CN111915559B - 基于svm分类可信度的机载sar图像质量评估方法 - Google Patents

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,...,y_t,...,y_n]；

其中，y_t∈Y，t＝1,2,3,...,n，y_t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x_t；

S3、基于实验数据集中的每个SAR图像对应的质量评价分值y_t及其质量评价矢量x_t，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x_t为x_t＝[μ_t,σ_t,RAD_t,ENL_t,GRAY_t,SMD_t,EOG_t,BRE_t]；

所述均值μ为：

式中，M×N为图像尺寸，I_i,j为图像在(i,j)处的强度值；

所述方差σ为：

所述辐射分辨率γ，即RAD为：

所述等效视数ENL为：

所述灰度分辨率Q，即GRAY为：

式中，T_b(u)表示图像中有u％的像素大于T_b(u)，T_d(u)表示图像中有u％的像素小于T_d(u)；

所述灰度方差D_SMD(f)，即SMD为：

SMD＝D_SMD(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D_EOG(f)，即EOG为：

EOG＝D_EOG(f)＝∑_y∑_x(|f(x+1,y)-f(x,y)|+|f(x,y+1)-f(x,y)|²)

所述Brenner梯度D_BRE(f)，即BRE为：

BRE＝D_BRE(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y_t；

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^*；

式中，μ_n ^*、

BRE_n ^*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y_t∈{1,2,3,...,m}，y_t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y_t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x_t及其质量评价分值y_t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：

式中，wⁱ为分类超平面的法向量，

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y_t的类别标号，i∈{1,2,3,...,q}，且

if y_t＝i，φ(x_t)为输入空间到特征空间的非线性映射，x_t为第t个图像对应的特征向量，

if y_t≠i，

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：

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(x_new)为输入空间到特征空间的非线性映射；

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，x_t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：

式中，

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：

式中，c为当前分类结果的可靠性值，d_q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，d_i为待评估SAR图像的分类结果到训练集中同类别中心点x_i的距离；

其中，距离d_q为：

式中，x_new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d_i为：

式中，

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,...,y_t,...,y_n]；

其中，y_t∈Y，t＝1,2,3,...,n，y_t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x_t；

S3、基于实验数据集中的每个SAR图像对应的质量评价分值y_t及其质量评价矢量x_t，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x_t为x_t＝[μ_t,σ_t,RAD_t,ENL_t,GRAY_t,SMD_t,EOG_t,BRE_t]；

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：

式中，M×N为图像尺寸，I_i,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：

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：

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：

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：

式中，T_b(u)表示图像中有u％的像素大于T_b(u)，T_d(u)表示图像中有u％的像素小于T_d(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D_SMD(f)，即SMD为：

SMD＝D_SMD(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D_EOG(f)，即EOG为：

EOG＝D_EOG(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D_BRE(f)，即BRE为：

BRE＝D_BRE(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y_t；

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：

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^*；

式中，先验质量评价分值即类别标签y_t∈{1,2,3,...,m}，y_t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：

式中，μ_min和μ_max分别表示[μ₁,μ₂,...,μ_n]^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),...,(x_n,y_n)}，其中f-1维特征向量，x_t∈R^f-1，类标签y_t∈{1,2,...,m}，R为实数域；

S42、基于训练集中类别标签y_t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x_t及其质量评价分值y_t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：

式中，wⁱ为分类超平面的法向量，

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y_t的类别标号，i∈{1,2,3,...,q}，且

if y_t＝i，φ(x_t)为输入空间到特征空间的非线性映射，x_t为第t个图像对应的特征向量，

if y_t≠i，

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：

式中，

为输入数据分类类别为第i类时的决策函数；φ(x_new)为输入空间到特征空间的非线性映射；

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，x_t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：

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(x_new)为输入空间到特征空间的非线性映射；

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，x_t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：

式中，c为当前分类结果的可靠性值，d_q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，d_i为待评估SAR图像的分类结果到训练集中同类别中心点x_i(同类样本各个维度上的值的和的平均)的距离；

其中，距离d_q为：

式中，x_new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；d_q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d_i为：

式中，

S为训练集中第i类类别的个数，d_i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。

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 (6)

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,...,y_t,...,y_n]；

其中，y_t∈Y，t＝1,2,3,...,n，y_t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x_t；

S3、基于实验数据集中的每个SAR图像对应的先验质量评价分值y_t及其质量评价矢量x_t，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；

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y_t；

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^*；

式中，μ_n ^*、

BRE_n ^*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y_t∈{1,2,3,...,m}，y_t值越大对应SAR图像质量越好；

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y_t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x_t及其质量评价分值y_t训练对应的SVM单分类器，进而完成SVM多分类器的训练；

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；

所述步骤S52中进行可靠性检测时的公式为：

式中，c为当前分类结果的可靠性值，d_q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，d_i为待评估SAR图像的分类结果到训练集中同类别中心点x_i的距离；

其中，距离d_q为：

式中，x_new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；wⁱ为分类超平面的法向量，bⁱ为超平面到原点的距离；

距离d_i为：

式中，

S为训练集中第i类类别的个数，x_i为同类别中心点。

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x_t为x_t＝[μ_t,σ_t,RAD_t,ENL_t,GRAY_t,SMD_t,EOG_t,BRE_t]；

所述均值μ为：

式中，M×N为图像尺寸，I_i,j为图像在(i,j)处的强度值；

所述方差σ为：

所述辐射分辨率γ，即RAD为：

所述等效视数ENL为：

所述灰度分辨率Q，即GRAY为：

式中，T_b(u)表示图像中有u％的像素大于T_b(u)，T_d(u)表示图像中有u％的像素小于T_d(u)；

所述灰度方差D_SMD(f)，即SMD为：

SMD＝D_SMD(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D_EOG(f)，即EOG为：

EOG＝D_EOG(f)＝∑_y∑_x(|f(x+1,y)-f(x,y)|+|f(x,y+1)-f(x,y)|²)

所述Brenner梯度D_BRE(f)，即BRE为：

BRE＝D_BRE(f)＝∑_y∑_x|f(x+2,y)-f(x,y)|²。

4.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S42中的SVM单分类器为：

式中，wⁱ为分类超平面的法向量，

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y_t的类别标号，i∈{1,2,3,...,q}，且

φ(x_t)为输入空间到特征空间的非线性映射，x_t为第t个图像对应的特征向量，

C为计算系数。

5.根据权利要求4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：

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(x_new)为输入空间到特征空间的非线性映射；

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，x_t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。

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：

式中，

为输入数据分类类别为第i类时的决策函数。

Images