基于多尺度模糊測度與半監(jiān)督學習的sar圖像識別方法
【專利摘要】本發(fā)明公開了一種基于多尺度模糊測度與半監(jiān)督學習的SAR圖像識別方法，解決了現(xiàn)有技術SAR圖像識別精度低的問題。其實現(xiàn)步驟為：通過切分原始SAR圖像建立圖像庫，并從中挑選目標單一的圖像塊；提取圖庫內(nèi)圖像塊的特征向量；將挑出的圖像塊分成若干類，并用對應的特征向量作為訓練樣本，訓練半監(jiān)督分類器，用此分類器對圖像庫分類；對用戶輸入的查詢圖像塊，用已訓練的分類器得到類別；根據(jù)混淆矩陣求取該圖像塊的類別集合，計算查詢圖像塊與圖像庫中屬于該集合的圖像塊之間的多尺度區(qū)域模糊相似度，并依照從大到小的順序返回用戶需要數(shù)量的圖像塊。本發(fā)明能糾正分類錯誤，信息識別精度高，可用于對多幅SAR圖像同時進行解譯。
【專利說明】基于多尺度模糊測度與半監(jiān)督學習的SAR圖像識別方法

【技術領域】
[0001] 本發(fā)明屬于圖像處理【技術領域】，涉及一種SAR圖像信息的識別方法，可應用于對 多幅SAR圖像同時進行解譯。

【背景技術】
[0002] 因為SAR圖像具有全天時、全天候的探測能力，尤其是相對光學圖像對天氣因 素完全不依賴的特點，SAR圖像的應用領域正在逐步的擴大，包括農(nóng)業(yè)，地理監(jiān)視，導航， 軍事等。SAR圖像的融合，分割，去噪，變化檢測等都是研究熱點領域，而SAR圖像識別 則是這些研究領域的一個重要基礎。傳統(tǒng)的識別技術主要針對識別精度的問題，而且 大多應用于單張SAR圖像的小范圍區(qū)域識別問題，如譜聚類集成的SAR分割方法，參見 Zhang, Xiangrong, Licheng Jiao, Fang Liu, Liefeng Bo, and Maoguo Gong. ''Spectral clustering ensemble applied to SAR image segmentation."Geoscience and Remote Sensing, IEEE Transactions on 46, no. 7(2008) :2126-2136 ;又如基于遺傳 Bag-of-Words 特征的 SAR 圖像分類方法，參見 Feng, Jie, L. C. Jiao, Xiangrong Zhang, and Dongdong Yang. 〃Bag-〇f-visual-words based on clonal selection algorithm for SAR image classification. "Geoscience and Remote Sensing Letters, IEEE 8, no. 4(2011) :691-695。但這些技術明顯已不符合當下SAR圖像數(shù)量海量增長的應用環(huán) 境。
[0003] 目前較為普遍的圖像識別方法是基于內(nèi)容的圖像檢索CBIR，該技術利用圖像 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、著名的檢索方法被提出，如SMPLIcity檢索系統(tǒng)，參見 James Z. Wang, Jia Li, Gio ffiederhold. SIMPLIcity:Semantics-Sensitive Integrated Matching for Picture Libraries. IEEE Trans, on Pattern Analysis and Machine Intelligence, 2001，23(9) :947-963 ;又如基于區(qū)域的模糊特征匹配檢索方法，參見Y. Chen and J. Z. Wang, "Aregion-based fuzzy feature matching approach to content-based image retrieval, ''Pattern Analysis and Machine Intelligence, IEEE Transactions on，vol. 24, no. 9, pp. 1252 - 1267, 2002。上述兩種檢索方法已成功的應用于海量的自然圖 像檢索問題，但由于技術限制及SAR圖像自身特點，將其直接應用在SAR圖像識別中效果 并不理想。2009年一種結合高斯混合模型分類的SAR圖像檢索系統(tǒng)被提出，S卩GMM檢索系 統(tǒng)，參見Hou，B.，Tang, X.，Jiao, L.，&Wang，S. (2009, October) ? SAR image retrieval based on Gaussian Mixture Model classification. In Synthetic Aperture Radar, 2009. APSAR 2009.2nd 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)實問題中的推廣 化能力較低，同時因為該方法的相似度匹配技術并沒有考慮SAR圖像的特點，使得檢索效 果不甚理想。雖然該文章中給出了出色的實驗結果，但這些結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)分布與實際應用中的數(shù)據(jù)分布往往差異大，其實驗 結果不能充分的驗證其方法的有效性。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明目的在于針對上述已有技術存在的缺陷，根據(jù)SAR圖像的特殊成像特點， 在傳統(tǒng)基于內(nèi)容的圖像檢索的框架下，提出一種基于多尺度模糊測度與半監(jiān)督學習的SAR 圖像識別方法，以減小實驗數(shù)據(jù)與實際應用中數(shù)據(jù)分布的差異，提高實際應用中的識別精 度。
[0005] 實現(xiàn)本發(fā)明目的的技術方案是：使用平穩(wěn)小波解析SAR圖像中的紋理信息，使用 紋理信息，利用高斯隨機場半監(jiān)督學習方法完成SAR圖像庫的分類工作，并采用多尺度模 糊測度相似匹配算法完成SAR圖像的相似度匹配。其具體實現(xiàn)步驟包括如下：
[0006] 1)對原始SAR圖像進行無重疊切分，以建立SAR圖像庫{Pl，P2，…p T，… ，PN}，從該圖像庫中按照目標單一原則挑選圖像塊bpPWPs*…*其中1 <<N，1彡T彡N，N表示圖庫中的SAR圖像塊個數(shù)，1表示挑選出的SAR圖像 塊個數(shù)，Pt表示圖庫中的某幅SAR圖像塊，A表示挑選出的某幅SAR圖像塊，所述目標單 一原則是指圖像塊中某目標占圖像總面積的一半以上；
[0007] 2)提取所有圖像塊的平穩(wěn)小波三層變換的子帶能量，作為圖像塊的特征向量 i_./i…* 其中，if = 1 〇;
[0008] 3)將挑選出的SAR圖像塊…，M按照語義內(nèi)容分成Ici, 1彡i彡k} 類，其中k表示語義類別的個數(shù)，并用對應的特征向量作為訓練樣本，訓練高斯隨機場半監(jiān) 督分類器，利用該分類器對SAR圖像庫{Pl，p2，…pT，…，p N}進行分類，得到具有類標的SAR 圖像庫；
[0009] 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)相同的訓練樣本及訓練好的高斯隨機場半監(jiān)督分類器，得到查詢圖像塊的類 別數(shù)Ci ;
[0010] 5)根據(jù)步驟4)得到的類別數(shù)Ci及經(jīng)驗混淆矩陣，計算查詢圖像塊的類別集合 {c}：
[0011] 5a)在已分類的SAR圖像庫中，隨機挑選訓練樣本訓練高斯隨機場半監(jiān)督分類器， 用該分類器進行100次隨機分類試驗，得到經(jīng)驗混淆矩陣Con e Rkxk，該混淆矩陣Con是方 陣，其中第i行第j列元素Con (i，j)表示屬于Ci類的樣本被分為類的個數(shù)，1彡i彡k， I 5? j 5? k ；
[0012] 5b)對經(jīng)驗混淆矩陣進行列歸一化，即將一列中的每個元素除以該列元素的總和， 得到經(jīng)驗的后驗概率矩陣ConP G Rkxk ;
[0013] 5c)設置閾值T，將后驗概率矩陣中的第i行第j列ConP(i，j)與閾值T進行比 較，當ConP (i，j)彡T時，將ConP (i，j)設置為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數(shù)設定；
[0014] 5d)根據(jù)查詢圖像塊的類別數(shù)Ci，在后驗概率矩陣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};
[0015] 6)計算查詢圖像塊p'與圖庫中屬于類別集合{c}中所有圖像塊的多尺度區(qū)域模 糊相似度；
[0016] 7)按照步驟6)得到的多尺度區(qū)域模糊相似度，以從大到小的順序返回用戶需要 數(shù)量的圖像，完成圖像識別。
[0017] 本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點：
[0018] 1、本發(fā)明針對SAR圖像特殊性，提出了多尺度區(qū)域模糊相似度，使得SAR圖像相似 度匹配結果更準確，提高了識別精度；
[0019] 2、本發(fā)明由于采用經(jīng)驗混淆矩陣對類別數(shù)進行了擴展，使得分類錯誤可以得到糾 正，有效的降低了分類錯誤對相似度匹配的影響；
[0020] 3、本發(fā)明由于采用半監(jiān)督學習方法對圖庫進行分類，減少了人工挑選訓練樣本的 工作量，降低了人為主觀因素對分類結果的影響。
[0021] 仿真結果表明，本發(fā)明既保證識別精度又可滿足大量SAR圖像同時進行識別的應 用場景。

【專利附圖】

【附圖說明】
[0022] 圖1是本發(fā)明的實現(xiàn)流程示意圖；
[0023] 圖2是本發(fā)明中用于建立SAR圖像庫的原始SAR圖像；
[0024] 圖3是本發(fā)明在SAR圖庫中挑選出的SAR圖像塊樣例圖；
[0025] 圖4是本發(fā)明與GMM檢索系統(tǒng)的整體性能比較圖；
[0026] 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。

【具體實施方式】
[0027] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0028] 步驟1，建立SAR圖像庫（P1, p2,…口?！?，pN}，并按照目標單一原則挑選SAR圖像 塊。
[0029] 該步驟的具體實現(xiàn)如下：
[0030] la)選用像素大小為7692 X 7666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；
[0031] Ib)對所選用的2幅原始SAR圖像進行無重疊的切分，切分后得到大小均為 128X128的5718幅SAR圖像塊，用此建立SAR圖像庫{Pl，p2，…pT，…，p N}，pT表示圖庫中 的某幅SAR圖像塊，N表示圖庫中的SAR圖像塊個數(shù)，1彡T彡N，N = 5718 ;
[0032] Ic)在圖像庫中按照目標單一原則挑選SAR圖像塊丨A，P2，…ft，…，ft}，其中1 << N，N表示圖像庫中的SAR圖像塊個數(shù)，1表示挑選出的SAR圖像塊個數(shù)，Ai表示挑選 出的某幅SAR圖像塊?9^1，所述目標單一原則是指圖像塊中某目標占圖像總面積的一 半以上。本發(fā)明在挑選時，共挑選了 60幅SAR圖像塊，即1 = 60。
[0033] 步驟2,對圖庫中所有圖像塊進行特征提取。
[0034] 選用平穩(wěn)小波三層變換的子帶能量€作為圖像塊的特征向量i/;J2,其 中，夏表示特征向量的維數(shù)，本實例選用if = 10但不限于10。對某一子帶，能量定義為：

【權利要求】
1. 一種基于多尺度模糊測度與半監(jiān)督學習的SAR圖像識別方法，包括如下步驟： 1) 對原始SAR圖像進行無重疊切分，以建立SAR圖像庫{Pl，p2，…pT，… ，P1J，從該圖像庫中按照目標單一原則挑選圖像塊（P1, P2,…P 0，…，Pj，其中1 << N，1彡T彡N，1彡0彡1，N表示圖庫中的SAR圖像塊個數(shù)，1表示挑選出的SAR圖 像塊個數(shù)，Pt表示圖庫中的某幅SAR圖像塊，pe表示挑選出的某幅SAR圖像塊，所述目標 單一原則是指圖像塊中某目標占圖像總面積的一半以上； 2) 提取所有圖像塊的平穩(wěn)小波三層變換的子帶能量，作為圖像塊的特征向量 {/p/a，…，爲}? 其中，IT = IO; 3) 將挑選出的SAR圖像塊（P1, p2，…p0,…，pj按照語義內(nèi)容分成Ici, 1彡i彡k}類， 其中k表示語義類別的個數(shù)，并用對應的特征向量作為訓練樣本，訓練高斯隨機場半監(jiān)督 分類器，利用該分類器對SAR圖像庫{Pl，p2，…p T，…，pN}進行分類，得到具有類標的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)相同的訓練樣本及訓練好的高斯隨機場半監(jiān)督分類器，得到查詢圖像塊的類別數(shù) Ci ; 5) 根據(jù)步驟4)得到的類別數(shù)Ci及經(jīng)驗混淆矩陣，計算查詢圖像塊的類別集合{c}: 5a)在已分類的SAR圖像庫中，隨機挑選訓練樣本訓練高斯隨機場半監(jiān)督分類器，用該 分類器進行100次隨機分類試驗，得到經(jīng)驗混淆矩陣Con G Rkxk，該混淆矩陣Con是方陣， 其中第i行第j列元素 Con(i，j)表示屬于(^類的樣本被分為類的個數(shù)，1彡i彡k， I 5? j 5? k ； 5b)對經(jīng)驗混淆矩陣進行列歸一化，即將一列中的每個元素除以該列元素的總和，得到 經(jīng)驗的后驗概率矩陣ConP G Rkxk ; 5c)設置閾值T，將后驗概率矩陣中的第i行第j列ConP (i，j)與閾值T進行比較，當 ConP (i，j)彡T時，將ConP (i，j)設置為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數(shù)設定； 5d)根據(jù)查詢圖像塊的類別數(shù)Ci，在后驗概率矩陣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) 計算查詢圖像塊p'與圖庫中屬于類別集合{c}中所有圖像塊的多尺度區(qū)域模糊相 似度； 7) 按照步驟6)得到的多尺度區(qū)域模糊相似度，以從大到小的順序返回用戶需要數(shù)量 的圖像，完成圖像識別。
2. 根據(jù)權利要求1所述的SAR圖像識別方法，其中步驟6)所述的計算查詢圖像塊p' 與圖庫中屬于類別集合{c}中所有圖像塊的多尺度區(qū)域模糊相似度，按如下步驟進行： 6a)選取尺度集合s = {ssl，…，Ssa，…ssn},其中sn表示尺度個數(shù)，Ssa表示某一尺度值， sl ^ sa ^ sn ； 6b)對于圖像塊p與查詢圖像塊p'，分別以SsaXssaE域大小為單位，計算離散小 波一層變換的高頻子帶能量和灰度特征并用(./;+'作為 分割特征，利用自適應的k-means算法進行聚類，得到Ssa尺度下圖像塊p紋理區(qū)域集 f = {f'f，…，'f，…，';:1及查詢圖像塊P，的紋理區(qū)域集C = {'于，4 中，rf、r，分別表示圖像塊p與查詢圖像塊p'在Ssa尺度下利用紋理特征分割后的各區(qū) 域，1<11<1]1，1<0<11，1]1表示圖像塊口的紋理區(qū)域的個數(shù)，11表示查詢圖像塊口'的紋理 區(qū)域的個數(shù)； 6c)計算圖像塊P在Ssa尺度下各紋理區(qū)域的模糊平均距離并計算查詢圖像塊 P'在Ssa尺度下各紋理區(qū)域的模糊平均距離/f，根據(jù)得到的紋理區(qū)域模糊平均距離和 ，計算圖像塊P各紋理區(qū)域與查詢圖像塊p'各紋理區(qū)域在Ssa尺度下的紋理模糊相似度 6d)對于圖像塊p與查詢圖像塊p'，利用Ssa尺度的Prewitt算子及二值分割法得到 Ssa尺度下圖像塊P的邊緣區(qū)域集M =?[<}及查詢圖像塊P'的邊緣區(qū)域集M2 ， re；% 分別表示圖像塊p與查詢圖像塊p'在Ssa尺度下利用邊緣特征分割后的各區(qū)域， 其中 V = 1，2, z = 1，2 ; 6e)計算圖像塊P在Ssa尺度下各邊緣區(qū)域模糊平均距離并計算查詢圖像塊P'在 Ssa尺度下各邊緣區(qū)域的模糊平均距離/：%根據(jù)得到的邊緣區(qū)域模糊平均距離和^" * 計算圖像塊P各邊緣區(qū)域與查詢圖像塊P'各邊緣區(qū)域在Ssa尺度下的邊緣模糊相似度￡：S 6f)根據(jù)6c)和6e)得到的Ssa尺度紋理模糊相似度和Ssa尺度邊緣模糊相似度￡：， 計算圖像塊P與查詢圖像塊P'在Ssa尺度下的模糊相似度Ufmsa ; 6g)按步驟6b)至6f)的方法，計算出圖像塊p與查詢圖像塊p'所有尺度下的模糊相 似度 ufm = {ufmsl,…，ufmsa，…，ufmsn}; 6h)根據(jù)6g)得到的所有尺度下的模糊相似度ufm，計算查詢圖像塊p'與圖像塊p的 多尺度區(qū)域模糊相似度msufm :
61)重復步驟6a)至6h)，計算出查詢圖像塊p'與圖庫中屬于類別集合{c}中所有圖 像塊的多尺度區(qū)域模糊相似度。
3.根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6c)中計算圖像塊p在Ssa尺度下各紋理區(qū)域模糊平均距離<9，通過如下公式計算：
其中，為圖像塊P中紋理區(qū)域的平均特征向量，為圖像塊P中紋理區(qū)域《的 平均特征向量，1彡Ii1, h2彡m，m表示圖像塊p的紋理區(qū)域的個數(shù)。
4. 根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6c)中計算查詢圖像塊p' 在Ssa尺度下各紋理區(qū)域的模糊平均距離，通過如下公式計算：
其中，I為查詢圖像塊P'中紋理區(qū)域f；T的平均特征向量，尹?為查詢圖像塊P'中紋 理區(qū)域的平均特征向量，1彡〇1，O2彡n，n表示查詢圖像塊p'的紋理區(qū)域的個數(shù)。
5. 根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6c)中計算圖像塊p各紋 理區(qū)域與查詢圖像塊P'各紋理區(qū)域在Ssa尺度下的紋理模糊相似度t，通過如下公式計 算：
其中，表示圖像塊P在Ssa尺度下各紋理區(qū)域模糊平均距離，表示查詢圖像塊P' 在Ssa尺度下各紋理區(qū)域的模糊平均距離。
6. 根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6e)中計算圖像塊p在Ssa尺度下各邊緣區(qū)域模糊平均距離，通過如下公式計算： c =I矣r-.叫 其中，'為圖像塊P中邊緣區(qū)域的平均特征向量，為圖像塊P中邊緣區(qū)域 ref的平均特征向量。
7. 根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6e)中計算查詢圖像塊p' 在Ssa尺度下各邊緣區(qū)域模糊平均距離/；：，通過如下公式計算： °=,r-綱， 其中，>'廣為查詢圖像塊P'中邊緣區(qū)域的平均特征向量，/e'f為查詢圖像塊P'中 邊緣區(qū)域的平均特征向量。
8. 根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6e)中計算圖像塊p各紋 理區(qū)域與查詢圖像塊P'各邊緣區(qū)域在Ssa尺度下的邊緣模糊相似度通過如下公式計 算：
其中，表示圖像塊P在Ssa尺度下各邊緣區(qū)域模糊平均距離，rft表示查詢圖像P'在 Ssa尺度下各邊緣區(qū)域模糊平均距離。
9.根據(jù)權利要求2所述的SAR圖像識別方法，其中所述步驟6f)圖像塊p與查詢圖像 塊P'在Ssa尺度下的模糊相似度ufmsa，通過如下公式計算： ufma=p,(m,r：) + pe(mX), 其中，Pt表示紋理區(qū)域模糊相似度f的權值，Pe表示邊緣區(qū)域模糊相似度t的權 值,且P t+Pe = I, Wt表示紋理區(qū)域重要性因子，We表示邊緣區(qū)域重要性因子，Wt和W e可通過如下公式計算： 辦=[(UR,+石%, 丁， l〇e = ? 其中，承"和每,分別表示紋理區(qū)域的面積分布和中心分布權值，^和^分別表示邊 緣區(qū)域的面積分布和中心分布權值，X表不平衡因子，〇 < X < 1。
【文檔編號】G06K9/62GK104331711SQ201410674365
【公開日】2015年2月4日 申請日期:2014年11月21日 優(yōu)先權日:2014年11月21日
【發(fā)明者】焦李成, 唐旭, 馬文萍, 王爽, 侯彪, 楊淑媛, 馬晶晶, 鄭喆坤, 公茂果 申請人:西安電子科技大學