CN112883898A - 一种基于sar影像的地物分类方法及装置 - Google Patents
一种基于sar影像的地物分类方法及装置 Download PDFInfo
- Publication number
- CN112883898A CN112883898A CN202110267334.5A CN202110267334A CN112883898A CN 112883898 A CN112883898 A CN 112883898A CN 202110267334 A CN202110267334 A CN 202110267334A CN 112883898 A CN112883898 A CN 112883898A
- Authority
- CN
- China
- Prior art keywords
- pixels
- posterior
- ground
- belong
- constraint
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 27
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003305 oil spill Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/21—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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于SAR影像的地物分类方法及装置。该方法包括:利用深度学习模型对待分类区域的SAR影像进行粗分类,获得初始地物类别;利用条件随机场模型处理初始地物类别,获得后验概率;对后验概率进行超像素边界约束,获得后验约束概率;最后,根据后验约束概率确定最终的地物类别。该方法在深度学习模型进行地物分类之后,引入条件随机场模型和超像素,分别进行后验处理和边界约束处理,提升了识别SAR影像中各个像素所属地物类别的准确度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于SAR影像的地物分类方法及装置。
背景技术
合成孔径雷达(synthetic aperture radar,SAR)技术为遥感对地观测提供了独特的视角,其具有的穿透能力使得遥感数据源的时空维度得到很大扩展。作为微波遥感领域重要的基础性研究之一,基于SAR影像的地物分类在城市遥感、精细农业、应急减灾、海冰监测、溢油污染等领域展现了巨大的价值。
对SAR影像进行地物分类的现有方法主要包括:通过统计模型对SAR影响的强度分布进行建模,从而构建不同地物类别的差异性特征,以此区分影像中的地物类别;利用形态学方法对SAR影像做特征提取和重构,将影像图转换为特征图,然后对SAR影像进行分类;还有的,利用信号变换分析方法充分突出SAR影像多方向的信号频率特征,对空间频率局部化分析,然后通过伸缩平移运算对信号逐步地多尺度细化(高频处时间细分,低频处频率细分)达到地物分类的目的。
现有方法通常都忽视了SAR数据特有的散射机理及相干成像的随机性特点,同时,没有考虑SAR影像中地物的边界区域,导致获得的分类结果存在精度低、边缘结构保持能力差以及实用性弱等缺点。
发明内容
本申请实施例提供了一种基于SAR影像的地物分类方法及装置,利用条件随机场模型对待分类SAR影像的初始分类结果进行后验处理,以及进行超像素边界约束,考虑了SAR数据的散射机理和相干成像的特点、以及边缘结构特点,提高了SAR影像的分类精度。
第一方面,本申请实施例提供了一种基于SAR影像的地物分类方法,该方法包括:
获取待分类区域的SAR影像,SAR影像中包括多个像素;
利用深度学习模型获得多个像素所属的初始地物类别;
根据多个像素所属的初始地物类别,利用条件随机场模型获得多个像素属于各个地物类别的后验概率,初始地物类别为各个地物类别中的任意一种;
对多个像素属于各个地物类别的后验概率进行超像素边界约束,获得多个像素属于各个地物类别的后验约束概率;
根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别。
本申请实施例中,通过条件随机场模型对深度学习模型获得的初分类结果进行后验,借助条件随机场模型体现出了SAR各像素之间的空间相关性,将SAR影像的散射和相干成像的特点考虑在内,使得分类更加精确;此外,对后验的结果进行超像素约束,进一步加强的分类结果的准确性。
在一种可能的实施方式中,在利用预先训练的深度学习模型获得多个像素所属的初始地物类别之前,方法还包括:
利用预先获得的训练样本训练深度学习模型,训练样本根据SAR影像对应的目视解译结果确定,深度学习模型由卷积神经网络组成。
本申请实施例中,通过SAR影响的目视解译结果获得训练样本,充分利用了影像中的局部纹理强相关性特征,提高了深度学习模型的分类结果的准确性。
在一种可能的实施方式中,根据多个像素所属的初始地物类别,利用条件随机场模型获得多个像素属于各个地物类别的后验概率包括:
将多个像素所属的初始地物类别和多个像素的像素值代入条件随机场模型;
迭代更新条件随机场模型,获得条件随机场模型收敛时输出的多个像素属于各个地物类别的后验概率。
在一种可能的实施方式中,对多个像素属于各个地物类别的后验概率进行超像素边界约束,获得多个像素属于各个地物类别的后验约束概率包括:
对多个像素进行超像素分割,并确定多个像素所属的超像素;
根据多个像素属于各个地物类别的后验概率,获取多个像素所属的超像素对应的均值后验概率;
根据多个像素属于各个地物类别的后验概率、多个像素所属的超像素对应的均值后验概率和预设的约束权重,获得多个像素属于各个地物类别的后验约束概率。
本申请实施例中,通过SAR影像的超像素对后验结果进行边界约束,增强了SAR中区域的区分度,进一步加强了分类结果的准确性。
在一种可能的实施方式中,根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别包括:
将多个像素属于各个地物类别的后验约束概率中的最大概率值对应的地物类别作为多个像素所属的地物类别。
第二方面,本申请实施例提供了一种基于SAR影像的地物分类装置,该装置包括:
获取模块,用于获取待分类区域的SAR影像,SAR影像中包括多个像素;
初分类模块,用于利用深度学习模型获得多个像素所属的初始地物类别;
后分类模块,用于根据多个像素所属的初始地物类别,利用条件随机场模型获得多个像素属于各个地物类别的后验概率,初始地物类别为各个地物类别中的任意一种;
边界约束模块,用于对多个像素属于各个地物类别的后验概率进行超像素边界约束,获得多个像素属于各个地物类别的后验约束概率;
确定模块,用于根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别。
在一种可能的实施方式中,装置还包括:
模型训练模块,用于利用预先获得的训练样本训练深度学习模型,训练样本根据SAR影像对应的目视解译结果确定,深度学习模型由卷积神经网络组成。
在一种可能的实施方式中,后分类模块具体用于:
将多个像素所属的初始地物类别和多个像素的像素值代入条件随机场模型;
迭代更新条件随机场模型,获得条件随机场模型收敛时输出的多个像素属于各个地物类别的后验概率。
在一种可能的实施方式中,边界约束模块具体用于:
对多个像素进行超像素分割,并确定多个像素所属的超像素;
根据多个像素属于各个地物类别的后验概率,获取多个像素所属的超像素对应的均值后验概率;
根据多个像素属于各个地物类别的后验概率、多个像素所属的超像素对应的均值后验概率和预设的约束权重,获得多个像素属于各个地物类别的后验约束概率。
在一种可能的实施方式中,根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别包括:
将多个像素属于各个地物类别的后验约束概率中的最大概率值对应的地物类别作为多个像素所属的地物类别。
附图说明
图1是本申请实施例提供的一种基于SAR影像的地物分类方法的流程图;
图2是本申请实施例提供的一个待分类区域的SAR影像图;
图3是本申请实施例提供的从待分类区域的SAR影像图中获得的训练样本的示意图;
图4是本申请实施例提供的利用深度学习模型获得的地物分类初始结果的示意图;
图5是本申请实施例提供的基于SAR影像的地物分类的结果示意图;
图6是本申请实施例提供的一种基于SAR影像的地物分类装置的示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本申请实施例中的技术方案进行描述。
在本申请实施例的描述中,“示例性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B这三种情况。另外,除非另有说明,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图1是本申请实施例提供的一种基于SAR影像的地物分类方法的流程图。如图1所示,该方法包括如下的步骤S1-步骤S5。
步骤S1.获取待分类区域的SAR影像。
本实施例中,待分类区域可以是任意一种待分类区域,包括城市区域、农村区域和无人类生活的区域;SAR影像中包括多个像素,SAR影像可以是通过安装SAR的飞行设备采集的影像。
步骤S2.利用深度学习模型对SAR影像进行粗分类,获得待分类区域的地物分类初始结果。
本实施例中,将如图2所示的SAR影像中各个像素的像素值输入预先训练好的深度学习模型,获得如图3所示的各个像素所属的初始地物类别,图3中用不同颜色表示不同的地物类别,地物类别如建筑Buildings、草本植物Herbage、跑道Runway和林地Woodland。
具体地,根据获得的目视解译结果,在SAR影像中选取相应的像素获得如图4所示的训练样本,图4中不同程度的灰色样条表示像素所属的不同地物类别;最后,利用训练样本训练深度学习模型。其中,利用样本集训练深度学习模型时,可以将训练样本分为训练部分和验证部分,从而实现卷积神经网络参数的训练与反向传播调整,直至网络收敛,获得深度学习模型。本步骤采用SAR影像的目视解译结果构建训练样本,充分利用了SAR影像中局部纹理的强相关特性,可以提高深度学习模型进行预测的准确度。
其中,构建的深度学习模型包括:特征提取部分和分类器部分。其中,特征提取部分的前后特征层之间的传递函数如公式(1)所示。
公式(1)中,xl,j为深度学习模型中第l个特征层中的第j个特征向量,特征向量中包括各个像素对应的特征值,xl-1,i为模型的第l-1层中与第l层相关的第i个特征向量,kl,ij为第l层中第j个特征向量作用于第i个特征向量的卷积核,bl,j为模型的第l层第j个特征向量对应的偏置参数,Mj为模型的第l-1层中与第l层相关的特征向量的总数,f表示激活函数。
深度学习模型采用的分类器模型,第一层通过公式(2)获得各个像素属于各个地物类别的初始概率;第二层在各个像素属于各个地物类别的初始概率中选择最大值,从而确定各个像素所属的初始地物类别;例如,在第s个像素属于各个地物类别的初始概率{ys,1,…,ys,g,…,ys,G},如果ys,g-1为最大值,则将第g-1个地物类别作为第s个像素所属的地物类别,g∈[1,G],G为地物类别总数。
公式(2)中,yg为第g个地物类别对应的初始概率向量,包括:各个像素属于第g个地物类别的初始概率,ag为中间量,为第L个特征层中与第g个地物类别关联的第h个特征向量,kg,h为第L个特征层中第g个地物类别作用于第h个特征向量的卷积核,bg为第L个特征层中第g个地物类别对应的偏置参数。
步骤S3.根据初始地物类别,利用条件随机场模型获得多个像素属于各个地物类别的后验概率。
本实施例中,将各个像素所属的初始地物类别代入预先构建的条件随机场模型,对模型进行迭代更新,当模型收敛时,获得模型输出的各个像素属于各个地物类别的后验概率。
具体地,构建条件随机场模型时,按照公式(3)确定条件随机场模型。
公式(3)中,P为后验概率向量,包括各个像素属于各个地物类别的后验概率;Y为标记场,包括各个像素所属的初始地物类别;X为观测场,包括多个像素的像素值;C表示SAR影像对应的最大基团集合,表示势函数,Z(X)为X的归一化项。
步骤S4.对多个像素属于各个地物类别的后验概率进行边界约束,获得多个像素属于各个地物类别的后验约束概率。
本实施例中,先根据每一个超像素中多个像素属于各个地物类别的后验概率,计算获得每一个超像素属于各个地物类别的均值后验概率;进而按照公式(4)计算后验约束概率,即根据多个像素属于各个地物类别的后验概率、各个超像素属于各个地物类别的均值后验概率和各个超像素对应的约束权重,计算多个像素属于各个地物类别的后验约束概率。
公式(4)中,P′m为第m个像素对应的后验约束概率向量,包括第m个像素属于各个地物类别的后验约束概率;Pm为第m个像素对应的后验概率向量,包括第m个像素属于各个地物类别的后验概率;wd为预设的超像素边界约束的权重向量;为第m个像素所属超像素对应的后验均值概率向量,包括第m个像素所属超像素d属于各个地物类别的后验均值概率。
其中,上述超像素表征的是SAR影像中位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域,即SAR影像包括多个超像素。SAR影像的各个超像素可通过超像素分割法对SAR影像进行超像素划分获得,具体地,采用超像素分割法对SAR影像进行超像素划分时,可按照公式(5)所示的指标计算值判断SAR影像中两个像素是否属于同一个超像素。
公式(5)中,D为判断两个像素(像素i和像素j)是否属于同一个超像素的指标值,ds,mn为第m个像素和第n个像素之间的极化分解量距离,dp,mn为第m个像素和第n个像素之间的位置距离,Ns和Np分别为SAR影像中所有像素之间的极化分解量距离的归一化项和位置距离的归一化项,分别为第m个像素的三个极化通道的分解量,分别为第n个像素的三个极化通道的分解量,(xm,ym)为第m个像素的位置坐标,(xn,yn)为第n个像素的位置坐标。
步骤S5.根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别。
本实施例中,在多个像素属于各个地物类别的后验约束概率中,选取多个像素对应的最大后验约束概率对应的地物类别作为多个像素所属的地物类别,获得的多个像素所属的地物类别如图5所示。
基于上述方法实施例,本申请还提供一种基于SAR影响的地物分类装置。如图6所示,该装置包括:
获取模块,用于获取待分类区域的SAR影像,SAR影像中包括多个像素;
初分类模块,用于利用深度学习模型获得多个像素所属的初始地物类别;
后分类模块,用于根据多个像素所属的初始地物类别,利用条件随机场模型获得多个像素属于各个地物类别的后验概率,初始地物类别为各个地物类别中的任意一种;
边界约束模块,用于对多个像素属于各个地物类别的后验概率进行超像素边界约束,获得多个像素属于各个地物类别的后验约束概率;
确定模块,用于根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别。
在一种可能的实施方式中,装置还包括:
模型训练模块,用于利用预先获得的训练样本训练深度学习模型,训练样本根据SAR影像对应的目视解译结果确定,深度学习模型由卷积神经网络组成。
在一种可能的实施方式中,后分类模块具体用于:
将多个像素所属的初始地物类别和多个像素的像素值代入条件随机场模型;
迭代更新条件随机场模型,获得条件随机场模型收敛时输出的多个像素属于各个地物类别的后验概率。
在一种可能的实施方式中,边界约束模块具体用于:
对多个像素进行超像素分割,并确定多个像素所属的超像素;
根据多个像素属于各个地物类别的后验概率,获取多个像素所属的超像素对应的均值后验概率;
根据多个像素属于各个地物类别的后验概率、多个像素所属的超像素对应的均值后验概率和预设的约束权重,获得多个像素属于各个地物类别的后验约束概率。
在一种可能的实施方式中,根据多个像素属于各个地物类别的后验约束概率,确定多个像素所属的地物类别包括:
将多个像素属于各个地物类别的后验约束概率中的最大概率值对应的地物类别作为多个像素所属的地物类别。
基于上述方法实施例,本申请还提供一种计算设备,该计算设备包括处理器和存储器,处理器执行存储器存储的计算机指令时,实现上述方法实施例中的方法步骤。
可以理解的是,本申请的实施例中的处理器可以是中央处理单元(centralprocessing unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件,硬件部件或者其任意组合。通用处理器可以是微处理器,也可以是任何常规的处理器。
本申请的实施例中的方法步骤可以通过硬件的方式来实现,也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(random access memory,RAM)、闪存、只读存储器(read-only memory,ROM)、可编程只读存储器(programmable rom,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
Claims (10)
1.一种基于SAR影像的地物分类方法,其特征在于,所述方法包括:
获取待分类区域的SAR影像,所述SAR影像中包括多个像素;
利用深度学习模型获得所述多个像素所属的初始地物类别;
根据所述多个像素所属的初始地物类别,利用条件随机场模型获得所述多个像素属于各个地物类别的后验概率,所述初始地物类别为所述各个地物类别中的任意一种;
对所述多个像素属于各个地物类别的后验概率进行超像素边界约束,获得所述多个像素属于各个地物类别的后验约束概率;
根据所述多个像素属于各个地物类别的后验约束概率,确定所述多个像素所属的地物类别。
2.根据权利要求1所述的方法,其特征在于,在所述利用预先训练的深度学习模型获得所述多个像素所属的初始地物类别之前,所述方法还包括:
利用预先获得的训练样本训练所述深度学习模型,所述训练样本根据所述SAR影像对应的目视解译结果确定,所述深度学习模型由卷积神经网络组成。
3.根据权利要求1所述的方法,其特征在于,所述根据所述多个像素所属的初始地物类别,利用条件随机场模型获得所述多个像素属于各个地物类别的后验概率包括:
将所述多个像素所属的初始地物类别和所述多个像素的像素值代入所述条件随机场模型;
迭代更新所述条件随机场模型,获得所述条件随机场模型收敛时输出的所述多个像素属于各个地物类别的后验概率。
4.根据权利要求1所述的方法,其特征在于,所述对所述多个像素属于各个地物类别的后验概率进行超像素边界约束,获得所述多个像素属于各个地物类别的后验约束概率包括:
对所述多个像素进行超像素分割,并确定所述多个像素所属的超像素;
根据所述多个像素属于各个地物类别的后验概率,获取所述多个像素所属的超像素对应的均值后验概率;
根据所述多个像素属于各个地物类别的后验概率、所述多个像素所属的超像素对应的均值后验概率和预设的约束权重,获得所述多个像素属于各个地物类别的后验约束概率。
5.根据权利要求1所述的方法,其特征在于,所述根据所述多个像素属于各个地物类别的后验约束概率,确定所述多个像素所属的地物类别包括:
将所述多个像素属于各个地物类别的后验约束概率中的最大概率值对应的地物类别作为所述多个像素所属的地物类别。
6.一种基于SAR影像的地物分类装置,其特征在于,所述装置包括:
获取模块,用于获取待分类区域的SAR影像,所述SAR影像中包括多个像素;
初分类模块,用于利用深度学习模型获得所述多个像素所属的初始地物类别;
后分类模块,用于根据所述多个像素所属的初始地物类别,利用条件随机场模型获得所述多个像素属于各个地物类别的后验概率,所述初始地物类别为所述各个地物类别中的任意一种;
边界约束模块,用于对所述多个像素属于各个地物类别的后验概率进行超像素边界约束,获得所述多个像素属于各个地物类别的后验约束概率;
确定模块,用于根据所述多个像素属于各个地物类别的后验约束概率,确定所述多个像素所属的地物类别。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于利用预先获得的训练样本训练所述深度学习模型,所述训练样本根据所述SAR影像对应的目视解译结果确定,所述深度学习模型由卷积神经网络组成。
8.根据权利要求6所述的装置,其特征在于,所述后分类模块具体用于:
将所述多个像素所属的初始地物类别和所述多个像素的像素值代入所述条件随机场模型;
迭代更新所述条件随机场模型,获得所述条件随机场模型收敛时输出的所述多个像素属于各个地物类别的后验概率。
9.根据权利要求6所述的装置,其特征在于,所述边界约束模块具体用于:
对所述多个像素进行超像素分割,并确定所述多个像素所属的超像素;
根据所述多个像素属于各个地物类别的后验概率,获取所述多个像素所属的超像素对应的均值后验概率;
根据所述多个像素属于各个地物类别的后验概率、所述多个像素所属的超像素对应的均值后验概率和预设的约束权重,获得所述多个像素属于各个地物类别的后验约束概率。
10.根据权利要求6所述的装置,其特征在于,所述根据所述多个像素属于各个地物类别的后验约束概率,确定所述多个像素所属的地物类别包括:
将所述多个像素属于各个地物类别的后验约束概率中的最大概率值对应的地物类别作为所述多个像素所属的地物类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267334.5A CN112883898A (zh) | 2021-03-11 | 2021-03-11 | 一种基于sar影像的地物分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267334.5A CN112883898A (zh) | 2021-03-11 | 2021-03-11 | 一种基于sar影像的地物分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883898A true CN112883898A (zh) | 2021-06-01 |
Family
ID=76041219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267334.5A Pending CN112883898A (zh) | 2021-03-11 | 2021-03-11 | 一种基于sar影像的地物分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883898A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216311A (zh) * | 2023-11-06 | 2023-12-12 | 北京数慧时空信息技术有限公司 | 用于时序形变监测的sar影像推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488968A (zh) * | 2012-06-14 | 2014-01-01 | 株式会社日立制作所 | 遥感图像的混合像素物质构成精细化分解装置及方法 |
CN109919159A (zh) * | 2019-01-22 | 2019-06-21 | 西安电子科技大学 | 一种针对边缘图像的语义分割优化方法及装置 |
CN110163239A (zh) * | 2019-01-25 | 2019-08-23 | 太原理工大学 | 一种基于超像素和条件随机场的弱监督图像语义分割方法 |
US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
-
2021
- 2021-03-11 CN CN202110267334.5A patent/CN112883898A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488968A (zh) * | 2012-06-14 | 2014-01-01 | 株式会社日立制作所 | 遥感图像的混合像素物质构成精细化分解装置及方法 |
CN109919159A (zh) * | 2019-01-22 | 2019-06-21 | 西安电子科技大学 | 一种针对边缘图像的语义分割优化方法及装置 |
CN110163239A (zh) * | 2019-01-25 | 2019-08-23 | 太原理工大学 | 一种基于超像素和条件随机场的弱监督图像语义分割方法 |
US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
Non-Patent Citations (3)
Title |
---|
ZHENSHENG SUN 等: "SAR Image Classification Using Fully Connected Conditional Random Fields Combined with Deep Learning and Superpixel Boundary Constraint", 《REMOTE SENSING》 * |
夏梦: "基于深度学习与条件随机场结合的遥感图像分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
夏梦等: "结合深度学习与条件随机场的遥感图像分类", 《中国图象图形学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216311A (zh) * | 2023-11-06 | 2023-12-12 | 北京数慧时空信息技术有限公司 | 用于时序形变监测的sar影像推荐方法 |
CN117216311B (zh) * | 2023-11-06 | 2024-01-30 | 北京数慧时空信息技术有限公司 | 用于时序形变监测的sar影像推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anniballe et al. | Earthquake damage mapping: An overall assessment of ground surveys and VHR image change detection after L'Aquila 2009 earthquake | |
Praz et al. | Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera | |
Tao et al. | A segmentation-based CFAR detection algorithm using truncated statistics | |
Solberg et al. | Automatic detection of oil spills in ERS SAR images | |
CN109190491B (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN108052940A (zh) | 基于深度学习的sar遥感图像水面目标检测方法 | |
CN105930772A (zh) | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 | |
Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
Alvioli et al. | Topography-driven satellite imagery analysis for landslide mapping | |
Cui et al. | A benchmark evaluation of similarity measures for multitemporal SAR image change detection | |
Huang et al. | A new SAR image segmentation algorithm for the detection of target and shadow regions | |
Mahrooghy et al. | A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery | |
Park et al. | Active-passive data fusion algorithms for seafloor imaging and classification from CZMIL data | |
Cui et al. | Decision fusion of textural features derived from polarimetric data for levee assessment | |
Donini et al. | An automatic approach to map refreezing ice in radar sounder data | |
Kondmann et al. | Spatial context awareness for unsupervised change detection in optical satellite images | |
Hao et al. | A novel change detection approach for VHR remote sensing images by integrating multi-scale features | |
Merembayev et al. | Soil salinity classification using machine learning algorithms and radar data in the case from the South of Kazakhstan | |
CN112883898A (zh) | 一种基于sar影像的地物分类方法及装置 | |
Saboori et al. | Combining multi-scale textural features from the panchromatic bands of high spatial resolution images with ANN and MLC classification algorithms to extract urban land uses | |
Özkan et al. | A new proposed GLCM texture feature: modified Rényi Deng entropy | |
Chawla | Possibilistic c-means-spatial contextual information based sub-pixel classification approach for multi-spectral data | |
CN109344837B (zh) | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 | |
CN111460943A (zh) | 一种遥感影像地物分类方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210601 |