CN111915559A - 基于svm分类可信度的机载sar图像质量评估方法 - Google Patents

基于svm分类可信度的机载sar图像质量评估方法 Download PDF

Info

Publication number
CN111915559A
CN111915559A CN202010612227.7A CN202010612227A CN111915559A CN 111915559 A CN111915559 A CN 111915559A CN 202010612227 A CN202010612227 A CN 202010612227A CN 111915559 A CN111915559 A CN 111915559A
Authority
CN
China
Prior art keywords
svm
quality evaluation
sar image
image
quality
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
Application number
CN202010612227.7A
Other languages
English (en)
Other versions
CN111915559B (zh
Inventor
邹见效
凡时财
陶倩
徐红兵
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010612227.7A priority Critical patent/CN111915559B/zh
Publication of CN111915559A publication Critical patent/CN111915559A/zh
Application granted granted Critical
Publication of CN111915559B publication Critical patent/CN111915559B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了一种基于SVM分类可信度的机载SAR图像质量评估方法采用SVM模型，并进行不同类别特征的融合，对待测图片质量进行评估；同时为了完善结果的评估能力，在原来的输出单点预测结果的基础上，增加了结果的可靠性分析，使得预测结果更能反映出模型的预测能力，也提高图像质量评估结果的可靠性。

Description

基于SVM分类可信度的机载SAR图像质量评估方法
技术领域
本发明属于合成孔径雷达成像结果评估技术领域，具体涉及基于SVM分类可信度的机载SAR图像质量评估方法。
背景技术
机载SAR具有全天时、全天候的优良特性，它是目前遥感领域中最具发展潜力的技术之一。研究机载SAR雷达图像的质量评估方法不仅有利于测绘工作者检查和评估雷达影像的质量也有助于控制雷达成像的质量。
机载SAR图像在获取、处理、存储和传输过程中会经受各种类型的退化，这些退化会影响图像的视觉效果。一般来说，图像质量评价方法分为主观评价法和客观评价法，主观评价法是观察者直接观看图像，根据观察者的判断和既往经验来评估图像的质量，这种方法不能应用于实时系统中，因此，图像质量评价的主要目标就是设计出客观的图像质量评价体系，使之与人的视觉感知保持一致。传统的客观评价方法基于计算出的图像特征进行图像质量的评价，但是预测出的结果是一个点，没有涵盖结果的可信度评价，导致得到评价结果可靠性不足。
发明内容
针对现有技术中的上述不足，本发明提供的基于SVM分类可信度的机载SAR图像质量评估方法解决了现有的机载SAR图像质量评估过程中评价结果可信度不足的问题。
为了达到上述发明目的，本发明采用的技术方案为：基于SVM分类可信度的机载SAR图像质量评估方法，包括以下步骤：
S1、根据机载SAR的飞行记录，获取原始SAR图像，构建实验数据集Y＝[y1,y2,y3,...,yt,...,yn]；
其中，yt∈Y，t＝1,2,3,...,n，yt为图像t的先验质量评价分值，t为原始SAR图像的编号，n为原始SAR图像的总数；
S2、依次计算实验数据集对应的每个SAR图像的质量评价指标，得到对应的质量评价矢量xt；
S3、基于实验数据集中的每个SAR图像对应的质量评价分值yt及其质量评价矢量xt，构建经过标准化处理后的质量估计矩阵P*；
S4、构建SVM多分类器，并基于质量评估矩阵P*对其进行训练；
S5、将待评估SAR图像的质量评价矢量输入到训练好的SVM多分类器中，输出对应的分类结果，并对其进行可靠性检测，基于可靠性检测结果确定待评估SAR图像的质量评估结果，实现机载SAR图像质量评估。
进一步地，所述步骤S2中，每个图像的质量评价指标均包括均值μ、方差σ、辐射分辨率RAD、等效视数ENL、灰度分辨率GRAY、灰度方差函数SMD、能量梯度EOG和Brenner梯度BRE。
进一步地，所述步骤S2中，所述图像t对应的质量评价矢量xt为xt＝[μt,σt,RADt,ENLt,GRAYt,SMDt,EOGt,BREt]；
所述均值μ为：
Figure BDA0002562440010000021
式中，M×N为图像尺寸，Ii,j为图像在(i,j)处的强度值；
所述方差σ为：
Figure BDA0002562440010000022
所述辐射分辨率γ，即RAD为：
Figure BDA0002562440010000031
所述等效视数ENL为：
Figure BDA0002562440010000032
所述灰度分辨率Q，即GRAY为：
Figure BDA0002562440010000033
式中，Tb(u)表示图像中有u％的像素大于Tb(u)，Td(u)表示图像中有u％的像素小于Td(u)；
所述灰度方差DSMD(f)，即SMD为：
SMD＝DSMD(f)＝∑y∑x(|f(x,y)-f(x,y-1)|+|f(x,y)-f(x+1,y)|)
式中，f(x,y)为图像f中像素点f(x,y)的灰度值；
所述能量梯度DEOG(f)，即EOG为：
EOG＝DEOG(f)＝∑y∑x(|f(x+1,y)-f(x,y)|+|f(x,y+1)-f(x,y)|2)
所述Brenner梯度DBRE(f)，即BRE为：
BRE＝DBRE(f)＝∑y∑x|f(x+2,y)-f(x,y)|2。
进一步地，所述步骤S3具体为：
S31、构建一个n×f的矩阵P，每一行的前f-1列依次存入一个SAR图像的质量评价指标，最后一列存入对应的先验质量评价分值yt；
S32、对矩阵P的前f-1列数据进行标准化处理，得到质量评估矩阵P*；
Figure BDA0002562440010000034
式中，μn *、
Figure BDA0002562440010000035
BREn *分别为标准化处理后的均值、方差和Brenner梯度；先验质量评价分值即类别标签yt∈{1,2,3,...,m}，yt值越大对应SAR图像质量越好。
进一步地，所述步骤S4具体为：
S41、随机选取质量评估矩阵P*的70％的行数据作为SVM分类模型的训练集，30％的行数据作为测试集；
S42、基于训练集中类别标签yt值的总类别数q，构建对应q个二分类的将第i类与其他q-1类类别标签分开的SVM单分类器；
S43、基于所有SVM单分类器，确定SVM多分类器的决策函数，完成SVM多分类器的构建；
S44、基于训练集中每个类别i对应的质量评价矢量xt及其质量评价分值yt训练对应的SVM单分类器，进而完成SVM多分类器的训练。
进一步地，所述步骤S42中的SVM单分类器为：
Figure BDA0002562440010000041
式中，wi为分类超平面的法向量，
Figure BDA0002562440010000042
为t张图像类别标号为i时的松弛变量，ξi为类别标号为i时的松弛变量，bi为超平面到原点的距离，下标t为t张图像的索引即图像编号，上标i为类别标签yt的类别标号，i∈{1,2,3,...,q}，且
Figure BDA0002562440010000043
if yt＝i，φ(xt)为输入空间到特征空间的非线性映射，xt为第t个图像对应的特征向量，
Figure BDA0002562440010000044
if yt≠i，
Figure BDA0002562440010000045
C为计算系数。
进一步地，所述步骤S43中，SVM多分类器的决策函数为：
Figure BDA0002562440010000046
式中，f(x)为当前SAR图像对应的分类结果，且其取值与图像质量成正比；φ(xnew)为输入空间到特征空间的非线性映射；
Figure BDA0002562440010000047
为分解系数；k为向量内积；sup port vectors为支持向量空间即q个分类超平面，xt为输入到SVM多分类器中第t张SAR图像质量评估的特征矢量。
进一步地，所述步骤S43中，构建好的SVM多分类器对新输入数据进行分类时，第i类的决策函数为：
Figure BDA0002562440010000051
式中，
Figure BDA0002562440010000052
为输入数据分类类别为第i类时的决策函数。
进一步地，所述步骤S5具体为：
S51、将测试集中待评估SAR图像对应的质量评价矢量输入到训练好的SVM多分类器中，输出对应的分类结果；
S52、对输出的分类结果进行可靠性检测，确定对应的可靠性值；
S53、当可靠性值大于设定阈值时，将当前可靠性值对应的分类结果作为待评估SAR图像的质量评估结果，实现机载SAR图像质量评估。
进一步地，所述步骤S52中进行可靠性检测时的公式为：
Figure BDA0002562440010000053
式中，c为当前分类结果的可靠性值，dq为待评估SAR图像的分类结果到训练集中每个类别对应的超平面的距离之和，di为待评估SAR图像的分类结果到训练集中同类别中心点xi的距离；
其中，距离dq为：
Figure BDA0002562440010000054
式中，xnew为当前输入到SVM多分类器中的待评估SAR图像的质量评价指标矢量；
距离di为：
Figure BDA0002562440010000061
式中，
Figure BDA0002562440010000062
S为训练集中第i类类别的个数。
本发明的有益效果为：
本发明提供的基于SVM分类可信度的机载SAR图像质量评估方法，采用SVM模型，并结合不同类别特征的融合，对待测图片质量进行评估；同时为了完善结果的评估能力，在原来的输出单点预测结果的基础上，增加了结果的可靠性分析，使得预测结果更能反映出模型的预测能力，也提高图像质量评估结果的可靠性。
附图说明
图1为本发明提供的基于SVM分类可信度的机载SAR图像质量评估方法流程图。
图2为本发明提供的实施例中训练和测试时使用的SAR图像示例。
图3为本发明提供的实施例中SAR图像质量评估结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，基于SVM分类可信度的机载SAR图像质量评估方法，:包括以下步骤：
S1、根据机载SAR的飞行记录，获取原始SAR图像，构建实验数据集Y＝[y1,y2,y3,...,yt,...,yn]；
其中，yt∈Y，t＝1,2,3,...,n，yt为图像t的先验质量评价分值，t为原始SAR图像的编号，n为原始SAR图像的总数；
S2、依次计算实验数据集对应的每个SAR图像的质量评价指标，得到对应的质量评价矢量xt；
S3、基于实验数据集中的每个SAR图像对应的质量评价分值yt及其质量评价矢量xt，构建经过标准化处理后的质量估计矩阵P*；
S4、构建SVM多分类器，并基于质量评估矩阵P*对其进行训练；
S5、将待评估SAR图像的质量评价矢量输入到训练好的SVM多分类器中，输出对应的分类结果，并对其进行可靠性检测，基于可靠性检测结果确定待评估SAR图像的质量评估结果，实现机载SAR图像质量评估。
本实施例的步骤S2中，每个图像的质量评价指标均包括均值μ、方差σ、辐射分辨率RAD、等效视数ENL、灰度分辨率GRAY、灰度方差函数SMD、能量梯度EOG和Brenner梯度BRE，将各个质量评价指标组合在一起形成质量评价矢量，因此图像t对应的质量评价矢量xt为xt＝[μt,σt,RADt,ENLt,GRAYt,SMDt,EOGt,BREt]；
具体地，图像均值是指整副图像或某一特定区域的平均强度，反映了图像所包含目标的平均后向散射系数的水平，其计算公式为：
Figure BDA0002562440010000071
式中，M×N为图像尺寸，Ii,j为图像在(i,j)处的强度值；
方差代表了图像区域中所有像素点偏离均值的程度，反映了图像的不均匀性，其计算公式为：
Figure BDA0002562440010000081
辐射分辨率描述了每个像素点的辐射质量，即区分目标后向散射系数的能力，是衡量SAR图像灰度级分辨能力的一种量度，它的好坏直接影响了SAR图像量化和应用，辐射分辨率γ，即RAD为为：
Figure BDA0002562440010000082
等效视数区分具有不同后向散射特性的区域的能力高低，等效系数越大，就表明图像上斑点的噪声越弱，其计算公式为：
Figure BDA0002562440010000083
灰度分辨率表征图像的乘性噪声模糊度，灰度分辨率Q，即GRAY为：
Figure BDA0002562440010000084
式中，Tb(u)表示图像中有u％的像素大于Tb(u)，Td(u)表示图像中有u％的像素小于Td(u)，其值越小，图像的乘性噪声模糊度就越小，u通常取10,20,30,40；
当完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据，灰度方差DSMD(f)，即SMD为：
SMD＝DSMD(f)＝∑y∑x(|f(x,y)-f(x,y-1)|+|f(x,y)-f(x+1,y)|)
式中，f(x,y)为图像f中像素点f(x,y)的灰度值；
能量梯度适合实时评价图像的清晰度，能量梯度DEOG(f)，即EOG为：
EOG＝DEOG(f)＝∑y∑x(|f(x+1,y)-f(x,y)|+|f(x,y+1)-f(x,y)|2)
Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两个像素灰度差的平方，Brenner梯度DBRE(f)，即BRE为：
BRE＝DBRE(f)＝∑y∑x|f(x+2,y)-f(x,y)|2。
本实施例的上述步骤S3具体为：
S31、构建一个n×f的矩阵P，每一行的前f-1列依次存入一个SAR图像的质量评价指标，最后一列存入对应的先验质量评价分值yt；
即将每个SAR图像孤立的质量评价指标放到一个矩阵中，并融合类别标签(先验质量评价分值)得到的矩阵P为：
Figure BDA0002562440010000091
S32、对矩阵P的前f-1列数据进行标准化处理，得到质量评估矩阵P*；
Figure BDA0002562440010000092
式中，先验质量评价分值即类别标签yt∈{1,2,3,...,m}，yt值越大对应SAR图像质量越好；
具体地，以均值为例，对其进行标准化处理，标准化处理后的均值为：
Figure BDA0002562440010000093
式中，μmin和μmax分别表示[μ1,μ2,...,μn]T均值指标这一列的最小值和最大值；同理对其他列的质量评价指标进行标准处理，得到质量评估矩阵P*。
本实施例的步骤S4具体为：
S41、随机选取质量评估矩阵P*的70％的行数据作为SVM分类模型的训练集，30％的行数据作为测试集；
其中，训练集为X＝{(x1,y1),...,(xn,yn)}，其中f-1维特征向量，xt∈Rf-1，类标签yt∈{1,2,...,m}，R为实数域；
S42、基于训练集中类别标签yt值的总类别数q，构建对应q个二分类的将第i类与其他q-1类类别标签分开的SVM单分类器；
具体地，基于总类别数q，一共需要训练q个SVM单分类器，用来求解q个包含n个变量的二次规划问题；
S43、基于所有SVM单分类器，确定SVM多分类器的决策函数，完成SVM多分类器的构建；
S44、基于训练集中每个类别i对应的质量评价矢量xt及其质量评价分值yt训练对应的SVM单分类器，进而完成SVM多分类器的训练。
具体地，上述步骤S42中的SVM单分类器为：
Figure BDA0002562440010000101
式中，wi为分类超平面的法向量，
Figure BDA0002562440010000108
为t张图像类别标号为i时的松弛变量，ξi为类别标号为i时的松弛变量，bi为超平面到原点的距离，下标t为t张图像的索引即图像编号，上标i为类别标签yt的类别标号，i∈{1,2,3,...,q}，且
Figure BDA0002562440010000102
if yt＝i，φ(xt)为输入空间到特征空间的非线性映射，xt为第t个图像对应的特征向量，
Figure BDA0002562440010000103
if yt≠i，
Figure BDA0002562440010000104
C为计算系数。
为了避免平票，通常去掉决策函数中的符号函数，因此步骤S43中，构建出的SVM多分类器对输入数据进行分类时，第i类的决策函数为：
Figure BDA0002562440010000105
式中，
Figure BDA0002562440010000106
为输入数据分类类别为第i类时的决策函数；φ(xnew)为输入空间到特征空间的非线性映射；
Figure BDA0002562440010000107
为分解系数；k为向量内积；sup port vectors为支持向量空间即q个分类超平面，xt为输入到SVM多分类器中第t张SAR图像的特征质量评估矢量。
上述步骤S43中，对于q个SVM单分类器，其对应的q个决策函数一共有q个输出，基于此得到SVM多分类器的决策函数为：
Figure BDA0002562440010000111
式中，f(x)为当前SAR图像对应的分类结果，且其取值与图像质量成正比；φ(xnew)为输入空间到特征空间的非线性映射；
Figure BDA0002562440010000112
为分解系数；k为向量内积；sup port vectors为支持向量空间即q个分类超平面，xt为输入到SVM多分类器中第t张SAR图像质量评估的特征矢量。
为了验证SVM多分类器得到的质量评估结果是否可靠，我们对其进行验证，因此本实施例的步骤S5具体为：
S51、将测试集中待评估SAR图像对应的质量评价矢量输入到训练好的SVM多分类器中，输出对应的分类结果；
S52、对输出的分类结果进行可靠性检测，确定对应的可靠性值；
S53、当可靠性值大于设定阈值时，将当前可靠性值对应的分类结果作为待评估SAR图像的质量评估结果，实现机载SAR图像质量评估。
其中，步骤S52中的可靠性检测公式为：
Figure BDA0002562440010000113
式中，c为当前分类结果的可靠性值，dq为待评估SAR图像的分类结果到训练集中每个类别对应的超平面的距离之和，di为待评估SAR图像的分类结果到训练集中同类别中心点xi(同类样本各个维度上的值的和的平均)的距离；
其中，距离dq为：
Figure BDA0002562440010000114
式中，xnew为当前输入到SVM多分类器中的待评估SAR图像的质量评价指标矢量；dq取值越大说明待评估的对象距离超平面越远，得到的结果可靠性就越高；
距离di为：
Figure BDA0002562440010000121
式中，S为训练集中第i类类别的个数，di越小说明待评估的对象距离同类中心点越近，得到的结果可靠性就越高。
需要说明的是，本实施例中当对分类结果进行可靠性检测时，可靠性值低于设定阈值时，可以重新求解该SAR图像对应质量评价矢量并对其再次进行图像质量评估。
实施例2：
以某次机载SAR实验飞行采集的实验数据划分为训练数据和测试数据，训练样本数为200，测试样本数为50，如图2所示。
本例中，完成各指标计算及归一化处理后，支持向量机选择默认线性核，通过随机划分测试集多次验证模型性能，采用分类准确率ACC和F1分数来评估预测结果。
Figure BDA0002562440010000123
Figure BDA0002562440010000124
其中，TP代表标签为能通过的SAR成像，预测结果也为能通过；TN代表标签为不能通过的SAR成像，预测结果为不能通过；FP代表标签为不能通过的SAR成像，预测结果为能通过；FN代表标签为能通过的SAR成像，预测结果为不能通过。
图3为采用本发明方法得到的图像质量评估结果图，表1为测试样本的可靠性结果。
表1：测试样本的可靠性检测结果
预测结果 可靠性
测试图片1 2 0.87
测试图片2 3 0.3
测试图片3 3 0.7
测试图片4 1 0.4
测试图片5 5 0.88
图3中的ACC是分类结果准确率，可以看到，分类准确率在0.965附近，F1是精确率和召回率的调和平均数，取值范围是0到1；表1是测试样本可靠性分析结果，可以看出大部分测试图片的预测结果都具有较高的可靠性，因此本发明方案可广泛的用于各种机载SAR图像质量评估。
本发明的有益效果为：
本发明提供的基于SVM分类可信度的机载SAR图像质量评估方法，采用SVM模型，并结合不同类别特征的融合，对待测图片质量进行评估；同时为了完善结果的评估能力，在原来的输出单点预测结果的基础上，增加了结果的可靠性分析，使得预测结果更能反映出模型的预测能力，也提高图像质量评估结果的可靠性。

Claims (10)

1.基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，包括以下步骤：
S1、根据机载SAR的飞行记录，获取原始SAR图像，构建实验数据集Y＝[y1,y2,y3,...,yt,...,yn]；
其中，yt∈Y，t＝1,2,3,...,n，yt为图像t的先验质量评价分值，t为原始SAR图像的编号，n为原始SAR图像的总数；
S2、依次计算实验数据集对应的每个SAR图像的质量评价指标，得到对应的质量评价矢量xt；
S3、基于实验数据集中的每个SAR图像对应的质量评价分值yt及其质量评价矢量xt，构建经过标准化处理后的质量估计矩阵P*；
S4、构建SVM多分类器，并基于质量评估矩阵P*对其进行训练；
S5、将待评估SAR图像的质量评价矢量输入到训练好的SVM多分类器中，输出对应的分类结果，并对其进行可靠性检测，基于可靠性检测结果确定待评估SAR图像的质量评估结果，实现机载SAR图像质量评估。
2.根据权利要求1所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S2中，每个图像的质量评价指标均包括均值μ、方差σ、辐射分辨率RAD、等效视数ENL、灰度分辨率GRAY、灰度方差函数SMD、能量梯度EOG和Brenner梯度BRE。
3.根据权利要求2所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S2中，所述图像t对应的质量评价矢量xt为xt＝[μt,σt,RADt,ENLt,GRAYt,SMDt,EOGt,BREt]；
所述均值μ为：
Figure FDA0002562439000000011
式中，M×N为图像尺寸，Ii,j为图像在(i,j)处的强度值；
所述方差σ为：
Figure FDA0002562439000000021
所述辐射分辨率γ，即RAD为：
Figure FDA0002562439000000022
所述等效视数ENL为：
Figure FDA0002562439000000023
所述灰度分辨率Q，即GRAY为：
Figure FDA0002562439000000024
式中，Tb(u)表示图像中有u％的像素大于Tb(u)，Td(u)表示图像中有u％的像素小于Td(u)；
所述灰度方差DSMD(f)，即SMD为：
SMD＝DSMD(f)＝∑y∑x(|f(x,y)-f(x,y-1)|+|f(x,y)-f(x+1,y)|)
式中，f(x,y)为图像f中像素点f(x,y)的灰度值；
所述能量梯度DEOG(f)，即EOG为：
EOG＝DEOG(f)＝∑y∑x(|f(x+1,y)-f(x,y)|+|f(x,y+1)-f(x,y)|2)
所述Brenner梯度DBRE(f)，即BRE为：
BRE＝DBRE(f)＝∑y∑x|f(x+2,y)-f(x,y)|2。
4.根据权利要求2所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S3具体为：
S31、构建一个n×f的矩阵P，每一行的前f-1列依次存入一个SAR图像的质量评价指标，最后一列存入对应的先验质量评价分值yt；
S32、对矩阵P的前f-1列数据进行标准化处理，得到质量评估矩阵P*；
Figure FDA0002562439000000031
式中，μn *、
Figure FDA0002562439000000032
BREn *分别为标准化处理后的均值、方差和Brenner梯度；先验质量评价分值即类别标签yt∈{1,2,3,...,m}，yt值越大对应SAR图像质量越好。
5.根据权利要求2所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S4具体为：
S41、随机选取质量评估矩阵P*的70％的行数据作为SVM分类模型的训练集，30％的行数据作为测试集；
S42、基于训练集中类别标签yt值的总类别数q，构建对应q个二分类的将第i类与其他q-1类类别标签分开的SVM单分类器；
S43、基于所有SVM单分类器，确定SVM多分类器的决策函数，完成SVM多分类器的构建；
S44、基于训练集中每个类别i对应的质量评价矢量xt及其质量评价分值yt训练对应的SVM单分类器，进而完成SVM多分类器的训练。
6.根据权利要求5所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S42中的SVM单分类器为：
Figure FDA0002562439000000033
式中，wi为分类超平面的法向量，
Figure FDA0002562439000000034
为t张图像类别标号为i时的松弛变量，ξi为类别标号为i时的松弛变量，bi为超平面到原点的距离，下标t为t张图像的索引即图像编号，上标i为类别标签yt的类别标号，i∈{1,2,3,...,q}，且
Figure FDA0002562439000000041
if yt＝i，φ(xt)为输入空间到特征空间的非线性映射，xt为第t个图像对应的特征向量，
Figure FDA0002562439000000042
if yt≠i，
Figure FDA0002562439000000043
C为计算系数。
7.根据权利要求6所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S43中，SVM多分类器的决策函数为：
Figure FDA0002562439000000044
式中，f(x)为当前SAR图像对应的分类结果，且其取值与图像质量成正比；φ(xnew)为输入空间到特征空间的非线性映射；
Figure FDA0002562439000000045
为分解系数；k为向量内积；support vectors为支持向量空间即q个分类超平面，xt为输入到SVM多分类器中第t张SAR图像质量评估的特征矢量。
8.根据权利要求7所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S43中，构建好的SVM多分类器对新输入数据进行分类时，第i类的决策函数为：
Figure FDA0002562439000000046
式中，
Figure FDA0002562439000000047
为输入数据分类类别为第i类时的决策函数。
9.根据权利要求5所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S5具体为：
S51、将测试集中待评估SAR图像对应的质量评价矢量输入到训练好的SVM多分类器中，输出对应的分类结果；
S52、对输出的分类结果进行可靠性检测，确定对应的可靠性值；
S53、当可靠性值大于设定阈值时，将当前可靠性值对应的分类结果作为待评估SAR图像的质量评估结果，实现机载SAR图像质量评估。
10.根据权利要求9所述的基于SVM分类可信度的机载SAR图像质量评估方法，其特征在于，所述步骤S52中进行可靠性检测时的公式为：
Figure FDA0002562439000000051
式中，c为当前分类结果的可靠性值，dq为待评估SAR图像的分类结果到训练集中每个类别对应的超平面的距离之和，di为待评估SAR图像的分类结果到训练集中同类别中心点xi的距离；
其中，距离dq为：
Figure FDA0002562439000000052
式中，xnew为当前输入到SVM多分类器中的待评估SAR图像的质量评价指标矢量；
距离di为：
Figure FDA0002562439000000053
式中，
Figure FDA0002562439000000054
S为训练集中第i类类别的个数。
CN202010612227.7A 2020-06-30 2020-06-30 基于svm分类可信度的机载sar图像质量评估方法 Expired - Fee Related CN111915559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010612227.7A CN111915559B (zh) 2020-06-30 2020-06-30 基于svm分类可信度的机载sar图像质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010612227.7A CN111915559B (zh) 2020-06-30 2020-06-30 基于svm分类可信度的机载sar图像质量评估方法

Publications (2)

Publication Number Publication Date
CN111915559A true CN111915559A (zh) 2020-11-10
CN111915559B CN111915559B (zh) 2022-09-20

Family

ID=73226960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010612227.7A Expired - Fee Related CN111915559B (zh) 2020-06-30 2020-06-30 基于svm分类可信度的机载sar图像质量评估方法

Country Status (1)

Country Link
CN (1) CN111915559B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118364257A (zh) * 2024-06-17 2024-07-19 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 模型可靠性分析方法、装置、计算机设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593470A (zh) * 2013-11-29 2014-02-19 河南大学 一种双度集成的不均衡数据流分类算法
CN104331706A (zh) * 2014-10-29 2015-02-04 西安电子科技大学 基于rbm和svm的极化sar图像分类
CN107577994A (zh) * 2017-08-17 2018-01-12 南京邮电大学 一种基于深度学习的行人、车辆附属品识别及检索方法
CN108550145A (zh) * 2018-04-11 2018-09-18 北京环境特性研究所 一种sar图像质量评估方法和装置
CN108596878A (zh) * 2018-03-30 2018-09-28 浙江大学山东工业技术研究院 图像清晰度评价方法
CN109523514A (zh) * 2018-10-18 2019-03-26 西安电子科技大学 对逆合成孔径雷达isar的批量成像质量评估方法
CN110703215A (zh) * 2019-10-16 2020-01-17 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
CN111127456A (zh) * 2019-12-28 2020-05-08 北京无线电计量测试研究所 一种图像标注质量评估的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593470A (zh) * 2013-11-29 2014-02-19 河南大学 一种双度集成的不均衡数据流分类算法
CN104331706A (zh) * 2014-10-29 2015-02-04 西安电子科技大学 基于rbm和svm的极化sar图像分类
CN107577994A (zh) * 2017-08-17 2018-01-12 南京邮电大学 一种基于深度学习的行人、车辆附属品识别及检索方法
CN108596878A (zh) * 2018-03-30 2018-09-28 浙江大学山东工业技术研究院 图像清晰度评价方法
CN108550145A (zh) * 2018-04-11 2018-09-18 北京环境特性研究所 一种sar图像质量评估方法和装置
CN109523514A (zh) * 2018-10-18 2019-03-26 西安电子科技大学 对逆合成孔径雷达isar的批量成像质量评估方法
CN110703215A (zh) * 2019-10-16 2020-01-17 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
CN111127456A (zh) * 2019-12-28 2020-05-08 北京无线电计量测试研究所 一种图像标注质量评估的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
R. SCHUMACHER ET AL.: "Non-cooperative target identification of battlefield targets - classification results based on SAR images", 《IEEE INTERNATIONAL RADAR CONFERENCE, 2005》 *
WENJIE LI ET AL.: "Image definition assessment based on Tchebichef moments for micro-imaging", 《OPTICS EXPRESS》 *
王哲远等: "SAR图像质量评价综述", 《遥感信息》 *
王琪: "基于卷积神经网络的SAR图像去噪和目标检测与识别", 《中国优秀高级论文全文数据库（信息科技辑）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118364257A (zh) * 2024-06-17 2024-07-19 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 模型可靠性分析方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111915559B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
US20230263463A1 (en) Osteoporosis diagnostic support apparatus
Chen et al. A new automated quality assessment algorithm for image fusion
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN109726746B (zh) 一种模板匹配的方法及装置
Salmon et al. Proper comparison among methods using a confusion matrix
Ghazal et al. Automated framework for accurate segmentation of leaf images for plant health assessment
JP6159189B2 (ja) ハイパースペクトル画像のシグネチャーのマッチングの信頼度を評価する方法
CN110703215B (zh) 一种基于支持向量机的机载sar成像质量评估方法
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN113269706B (zh) 激光雷达图像质量评价方法、装置、设备及存储介质
Pan et al. No-reference assessment on haze for remote-sensing images
CN115862259B (zh) 一种基于温度监测的火警预警系统
CN116934747B (zh) 眼底图像分割模型训练方法、设备和青光眼辅助诊断系统
US20170053172A1 (en) Image processing apparatus, and image processing method
CN111915559B (zh) 基于svm分类可信度的机载sar图像质量评估方法
CN112927223A (zh) 一种基于红外热成像仪的玻璃幕墙检测方法
CN112561878A (zh) 基于加权融合的手指静脉图像质量评价方法
Giannarou et al. Optimal edge detection using multiple operators for image understanding
Matzen et al. Using eye tracking metrics and visual saliency maps to assess image utility
Irvine et al. Image quality and performance modeling for automated target detection
Irvine et al. Real-time video image quality estimation supports enhanced tracker performance
Dey et al. A robust FLIR target detection employing an auto-convergent pulse coupled neural network
Ji et al. No-reference image quality assessment for dehazed images
Ortiz-Jaramillo et al. Computing contrast ratio in images using local content information
CN111723719B (zh) 基于类别外部记忆的视频目标检测方法、系统、装置

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220920

CF01 Termination of patent right due to non-payment of annual fee