的均值和方差；
生成所述SAR图像样本的各个所述图像块的灰度共生矩阵，并根据所述灰度共生矩阵计算所述图像块的所述图像灰度特征，其中，所述图像灰度特征包括所述SAR图像样本中包含的所述像素点的均值、熵、对比度、方差和角二阶距。
可选地，计算所述待处理SAR图像样本中至少一个所述图像块的灰度比；
根据所述灰度比确定灰度比区间差值，并按照所述灰度比区间差值划分灰度区间；
统计至少一个所述灰度区间中的所述灰度值的个数，并将各个所述灰度区间中确定的灰度值的所述个数组成的数组确定为所述图像块对应的所述强度比特征。
可选地，确定所述图像块的灰度向量；
将所述图像块的所述灰度向量和所述图像块的中心像素点的灰度向量的差与所述图像块的中心像素点的灰度向量的比值作为所述各个图像块的灰度比。
可选地，计算所述至少一个像素点的梯度幅值和梯度方向；
根据所述像素点的所述梯度幅值和所述梯度方向计算所述像素点的所述方向梯度直方图特征，并对各个像素点的所述方向梯度直方图特征进行矢量叠加，生成对应的所述图像块的所述方向梯度直方图特征。
在本发明的另一个实施例中，提供了一种图像处理的装置，该装置包括：
获取模块，用于获取多个SAR图像样本；
提取模块，用于在所述SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征；
第一生成模块，用于对所述SAR图像样本的所述图像纹理特征、所述图像灰度特征、所述强度比特征和所述方向梯度直方图特征进行矢量叠加，生成所述SAR图像样本对应的图像特征；
第二生成模块，用于将生成的多个所述图像特征输入分类器，并进行训练，以生成图像分类模型；
第三生成模块，用于将获取的待分类SAR图像输入所述图像分类模型，生成与所述待分类SAR图像的分类标签。
可选地，所述装置还包括：
第四生成模块，用于确定所述SAR图像样本的图像边界，并围绕所述图像边界进行边界扩展，生成待处理SAR图像样本；
划分模块，用于将所述待处理SAR图像样本中划分为多个图像块，其中，相邻的所述图像块之间的部分像素点重合。
可选地，提取模块包括：
提取单元，用于通过第一滤波器对每个SAR图像样本的至少一个图像块进行滤波，并在图像块中提取图像纹理特征，其中，图像纹理特征包括SAR图像样本中包含的像素点的均值和方差；
生成单元，用于生成SAR图像样本的各个图像块的灰度共生矩阵，并根据灰度共生矩阵计算图像块的图像灰度特征，其中，图像灰度特征包括SAR图像样本中包含的像素点的均值、熵、对比度、方差和角二阶距。
可选地，提取模块还包括：
第一计算单元，用于计算待处理SAR图像样本中至少一个图像块的灰度比；
划分单元，用于根据各个灰度比确定灰度比区间差值，并按照灰度比区间差值划分灰度区间；
确定单元，用于统计至少一个灰度区间中的灰度值的个数，并将各个灰度区间中确定的灰度值的个数组成的数组确定为图像块对应的强度比特征。
可选地，第一计算单元包括：
第一确定子单元，用于确定图像块的灰度向量；
第二确定子单元，用于将图像块的灰度向量和图像块的中心像素点的灰度向量的差与图像块的中心像素点的灰度向量的比值作为图像块的灰度比。
可选地，提取模块还包括：
第二计算单元，用于计算至少一个像素点的梯度幅值和梯度方向；
生成单元，用于根据像素点的梯度幅值和梯度方向计算各个像素点的方向梯度直方图特征，并对像素点的方向梯度直方图特征进行矢量叠加，生成对应的图像块的方向梯度直方图特征。
在本发明的另一个实施例中，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行上述一种图像处理的方法中的各个步骤。
在本发明的另一个实施例中，提供了一种终端设备，包括处理器，所述处理器用于执行上述一种图像处理的方法中的各个步骤。
基于上述实施例，首先获取多个SAR图像样本，并在每个SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征。其次，对每个SAR图像样本的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征进行矢量叠加，生成每个SAR图像样本对应的图像特征，进一步地，将生成的多个图像特征输入分类器，并进行训练，以生成图像分类模型，最后，将获取的待分类SAR图像输入图像分类模型，生成与待分类SAR图像的分类标签。本申请实施例通过提取SAR图像样本的各种图像特征，并将提取的多种图像特征进行矢量叠加生成图像特征，并将多个图像特征输入分类器进行训练，生成图像分类模型，提升了图像分类模型对SAR图像中进行边界界定的能力，增加了对SAR图像进行地物分类的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例100所提供的一种图像处理的方法的流程示意图；
图2示出了本申请实施例200提供的一种图像处理的方法的具体流程的示意图；
图3示出了本申请实施例300还提供一种图像处理的装置的示意图；
图4示出了本申请实施例400所提供的一种终端设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
基于现有技术中的问题，本申请实施例提供了一种图像处理的方法，主要适用于互联网技术领域。通过提取SAR图像的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征，提升SAR图像的地物分类的精准度，并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。下面以具体实施例对本发明的技术方案进行详细说明，以实现一种图像处理的方法。以下几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。如图1所示，为本申请实施例100提供的一种图像处理的方法的流程示意图。其中，详细步骤如下：
S11，获取多个SAR图像样本。
本步骤中，通过分辨率较高的相干成像雷达系统SAR获取SAR图像，即通过天线给向拍摄图像发射能量，同时也通过SAR接收能量，全部的能量都通过电子设备记录下来，最后形成SAR图像。其中，SAR图像可以记录包括相位、振幅、强度在内的多种信息，且斑点噪声是其固有特性。另外，SAR影像分辨率相对较低、信噪比较低，所以SAR影像中所包含的振幅信息远达不到光学影像的成像水平。通过SAR系统获取多个SAR图像作为SAR图像样本。
S12，在SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征。
本步骤中，分别在每个SAR图像中分别提取包括图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征在内的多个图像特征。其中，图像纹理特征用于描述SAR图像中包含的像素点的频率信息，主要通过Gabor核在频率域上对信号进行加窗，以描述信号的局部频率信息。图像灰度特征是至SAR图像灰度的空间相关特性，主要通过灰度共生矩阵(Gray-Level Co-occurrence Matrix，GLCM)统计SAR图像的图像灰度特征。强度比特征用于描述SAR图像中的划分的各个像素块的强度比值。以及，方向梯度直方图(Histogram oforiented gradient，HOG)特征用于计算SAR图像的局部图像梯度的方向信息，以描述SAR图像的图像特征。
以上四种图像特征均用于描述SAR图像的图像特征。
S13，对SAR图像样本的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征进行矢量叠加，生成SAR图像样本对应的图像特征。
本步骤中，在获取了上述四种不同类别的图像特征后，将图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征分别对应的向量进行矢量叠加，生成每个SAR图像样本对应的图像特征。
S14，将生成的多个图像特征输入分类器，并进行训练，以生成图像分类模型。
本步骤中，针对获取的SAR图像样本进行上述处理后，得到每张SAR图像样本的图像特征，并将多个图像特征作为样本与每个图像特征对应的分类标签一起输入分类器，对分类器进行训练，生成图像分类模型。
S15，将获取的待分类SAR图像输入图像分类模型，生成与待分类SAR图像的分类标签。
本步骤中，获取需要进行分类的待分类SAR图像，并输入上述训练生成的图像分类模型中，生成与该待分类SAR图像对应的分类标签。
如上所述，基于上述实施例，首先获取多个SAR图像样本，并在SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征。其次，对SAR图像样本的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征进行矢量叠加，生成SAR图像样本对应的图像特征，进一步地，将生成的多个图像特征输入分类器，并进行训练，以生成图像分类模型，最后，将获取的待分类SAR图像输入图像分类模型，生成与待分类SAR图像的分类标签。本申请实施例通过提取SAR图像样本的各种图像特征，并将提取的多种图像特征进行矢量叠加生成图像特征，并将多个图像特征输入分类器进行训练，生成图像分类模型，提升了图像分类模型对SAR图像中进行边界界定的能力，增加了对SAR图像进行地物分类的精准度。
如图2所示，为本申请实施例200提供的一种图像处理的方法的具体流程的示意图。其中，该具体流程的详细过程如下：
S201，获取多个SAR图像样本。
S202，对SAR图像样本进行预处理。
这里，确定每个SAR图像样本的图像边界，并围绕图像边界进行边界扩展，生成待处理SAR图像样本，将待处理SAR图像样本中划分为多个图像块，其中，相邻的图像块之间的部分像素点重合。可选地，针对每个SAR图像中的像素点，围绕像素点的边界进行镜像反射，以对SAR图像进行边界扩展。将扩展后的待处理SAR图像进行划分，划分为多个图像块。其中，相邻的图像块之间的部分像素点重合。
S203，在至少一个图像块中提取图像纹理特征。
这里，通过第一滤波器对每个SAR图像样本的各个图像块进行滤波，并在每个图像块中提取图像纹理特征，其中，图像纹理特征包括SAR图像样本中包含的像素点的均值和方差。可选地，第一滤波器一般为五尺度八方向的Gabor滤波器，Gabor滤波器的频率和方向与人类的视觉系统类似，适用于图像纹理的表示与判别。Gabor滤波器依靠Gabor核获取SAR图像样本中的各个图像块的某个频率邻域的响应情况，可以看作是图像块的图像特征。用多个不同频率的Gabor核去获取SAR图像在不同频率邻域的响应情况，形成SAR图像在各个频率段的图像特征，得到图像块的图像纹理特征。根据Gabor滤波器在每个图像块中提取的矩阵，分别计算SAR图像样本对应的图像块中包含的像素点的均值和方差，以提取图像纹理特征。
最后，统计所有图像块的图像纹理特征，并将所有图像块的图像纹理特征对应的特征向量串联起来就是整幅SAR图像样本的图像纹理特征。
S204，在至少一个图像块中提取图像灰度特征。
本步骤中，生成每个SAR图像样本的各个图像块的灰度共生矩阵，并根据灰度共生矩阵计算图像块的所述图像灰度特征，其中，图像灰度特征包括SAR图像样本中包含的像素点的均值、熵、对比度、方差和角二阶距。可选地，灰度共生矩阵GLCM用两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。通过灰度共生矩阵计算P(i,j|d,θ)计算图像块中的像素点的均值MEA＝∑i,ji*P(i,j|d,θ)、熵ENT＝-∑i,jP(i,j|d,θ)*log{P(i,j|d,θ)}、对比度CON＝∑i,j(i-j)2P(i,j|d,θ)、方差Var＝∑i∑j(i-μ)2P(i,j|d,θ)和角二阶距Energy＝∑i,jP2(i,j|d,θ)，其中，P(i，j)表示灰度共生矩阵中像素位置在(i，j)坐标上的灰度值，d和θ分别表示尺度和方向。
最后，统计所有图像块的灰度共生矩阵，并将在所有图像块的灰度共生矩阵中提取的所有图像灰度特征对应的特征向量串联起来，生成整幅SAR图像样本的图像灰度特征。
S205，在至少一个图像块中提取强度比特征。
这里，计算待处理SAR图像样本中每个图像块的灰度比，根据各个灰度比确定灰度比区间差值，并按照灰度比区间差值划分灰度区间，统计各个灰度区间中的灰度值的个数，并将各个灰度区间中确定的灰度值的个数组成的数组确定为图像块对应的强度比特征。
其中，计算待处理图像样本中的每个图像块的灰度比的步骤为，首先确定各个图像块的灰度向量IntN，将图像块中的每一个像素对应的灰度向量矢量叠加，生成该图像块的灰度比。进一步地，计算各个图像块的灰度比，将各个图像块的灰度向量和图像块的中心像素点的灰度向量的差与图像块的中心像素点的灰度向量的比值作为各个图像块的灰度比。则灰度比Z为其中，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，且不为0，其值的大小均为图像块中心像素点的灰度值。
进一步地，对计算得出的灰度Z进行标准高斯核函数映射，利用标准高斯核函数G函数对灰度比Z进行映射，
Figure BDA0002220654970000082
其中，σ表示正态分布的方差，μ表示正态分布的均值。进一步地，根据各个灰度比确定灰度比区间差值，并计算符合各个灰度比区间内的灰度比的个数。其中最大值为计算出来的每个像素块的灰度比中的最大值，最小值为计算出来的每个像素块的灰度比中的最小值。灰度比区间选取采用均分形式，比如选取10个区间，通过(最大值-最小值)/10来确定灰度比区间差值。统计各个灰度区间的个数并组成数组T＝{T1,T2,...,TN}作为该像素块的强度比特征。其中，下标N就是对应的区间：1-10。
最后，统计所有图像块的强度比特征，并将所有图像块的强度比特征对应的特征向量串联起来就是整幅SAR图像样本的强度比特征。
S206，在至少一个图像块中提取方向梯度直方图特征。
这里，计算各个像素点的梯度幅值和梯度方向，根据各个像素点的梯度幅值和梯度方向计算各个像素的方向梯度直方图特征，并对各个像素的方向梯度直方图特征进行矢量叠加，生成对应的图像块的所述方向梯度直方图特征。具体的，为了提高检测器对光照等干扰因素的鲁棒性，需要对各个图像块进行Gamma校正，以完成对整个图像的归一化，目的是调节图像块的对比度，降低局部光照和阴影所造成的影响，同时也可以降低噪音的干扰。Gamma校正的映射公式为G(x,y)＝F(x,y)1/γ，其中，γ为1/2。
进一步地，计算图像块中各个像素的梯度，根据下面的公式计算每个像素的水平方向和竖直方向的梯度，并计算每个像素位置的梯度大小和方向。在像素点(x，y)处的水平方向和垂直方向的梯度为：
Figure BDA0002220654970000083
其中，Gx(x,y)和Gy(x,y)分别表示当前像素点(x,y)处的水平方向和垂直方向梯度值。
计算像素点(x,y)处的梯度幅值和梯度方向:
进一步地，将图像块划分为更小的像素块，梯度方向映射到180度的范围内，将像素的梯度幅值作为权值进行投影，用梯度方向决定向哪一维进行投影，假如该像素的梯度方向为20度,梯度幅值为10，那么直方图的第二维就加10。统计每个像素块的方向梯度直方图，形成每个像素块的描述子，由像素块组成更大的描述子，并将各个像素块对应的特征向量串联起来构成了该图像块的梯度方向直方图。按照一个像素块是9维的方向梯度直方图特征，则一个图像块的方向梯度直方图特征为4x9＝36维。由于局部光照的变化，以及前景背景对比度的变化，使得梯度强度的变化范围非常大，对梯度做局部对比度归一化。针对每个图像块进行对比度归一化，一般使用第二范式：L2-norm，计算方法如下：
Figure BDA0002220654970000092
其中v为像素点的特征，其中ε为很小的常量，避免分母为0，一般可以取0.001。
最后，统计所有图像块的梯度方向直方图，并将所有图像块的梯度方向直方图对应的特征向量串联起来就是整幅SAR图像样本的梯度方向直方图特征。
步骤S202至步骤S206的执行没有先后顺序，可以同时执行。
S207，生成SAR图像样本对应的图像特征。
本步骤中，对每个SAR图像样本的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征进行矢量叠加，生成每个SAR图像样本对应的图像特征。如图像纹理特征为hgabor(x)、图像灰度特征为hGLCM(x)、强度比特征hIntensity(x)、方向梯度直方图特征hHog(x)进行串联，并形成新的单一向量，即每个SAR图像对应的图像特征hG(x)＝[hgabor(x)；hGLCM(x)；hHog(x)；hIntensity(x)]，以形成图像特征的数据集。
S208，生成图像分类模型。
本步骤中，将生成的多个图像特征输入分类器，并进行训练，以生成图像分类模型。
S209，将获取的待分类SAR图像输入图像分类模型，生成与待分类SAR图像的分类标签。
本申请基于上述步骤实现上述一种图像处理的方法。随着SAR图像可识别分辨率越来越高，为了可以检测出更深层次的地物纹理变化，一般会采用多层局部模式直方图(MLPH)方法对SAR图像进行分类，该特征提取方法描述了图像预处理之后图像块中出现的明亮(PM)、黑暗(NM)和均匀(EM)区域。以中心像素点为目标，捕捉周围邻近区域的局部信息，规定目标像素灰度值以及阈值从而确定偏大、偏小和相等的图像区域。然后统计三种区域中子区域的像素数量，绘制二进制矩阵，将符合规定阈值的像素打标成1，其余则为0。最后将统计数据绘制直方图，将所有子直方图连接在一起获得局部模式直方图。针对上述方法中需要提供多个阈值选择分别计算图像特征的方式，本申请实施例提供的一种图像处理方法中通过在提取强度比特征时仅需要确定一次区间差值，避免了多次计算带来的计算成本问题。
进一步地，通过提取SAR图像的多种图像特征，提升SAR图像样本的地物分类的精准度，并训练图像分类模型，使得SAR图像对应的分类标签更加准确使得，很大程度改善了过强散射和过弱散射地表带来的纹理特征不明显问题，解决了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。
基于同一发明构思，本申请实施例300还提供一种图像处理的装置，其中，如图3所示，该装置包括：
获取模块31，用于获取多个SAR图像样本；
提取模块32，用于在SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征；
第一生成模块33，用于对SAR图像样本的图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征进行矢量叠加，生成SAR图像样本对应的图像特征；
第二生成模块34，用于将生成的多个图像特征输入分类器，并进行训练，以生成图像分类模型；
第三生成模块35，用于将获取的待分类SAR图像输入图像分类模型，生成与待分类SAR图像的分类标签。
本实施例中，获取模块31、提取模块32、第一生成模块33、第二生成模块34和第五生成模块35的具体功能和交互方式，可参见图1对应的实施例的记载，在此不再赘述。
可选地，该装置还包括：
第四生成模块36，用于确定SAR图像样本的图像边界，并围绕图像边界进行边界扩展，生成待处理SAR图像样本；
划分模块37，用于将待处理SAR图像样本中划分为多个图像块，其中，相邻的图像块之间的部分像素点重合。
可选地，提取模块32包括：
提取单元，用于通过第一滤波器对每个SAR图像样本的至少一个图像块进行滤波，并在图像块中提取图像纹理特征，其中，图像纹理特征包括SAR图像样本中包含的像素点的均值和方差；
生成单元，用于生成SAR图像样本的各个图像块的灰度共生矩阵，并根据灰度共生矩阵计算图像块的图像灰度特征，其中，图像灰度特征包括SAR图像样本中包含的像素点的均值、熵、对比度、方差和角二阶距。
可选地，提取模块32还包括：
第一计算单元，用于计算待处理SAR图像样本中至少一个图像块的灰度比；
划分单元，用于根据各个灰度比确定灰度比区间差值，并按照灰度比区间差值划分灰度区间；
确定单元，用于统计至少一个灰度区间中的灰度值的个数，并将各个灰度区间中确定的灰度值的个数组成的数组确定为图像块对应的强度比特征。
可选地，第一计算单元包括：
第一确定子单元，用于确定图像块的灰度向量；
第二确定子单元，用于将图像块的灰度向量和图像块的中心像素点的灰度向量的差与图像块的中心像素点的灰度向量的比值作为图像块的灰度比。
可选地，提取模块32还包括：
第二计算单元，用于计算至少一个像素点的梯度幅值和梯度方向；
生成单元，用于根据像素点的梯度幅值和梯度方向计算各个像素点的方向梯度直方图特征，并对像素点的方向梯度直方图特征进行矢量叠加，生成对应的图像块的方向梯度直方图特征。
如图4所示，本申请的又一实施例400还提供一种终端设备，包括处理器401，其中，处理器401用于执行上述一种图像处理的方法的步骤。从图4中还可以看出，上述实施例提供的终端设备还包括非瞬时计算机可读存储介质402，该非瞬时计算机可读存储介质402上存储有计算机程序，该计算机程序被处理器401运行时执行上述一种图像处理的方法的步骤。实际应用中，该终端设备可以是一台或多台计算机，只要包括上述计算机可读介质和处理器即可。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘和FLASH等，该存储介质上的计算机程序被运行时，能够执行上述的一种图像处理的方法中的各个步骤。实际应用中，所述的计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的，也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或多个程序被执行时，能够执行上述的一种图像处理的方法中的各个步骤。
根据本申请公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或者上述的任意合适的组合，但不用于限制本申请保护的范围。在本申请公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本申请附图中的流程图和框图，示出了按照本申请公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或者代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应该注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同附图中所标注的顺序发生。例如，两个连接地表示的方框实际上可以基本并行地执行，它们有时也可以按照相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或者流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本申请中。特别地，在不脱离本申请精神和教导的情况下，本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，所有这些组合和/或结合均落入本申请公开的范围。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种图像处理的方法，其特征在于，包括：
获取多个SAR图像样本；
在所述SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征；
对所述SAR图像样本的所述图像纹理特征、所述图像灰度特征、所述强度比特征和所述方向梯度直方图特征进行矢量叠加，生成所述SAR图像样本对应的图像特征；
将生成的多个所述图像特征输入分类器，并进行训练，以生成图像分类模型；
将获取的待分类SAR图像输入所述图像分类模型，生成与所述待分类SAR图像的分类标签。
2.根据权利要求1所述的方法，其特征在于，在所述获取多个SAR图像样本的步骤和在所述SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征的步骤之间，所述方法进一步包括：
确定所述SAR图像样本的图像边界，并围绕所述图像边界进行边界扩展，生成待处理SAR图像样本；
将所述待处理SAR图像样本中划分为多个图像块，其中，相邻的所述图像块之间的部分像素点重合。
3.根据权利要求2所述的方法，其特征在于，所述在SAR图像样本中分别提取所述图像纹理特征和所述图像灰度特征的步骤包括：
通过第一滤波器对每个所述SAR图像样本的至少一个所述图像块进行滤波，并在所述图像块中提取所述图像纹理特征，其中，所述图像纹理特征包括所述SAR图像样本中包含的所述像素点的均值和方差；
生成所述SAR图像样本的各个所述图像块的灰度共生矩阵，并根据所述灰度共生矩阵计算所述图像块的所述图像灰度特征，其中，所述图像灰度特征包括所述SAR图像样本中包含的所述像素点的均值、熵、对比度、方差和角二阶距。
4.根据权利要求2所述的方法，其特征在于，所述在SAR图像样本中提取所述强度比特征的步骤包括：
计算所述待处理SAR图像样本中至少一个所述图像块的灰度比；
根据所述灰度比确定灰度比区间差值，并按照所述灰度比区间差值划分灰度区间；
统计至少一个所述灰度区间中的所述灰度值的个数，并将各个所述灰度区间中确定的灰度值的所述个数组成的数组确定为所述图像块对应的所述强度比特征。
5.根据权利要求4所述的方法，其特征在于，所述计算待处理SAR图像样本中至少一个所述图像块中的灰度比的步骤包括：
确定所述图像块的灰度向量；
将所述图像块的所述灰度向量和所述图像块的中心像素点的灰度向量的差与所述图像块的中心像素点的灰度向量的比值作为所述图像块的灰度比。
6.根据所述权利要求2所述的方法，其特征在于，所述在SAR图像样本中提取所述方向梯度直方图特征的步骤包括：
计算至少一个所述像素点的梯度幅值和梯度方向；
根据所述像素点的所述梯度幅值和所述梯度方向计算所述像素点的所述方向梯度直方图特征，并对所述像素点的所述方向梯度直方图特征进行矢量叠加，生成对应的所述图像块的所述方向梯度直方图特征。
7.一种图像处理的装置，其特征在于，所述包括：
获取模块，用于获取多个SAR图像样本；
提取模块，用于在所述SAR图像样本中分别提取图像纹理特征、图像灰度特征、强度比特征和方向梯度直方图特征；
第一生成模块，用于对所述SAR图像样本的所述图像纹理特征、所述图像灰度特征、所述强度比特征和所述方向梯度直方图特征进行矢量叠加，生成所述SAR图像样本对应的图像特征；
第二生成模块，用于将生成的多个所述图像特征输入分类器，并进行训练，以生成图像分类模型；
第三生成模块，用于将获取的待分类SAR图像输入所述图像分类模型，生成与所述待分类SAR图像的分类标签。
8.根据所述权利要求7所述的装置，其特征在于，所述装置还包括：
第四生成模块，用于确定所述SAR图像样本的图像边界，并围绕所述图像边界进行边界扩展，生成待处理SAR图像样本；
划分模块，用于将所述待处理SAR图像样本中划分为多个图像块，其中，相邻的所述图像块之间的部分像素点重合。
9.一种非瞬时计算机可读存储介质，其特征在于，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如权利要求1至6任一项所述的一种图像处理的方法中的各个步骤。
10.一种终端设备，其特征在于，包括处理器，所述处理器用于执行如权利要求1至6中任一项所述的一种图像处理的方法中的各个步骤。
CN201910932509.2A 2019-09-29 2019-09-29 一种图像处理方法、装置和存储介质 Pending CN110728311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910932509.2A CN110728311A (zh) 2019-09-29 2019-09-29 一种图像处理方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910932509.2A CN110728311A (zh) 2019-09-29 2019-09-29 一种图像处理方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN110728311A true CN110728311A (zh) 2020-01-24

Family

ID=69219706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910932509.2A Pending CN110728311A (zh) 2019-09-29 2019-09-29 一种图像处理方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110728311A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626122A (zh) * 2020-04-24 2020-09-04 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
CN113191179A (zh) * 2020-12-21 2021-07-30 广州蓝图地理信息技术有限公司 一种基于灰度共生矩阵和bp神经网络的遥感图像分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647741A (zh) * 2018-05-18 2018-10-12 湖北工业大学 一种基于迁移学习的图像分类方法和系统
CN108846414A (zh) * 2018-05-22 2018-11-20 浙江理工大学 基于决策级融合思想的sar图像子类别分类方法
CN109635789A (zh) * 2019-01-23 2019-04-16 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
CN110378415A (zh) * 2019-07-19 2019-10-25 浙江理工大学 一种sar图像分类算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647741A (zh) * 2018-05-18 2018-10-12 湖北工业大学 一种基于迁移学习的图像分类方法和系统
CN108846414A (zh) * 2018-05-22 2018-11-20 浙江理工大学 基于决策级融合思想的sar图像子类别分类方法
CN109635789A (zh) * 2019-01-23 2019-04-16 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
CN110378415A (zh) * 2019-07-19 2019-10-25 浙江理工大学 一种sar图像分类算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘骊，付晓东著: "《计算机服装建模及仿真》", 31 December 2018, 云南大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626122A (zh) * 2020-04-24 2020-09-04 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
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
CN113191179A (zh) * 2020-12-21 2021-07-30 广州蓝图地理信息技术有限公司 一种基于灰度共生矩阵和bp神经网络的遥感图像分类方法

Similar Documents

Publication Publication Date Title
CN110031843B (zh) 基于roi区域的sar图像目标定位方法、系统、装置
Dellinger et al. SAR-SIFT: a SIFT-like algorithm for SAR images
Esch et al. Delineation of urban footprints from TerraSAR-X data by analyzing speckle characteristics and intensity information
Chen et al. A practical trial of landslide detection from single-temporal Landsat8 images using contour-based proposals and random forest: A case study of national Nepal
Barbat et al. An adaptive machine learning approach to improve automatic iceberg detection from SAR images
Marchesi et al. A context-sensitive technique robust to registration noise for change detection in VHR multispectral images
Lu et al. Improving pixel-based change detection accuracy using an object-based approach in multitemporal SAR flood images
Neubert et al. Evaluation of remote sensing image segmentation quality–further results and concepts
CN110807473A (zh) 目标检测方法、装置及计算机存储介质
JPWO2019193702A1 (ja) 画像処理装置、画像処理方法、及び、画像処理プログラム
US20180144478A1 (en) Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
Wang et al. Research on crack monitoring at the trailing edge of landslides based on image processing
CN111397541A (zh) 排土场的边坡角测量方法、装置、终端及介质
CN110728311A (zh) 一种图像处理方法、装置和存储介质
AlAzawee et al. Using morphological operations—Erosion based algorithm for edge detection
CN110969199A (zh) 一种图像分类的方法、装置和存储介质
Basso et al. Combining morphological filtering, anisotropic diffusion and block-based data replication for automatically detecting and recovering unscanned gaps in remote sensing images
Kruse et al. Marked point processes for the automatic detection of bomb craters in aerial wartime images
Fu et al. A noise-resistant superpixel segmentation algorithm for hyperspectral images
CN111179245B (zh) 图像质量检测方法、装置、电子设备和存储介质
Zhang et al. Anisotropic-scale-space-based salient-region detection for SAR images
CN111079797B (zh) 一种图像分类的方法、装置和存储介质
Zehtabian et al. Adaptive restoration of multispectral datasets used for SVM classification
Moughal et al. An automatic unsupervised method based on context-sensitive spectral angle mapper for change detection of remote sensing images
Akman et al. Computing saliency map from spatial information in point cloud data

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200124

RJ01 Rejection of invention patent application after publication