基于半監(jiān)督分類與區(qū)域距離測度的sar圖像識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于半監(jiān)督分類與區(qū)域距離測度的SAR圖像識(shí)別方法。其實(shí)現(xiàn)步驟為：通過切分原始SAR圖像建立圖像庫，從圖像庫中挑選目標(biāo)單一的SAR圖像塊；提取圖庫內(nèi)圖像塊的特征向量；將挑選出的SAR圖像塊分成若干類，并用對應(yīng)的特征向量作為訓(xùn)練樣本，訓(xùn)練半監(jiān)督分類器，并用此分類器對圖像庫分類；對用戶輸入的查詢圖像塊，用已訓(xùn)練的分類器得到其類別；根據(jù)混淆矩陣求取查詢圖像塊的類別集合，計(jì)算查詢圖像塊與圖像庫中屬于該集合的圖像塊之間的區(qū)域相似距離，并依照該距離從小到大的順序返回用戶需要數(shù)量的圖像塊。本發(fā)明具有分類錯(cuò)誤可糾正，信息識(shí)別精度高的優(yōu)點(diǎn)，可用于對多幅SAR圖像同時(shí)進(jìn)行解譯。
【專利說明】基于半監(jiān)督分類與區(qū)域距離測度的SAR圖像識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及一種SAR圖像的識(shí)別方法，可應(yīng)用于對多幅SAR圖像同時(shí)進(jìn)行解譯。
【背景技術(shù)】
[0002]SAR圖像因?yàn)榫哂腥鞎r(shí)、全天候的探測能力，尤其是相對光學(xué)圖像對天氣因素完全不依賴的特點(diǎn)，其應(yīng)用領(lǐng)域正在逐步的擴(kuò)大，包括軍事，農(nóng)業(yè)，導(dǎo)航，地理監(jiān)視等。SAR圖像的分割，去噪，變化檢測等都是研究熱點(diǎn)領(lǐng)域，而這些研究領(lǐng)域的一個(gè)重要基礎(chǔ)就是SAR圖像識(shí)別。一些傳統(tǒng)的識(shí)別技術(shù)主要針對識(shí)別精度的問題，而且大多應(yīng)用于單張SAR圖像的小范圍區(qū)域識(shí)別問題。但這些技術(shù)明顯已不符合當(dāng)下SAR圖像數(shù)量海量增長的應(yīng)用環(huán)境。為了克服上述技術(shù)缺點(diǎn)，本發(fā)明結(jié)合圖論半監(jiān)督學(xué)習(xí)方法和改進(jìn)的區(qū)域距離測度在基于內(nèi)容的圖像檢索技術(shù)的框架下提出了一種SAR圖像識(shí)別技術(shù)。該技術(shù)實(shí)現(xiàn)簡單，既保證識(shí)別精度又可滿足大量SAR圖像同時(shí)進(jìn)行識(shí)別的應(yīng)用場景。
[0003]實(shí)際問題中，易獲得的有標(biāo)簽數(shù)據(jù)往往比無標(biāo)簽數(shù)據(jù)少得多。為了解決此類問題，半監(jiān)督學(xué)習(xí)方法應(yīng) 運(yùn)而生。半監(jiān)督學(xué)習(xí)方法是介于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的一類學(xué)習(xí)方法，該方法同時(shí)利用有標(biāo)簽樣本和無標(biāo)簽樣本，利用整體幾何結(jié)構(gòu)完成類標(biāo)傳播。近些年在半監(jiān)督學(xué)習(xí)領(lǐng)域中，基于圖論的半監(jiān)督學(xué)習(xí)方法是最活躍的研究方向。最著名并且應(yīng)用廣泛的基于圖論的半監(jiān)督學(xué)習(xí)方法包括:最小切方法，高斯隨機(jī)場方法等，分別參JAL A.Blum and S.Chawla.Learning from labeled and unlabeled data using graphmincuts.1n Prnceedings of thel8th International Conference on Machine Learning.Morgan Kaufmannj San Francisco, CA, 2001.19-26 ；Zhu, Xiaojinj Zoubin Ghahramani，andJohn Lafferty.^Sem1-supervised learning using gaussian fields and harmonicfunctions.〃ICML.Vol.3.2003。這些方法將有標(biāo)簽和無標(biāo)簽數(shù)據(jù)作為圖的頂點(diǎn)，數(shù)據(jù)間的相似度作為連接頂點(diǎn)的邊及權(quán)值，并利用圖的幾何特性完成類標(biāo)從有標(biāo)簽的數(shù)據(jù)到無標(biāo)簽的數(shù)據(jù)的傳播，從而達(dá)到分類的目的。由于高斯隨機(jī)場方法計(jì)算復(fù)雜度低的特點(diǎn)，考慮到識(shí)別系統(tǒng)的時(shí)效性，本發(fā)明采用此方法。
[0004]基于內(nèi)容的圖像檢索CBIR，是基于圖像低層次的視覺特征完成在圖像數(shù)據(jù)庫中檢索與查詢圖像在內(nèi)容上一致或相似的圖像集合過程。該技術(shù)包含一系列的圖像處理方法，包括特征提取、相似性度量、用戶反饋等。截至目前，已有很多成熟、著名的檢索系統(tǒng)被提出，如 SIMPLIcity 檢索系統(tǒng)，參見 James Z.Wang, Jia Li, Gio ffiederhold.SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture Libraries.1EEE Trans, on Pattern Analysis and Machine Intelligence, 2001，23(9):947-963,該SMPLIcity檢索系統(tǒng)已成功的應(yīng)用于海量的自然圖像檢索問題，但由于技術(shù)限制及SAR圖像自身特點(diǎn)，將其直接應(yīng)用在SAR圖像識(shí)別中效果不并理想。又如2009年提出的結(jié)合高斯混合模型分類的SAR圖像檢索系統(tǒng)，即GMM檢索系統(tǒng)，參見Hou, B., Tang, X., Jiao, L., &ffang, S.(2009, October).SAR image retrieval based onGaussian Mixture Model classification.1n Synthetic Aperture Radar, 2009.APSAR2009.2nd Asian-Pacific Conference on (pp.796-799).IEEE，該方法面向 SAR 圖像，在檢索過程中有效的運(yùn)用了紋理特征，但由于利用有監(jiān)督分類方法使得其在現(xiàn)實(shí)問題中的推廣化能力較低，同時(shí)因?yàn)樵摲椒ǖ南嗨贫绕ヅ浼夹g(shù)并沒有考慮SAR圖像的特點(diǎn)，使得檢索效果并不理想。雖然該文章中給出了出色的實(shí)驗(yàn)結(jié)果，但這些結(jié)果依賴于有重疊的切割原始SAR圖像建立圖庫，這種策略得到的圖像塊具有高度的集群特性，即同一類內(nèi)的樣本間距很小，不同類的樣本間距很大，這樣的數(shù)據(jù)分布與實(shí)際應(yīng)用中的數(shù)據(jù)分布往往差異大，得到的實(shí)驗(yàn)結(jié)果不能充分的驗(yàn)證其方法的有效性。

【發(fā)明內(nèi)容】

[0005]本發(fā)明目的在于針對上述已有技術(shù)存在的缺陷，根據(jù)SAR圖像的特殊成像特點(diǎn)，在傳統(tǒng)基于內(nèi)容的圖像檢索的框架下，提出一種基于半監(jiān)督分類與改進(jìn)區(qū)域距離測度的SAR圖像識(shí)別方法，以減小實(shí)驗(yàn)數(shù)據(jù)與實(shí)際應(yīng)用中數(shù)據(jù)分布的差異，提高實(shí)際應(yīng)用中的信息識(shí)別精度。
[0006]實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是:使用離散小波，解析SAR圖像中的紋理信息，使用紋理信息，利用高斯隨機(jī)場半監(jiān)督學(xué)習(xí)方法完成SAR圖像庫的分類工作，并采用改進(jìn)的區(qū)域綜合特征相似匹配算法完成SAR圖像的相似度匹配。其具體實(shí)現(xiàn)步驟包括如下:
[0007]I)對原始SAR圖像進(jìn)行無重疊切分，以建立SAR圖像庫{Pl，p2,…，pN}，從該圖像庫中按照目標(biāo)單一原則挑選圖像塊(PuP2,…，P1K其中I << N，N表示圖庫中的SAR圖像塊個(gè)數(shù)，I表示挑選出的SAR圖像塊個(gè)數(shù)，所述目標(biāo)單一原則是指圖像塊中某目標(biāo)占圖像總面積的一半以上；
[0008]2)提取所有圖像塊的離散小波三層變換的子帶能量，作為圖像塊的特征向量
{f1,f2，…，fw}，其中，? ^io ；
[0009]3)將挑選出的SAR圖像塊(P1, P2,…，pj按照語義內(nèi)容分成Ici, I≤i≤k}類，其中k表示語義類別的個(gè)數(shù)，并用對應(yīng)的特征向量作為訓(xùn)練樣本，訓(xùn)練高斯隨機(jī)場半監(jiān)督分類器，利用該分類器對整個(gè)SAR圖像庫{Pl，p2,…，pN}分類，得到具有類標(biāo)的SAR圖像庫；
[0010]4)對用戶輸入的查詢圖像塊P'，采用與步驟2)相同的方法提取其特征向量f'，并用與步驟3)相同的訓(xùn)練樣本及訓(xùn)練好的高斯隨機(jī)場半監(jiān)督分類器，得到查詢圖像塊的類別數(shù)Ci ；
[0011]5)根據(jù)步驟4)得到的類別數(shù)Ci及經(jīng)驗(yàn)混淆矩陣，計(jì)算查詢圖像塊的類別集合{c}:
[0012]5a)在已分類的SAR圖像庫中，挑選出每一類的前K幅圖像塊，組成新的圖像樣本集，從此樣本集中隨機(jī)挑選訓(xùn)練樣本訓(xùn)練高斯隨機(jī)場半監(jiān)督分類器，用該分類器進(jìn)行100次隨機(jī)分類試驗(yàn)，得到經(jīng)驗(yàn)混淆矩陣Con e Rkxk,混淆矩陣Con是方陣，其中第i行第j列Con (i, j)表示屬于Ci類的樣本被分為Cj類的個(gè)數(shù),I≤i≤k, I≤j≤k ;
[0013]5b)對經(jīng)驗(yàn)混淆矩陣進(jìn)行列歸一化，即將一列中的每個(gè)元素除以該列元素的總和，得到經(jīng)驗(yàn)的后驗(yàn)概率矩陣ConP e Rkxk ；
[0014]5c)設(shè)置閾值T，將后驗(yàn)概率矩陣中的第i行第j列ConP(i，j)與閾值T進(jìn)行比較，當(dāng)ConP (i, j)≤T時(shí)，將ConP (i, j)設(shè)置為0，反之ConP (i, j)保持不變，閾值T的大小根據(jù)期望的每一列的非零元素個(gè)數(shù)設(shè)定；
[0015]5d)根據(jù)查詢圖像塊的類別數(shù)Ci，在后驗(yàn)概率矩陣ConP中的第i列中查找非零元素的位置，最終得到類別集合Ic};
[0016]6)計(jì)算查詢圖像塊P'與圖庫中屬于類別集合Ic}中所有圖像塊的區(qū)域距離；
[0017]7)按照步驟6)得到的區(qū)域距離，以從小到大的順序返回用戶需要數(shù)量的圖像，完成圖像識(shí)別。
[0018]本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn):
[0019]1、本發(fā)明由于用無重疊的切分方法創(chuàng)建SAR圖像庫，使測試樣本與實(shí)際數(shù)據(jù)的差距減小，增加了識(shí)別結(jié)果的可信度；
[0020]2、本發(fā)明由于采用高斯隨機(jī)場半監(jiān)督學(xué)習(xí)方法對圖庫進(jìn)行分類，減少了人工挑選訓(xùn)練樣本的工作量，降低了人為主觀因素對分類結(jié)果的影響；
[0021]3、本發(fā)明由于采用糾正分類錯(cuò)誤的策略，有效的減少了分類錯(cuò)誤對相似度匹配的影響；
[0022]4、本發(fā)明針對SAR圖像特殊性，改進(jìn)了區(qū)域綜合特征的相似度量，使得SAR圖像相似度匹配結(jié)果更準(zhǔn)確，提高了識(shí)別精度。
【專利附圖】

【附圖說明】
[0023]圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖；
[0024]圖2是本發(fā)明中用于建立SAR圖像庫的原始SAR圖像；
[0025]圖3是本發(fā)明在SAR圖庫中挑選出的SAR圖像塊樣例圖；
[0026]圖4是本發(fā)明與GMM檢索系統(tǒng)整體性能比較圖；
[0027]圖5是本發(fā)明與GMM檢索系統(tǒng)在各語義類別中的性能比較圖。
【具體實(shí)施方式】
[0028]參照圖1，本發(fā)明的具體實(shí)現(xiàn)步驟如下:
[0029]步驟1，建立SAR圖像庫{Pl，p2,…，pN}，并按照目標(biāo)單一原則挑選SAR圖像塊。
[0030]該步驟的具體實(shí)現(xiàn)如下:
[0031]Ia)選用像素大小依次為19035X7330、7082X7327的2幅大尺寸SAR圖像，作為建立圖庫的原始SAR圖像，分別如圖2 (a)，圖2 (b)所示；
[0032]Ib)對所選用的2幅原始SAR圖像進(jìn)行無重疊的切分，切分后得到大小均為256 X 256的2828幅SAR圖像塊，用此建立SAR圖像庫{Pl，p2，…，pN}，其中N = 2828 ；
[0033]Ic)在圖像庫中按照目標(biāo)單一原則挑選SAR圖像塊{Pl，p2，…，pj，其中I <<N，N表示圖像庫中的SAR圖像塊個(gè)數(shù)，I表示挑選出的SAR圖像塊個(gè)數(shù)，所述目標(biāo)單一原則是指圖像塊中某目標(biāo)占圖像總面積的一半以上。本發(fā)明在挑選時(shí)，共挑選了 28幅SAR圖像塊，即 I = 28。
[0034]步驟2，對圖庫中所有圖像塊進(jìn)行特征提取。
[0035] 選用離散小波三層變換的子帶能量ξ作為圖像塊的特征向量其中，I表示特征向量的維數(shù)，本實(shí)例選用'Ii = IO但不限于10。對某一子帶,能量定義為:
【權(quán)利要求】
1.一種基于半監(jiān)督分類與區(qū)域距離測度的SAR圖像識(shí)別方法，包括如下步驟: 1)對原始SAR圖像進(jìn)行無重疊切分，以建立SAR圖像庫(P1,P2,…，pN}，從該圖像庫中按照目標(biāo)單一原則挑選圖像塊(P1, P2，…，P1K其中I << N，N表示圖庫中的SAR圖像塊個(gè)數(shù)，I表示挑選出的SAR圖像塊個(gè)數(shù)，所述目標(biāo)單一原則是指圖像塊中某目標(biāo)占圖像總面積的一半以上； 2)提取所有圖像塊的離散小波三層變換的子帶能量，作為圖像塊的特征向量
’其中，η=\0., 3)將挑選出的SAR圖像塊{Ρ1，Ρ2，...，Ρ1}按照語義內(nèi)容分成{Ci，l<i<k}類，其中k表示語義類別的個(gè)數(shù)，并用對應(yīng)的特征向量作為訓(xùn)練樣本，訓(xùn)練高斯隨機(jī)場半監(jiān)督分類器，利用該分類器對整個(gè)SAR圖像庫{Ρι，ρ2，...，ρΝ}分類，得到具有類標(biāo)的SAR圖像庫； 4)對用戶輸入的查詢圖像塊P'，采用與步驟2)相同的方法提取其特征向量f'，并用與步驟3)相同的訓(xùn)練樣本及訓(xùn)練好的高斯隨機(jī)場半監(jiān)督分類器，得到查詢圖像塊的類別數(shù)4 ； 5)根據(jù)步驟4)得到 的類別數(shù)Ci及經(jīng)驗(yàn)混淆矩陣，計(jì)算查詢圖像塊的類別集合{c}: 5a)在已分類的SAR圖像庫中，挑選出每一類的前K幅圖像塊，組成新的圖像樣本集，從此樣本集中隨機(jī)挑選訓(xùn)練樣本訓(xùn)練高斯隨機(jī)場半監(jiān)督分類器，用該分類器進(jìn)行100次隨機(jī)分類試驗(yàn)，得到經(jīng)驗(yàn)混淆矩陣Con e Rkxk,混淆矩陣Con是方陣，其中第i行第j列Con (i, j)表不屬于Ci類的樣本被分為Cj類的個(gè)數(shù),l≤i≤k, l≤ji≤k； 5b)對經(jīng)驗(yàn)混淆矩陣進(jìn)行列歸一化，即將一列中的每個(gè)元素除以該列元素的總和，得到經(jīng)驗(yàn)的后驗(yàn)概率矩陣ConP e Rkxk ； 5c)設(shè)置閾值T，將后驗(yàn)概率矩陣中的第i行第j列ConP (i，j)與閾值T進(jìn)行比較，當(dāng)ConP (i, j)≤T時(shí)，將ConP (i, j)設(shè)置為O,反之ConP (i, j)保持不變，閾值T的大小根據(jù)期望的每一列的非零元素個(gè)數(shù)設(shè)定； 5d)根據(jù)查詢圖像塊的類別數(shù)Ci，在后驗(yàn)概率矩陣ConP中的第i列中查找非零元素的位置，最終得到類別集合{c}； 6)計(jì)算查詢圖像塊P'與圖庫中屬于類別集合Ic}中所有圖像塊的區(qū)域距離； 7)按照步驟6)得到的區(qū)域距離，以從小到大的順序返回用戶需要數(shù)量的圖像，完成圖像識(shí)別。
2.根據(jù)權(quán)利要求1所述的SAR圖像識(shí)別方法，其中步驟6)所述的計(jì)算查詢圖像塊P'與圖庫中屬于類別集合Ic}中所有圖像塊的區(qū)域距離，按如下步驟進(jìn)行: 6a)對于圖像塊P與查詢圖像塊p'，分別以4X4區(qū)域大小為單位，計(jì)算離散小波一層變換的高頻子帶能量丨無/2,/3丨和灰度特征/4,并用(MJ3J4)作為分割特征，利用自適應(yīng)的k-means算法對分割特征進(jìn)行聚類,得到圖像塊p的紋理區(qū)域集R1 = Ir1, r2,…，rh,…rm}及查詢圖像塊P'的紋理區(qū)域集R2= Ir' vr' 2,..., 。，…r' n}, rh,r'。分別表示圖像塊P與查詢圖像塊V利用紋理特征分割后的各區(qū)域，其中I ≤ h ≤ m，l ≤ ο ≤ n，m表示圖像塊P的紋理區(qū)域的個(gè)數(shù)，η表示查詢圖像塊p'的紋理區(qū)域的個(gè)數(shù)； 6b)計(jì)算圖像塊P與查詢圖像塊p'紋理區(qū)域之間的距離d(rh，r'。)； 6c)對于圖像塊P與查詢圖像塊p'，利用Prewitt算子及二值分割法得到圖像塊P的邊緣區(qū)域集RE1 = {rev}及查詢圖像塊p'的邊緣區(qū)域集RE2 = {re' J,rev、re' z分別表示圖像塊P與查詢圖像塊V利用邊緣特征分割后的各區(qū)域，其中I ≤ V ≤ 2，1 ≤ z ≤ 2 ;6d)計(jì)算圖像塊p與查詢圖像塊p'邊緣區(qū)域間的距離d(rev, re' J ； Ge)計(jì)算圖像塊P與查詢圖像塊p'各紋理區(qū)域之間匹配的顯著性因子sh，。，圖像塊P與查詢圖像塊V各邊緣區(qū)域之間匹配的顯著性因子sv,z ； 6f)根據(jù)紋理區(qū)域之間匹配的顯著性因子sh，。，邊緣區(qū)域之間匹配的顯著性因子sv，z，紋理區(qū)域之間的距離d(rh，r'。)，邊緣區(qū)域間的距離d(rev，re' z)，得到查詢圖像塊P'與圖像塊P的區(qū)域距離d:
d = ω j X dT (R1, R2) + ω 2 X dE (RE1, RE2), ω ^ ω 2 = I， 其中，
3.根據(jù)權(quán)利要求2所述的SAR圖像識(shí)別方法，其中所述步驟6b)中計(jì)算圖像塊P與查詢圖像塊V紋理區(qū)域之間的距離d(rh，r'。)，通過如下公式計(jì)算:
4.根據(jù)權(quán)利要求2所述的SAR圖像識(shí)別方法，其中所述步驟6d)中計(jì)算圖像塊P與查詢圖像塊V邊緣區(qū)域間的距離d(rev，re' z)，通過如下公式計(jì)算:
5.根據(jù)權(quán)利要求2所述的SAR圖像識(shí)別方法，其中所述步驟6e)中計(jì)算圖像塊P與查詢圖像塊V各紋理區(qū)域之間匹配的顯著性因子sh,。，通過如下公式計(jì)算:
6.根據(jù)權(quán)利要求2所述的SAR圖像識(shí)別方法，其中所述步驟6e)中分別計(jì)算圖像塊P與查詢圖像塊V各邊緣區(qū)域之間匹配的顯著性因子sv,z，通過如下公式計(jì)算:
【文檔編號(hào)】G06F17/30GK103984746SQ201410224797
【公開日】2014年8月13日 申請日期:2014年5月26日 優(yōu)先權(quán)日:2014年5月26日
【發(fā)明者】焦李成, 唐旭, 馬文萍, 侯小瑾, 侯彪, 王爽, 馬晶晶, 楊淑媛, 劉靜 申請人:西安電子科技大學(xué)