CN102902982A - 基于观测向量差的sar图像纹理分类方法 - Google Patents

Abstract

本发明公开了一种基于观测向量差的SAR图像纹理分类方法，主要解决对SAR图像地物分类的问题。其分类过程为：(1)训练集中随机选取r幅图像分块处理，转换得到列向量差矩阵P；(2)用观测矩阵对上述P观测，得到纹元观测向量差矩阵X，并对其聚类得到纹元字典D；(3)对训练集图像按步骤(2)计算得到观测向量差矩阵X_tr；(4)对X_tr向纹元字典D进行投影，形成训练图像纹元直方图h；(5)将测试集图像表示成测试图像纹元直方图h_e；(6)计算h_e与h之间的距离，根据该距离大小确定h_e所属的类别；(7)对所有测试图像按照步骤(6)进行计算，得到最终的分类率。本发明应用了最新的压缩感知理论，过程简单，分类识别率高，可用于SAR图像地物纹理分类。

Description

基于观测向量差的SAR图像纹理分类方法

技术领域

本发明属于图像处理技术领域，涉及SAR图像分类，可应用于SAR图像地物目标识别与分类。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种高分辨率雷达体制，可应用于军事，农业，导航，地理监视等诸多领域。它与其它遥感成像***，光学成像***相比有很多差异。在军事目标识别方面，SAR图像被广泛的应用在目标检测领域，而SAR图像地物分类技术则是传统的自动地形分类技术的扩展。但是在SAR图像中存储着极为丰富的信息，图像特征结构复杂，既包括地形、植被、水文这样的自然特征，又包括房屋和道路这样的人工地物。此外，这些特征之间的关系也相当复杂，无论是几何关系还是语义关系，都无法用简单的方法进行描述。而传统的人工目视解译费时费力，不能满足生产和实际需要。因而亟需一种快速高精准的识别分类技术来解决现存的难题。光谱特征和纹理特征是遥感图像的两大基本特征，也是进行遥感图像分析所依据的两个基本要素。由于干扰，影响地质体光谱信息的因素较多，而且在一定程度上存在异物同谱、同物异谱等现象，使得在大多数应用研究中所提取的光谱信息极为有限，已远远不能满足日益增长的遥感应用的需要。而纹理反映了图像灰度模式的空间分布，包含了图像的表面信息及其周围环境的关系，更好的兼顾了图像的宏观结构与微观结构。而且可以帮助抑制异物同谱、同物异谱现象的发生。因而在图像分析中起着非常重要的作用。

针对SAR图像的以上特点，经典纹理分类方法有：

马里兰大学的S.kuttikkad和R.Chellapp等利用多通道全极化的SAR图像提供的信息，经由CFAR检测器提取ROI。然后利用最大似然分割算法进行分割，最后利用“Site Model”（极化SAR图像中目标的几何和位置特性）进行图像地物分类。

美国空军技术学院的Steven K.Rogers、Dennis W.Ruck等9位学者和怀特实验室的Kevin J.Willy一起，利用小波和分形技术成功把极化ADTS SAR图像分割成阴影、背景区域、数目和人造目标等类别。

Weisenseel Robert.A等利用马尔可夫随机场的方法，即通过把马尔可夫随机场条件概率的问题转化为Gibbs分布能量函数极小化问题，将图像区分为目标区、背景区和阴影区。而法国的Hans-Christoph Quelle等则提出了利用Pearson***分布事实上是改进的EM(Expectation Maximization)算法，进行自适应SAR图像分割等。

近年来提出的压缩感知理论引起诸多学者的关注。非适应线性观测对稀疏或者可压缩的高维信号的信息捕捉展现了近乎完美的重构和处理。压缩感知理论正在向信号与信息处理，模式识别，计算机视觉以及机器学习等更宽广的领域拓展。LiLiu、PaulFieguth已经把观测向量技术应用在自然图像纹理分类上来，并表现出了绝对的优势。但是由于SAR图像本身的复杂性，直接把现有的自然图像纹理处理方法应用在SAR图像中，得不到满意的结果。

发明内容

本发明的目的在于针对上述已有技术的不足，从SAR图像自身特点出发，提出一种基于观测向量差的SAR图像纹理分类方法，利用压缩感知中的观测向量概念，在降低计算复杂度的同时提高SAR图像分类正确率。

实现本发明的技术方案是：对原SAR图像分块处理，每相邻图像块的观测向量差作为图像的特征向量，再将所有观测向量差聚类。聚类中心叫做纹元，所有聚类中心形成纹元字典。训练、测试图像在上面的纹元字典中投影，得到纹元直方图，对比训练纹元直方图和测试纹元直方图即可得到最终的分类结果。其具体实现过程如下：

(1)从训练集的每一类纹理图像中随机选取r幅图像，8＜r＜15，进行分块处理，每一块称为纹元，记作I_p；

(2)将块图像I_p中的每个列向量首尾相接，拉成一个列向量p，将相邻列向量相减得到列向量差，记作p_diff，用所有块图像的列向量差组合成列向量差矩阵P_diff；

(3)对列向量差矩阵P_diff通过下式进行计算，得到纹元的观测向量差矩阵X，

X＝MP_diff，

其中，M为观测矩阵；

(4)对纹元的观测向量差矩阵X中的向量进行聚类处理，聚类中心记作d，形成纹元字典D，其中，C为图像类别个数，K为每类的聚类个数；

(5)对训练集中的每一幅图像，按照步骤(1)到步骤(3)的方法，得到训练集图像的观测向量差矩阵X_tr；

(6)对上述X_tr中的每一个向量x，计算其与纹元字典D中所有纹元d的欧氏距离，将距离最小的那个纹元的频数加1，形成训练集中的每一幅图像的纹元直方图h；

(7)将训练集中所有图像的纹元直方图组合成集合：

其中，S为训练集中每一类图像的个数，C为训练集所有图像的类别个数；

(8)对上述训练集纹元直方图集合H中的每一个纹元直方图，按照下式归一化处理：

$h_{c,s}\left(k\right)=\frac{h_{c,s}\left(k\right)}{{\mathrm{\Σ}}_{k=1}^{\mathrm{CK}}{h}_{c,s}\left(k\right)},$

其中，c是测试图像的类别数，s是c类中的图像标号，C是图像总类别个数，K是每类图像的聚类个数；

(9)在测试集中，对每一幅新图像重复步骤(5)到步骤(8)，形成测试图像的纹元直方图，记作h_e；

(10)按照下式计算测试图像纹元直方图h_e与训练集中所有训练图像纹元直方图h的χ²距离：

${\mathrm{\χ}}^2(h,h_e)=\frac{1}{2}\underset{k=1}{\overset{\mathrm{CK}}{\mathrm{\Σ}}}\frac{{[h\left(k\right)-h_e\left(k\right)]}^2}{h\left(k\right)+h_e\left(k\right)},$

其中，C是图像总类别个数，K是每类图像的聚类个数；

(11)在所有训练图像纹元直方图距离χ²(h,h_e)中，将与测试图像纹元直方图h_e距离最小的训练纹元直方图记为h_m，h_m图像所在的类别c_m即是该测试图像所属的类别，如果c_m和该测试图像原来所属的类别相同，则表明该测试图像得到了正确的分类；

(12)对全部测试图像纹元直方图按照重复步骤(9)到步骤(11)，得到能够正确分类的测试图像的个数为N_d；

(13)根据步骤(12)中的N_d和测试图像总数N_t，得到最终的正确分类率r：

$r=\frac{N_d}{N_t}.$

本发明与现有的技术相比具有以下优点：

1、本发明利用了最新的压缩感知技术，用极少的采样样本就可以保留原始数据的绝大多数信息，这样极大压程度压缩了原始数据，减少了计算量，同时也保全了几乎所有的原始信息；

2、本发明在特征提取阶段只需要考虑特征空间的大小，而不用考虑传统方法中特征选择的问题，因而克服了以往方法中压缩的同时会舍弃掉重要信息的缺陷；

3、分类过程简单，特别是本发明比传统MR8滤波器组方法和基于压缩感知的纹理分类方法具有更高的分类识别率。

附图说明

图1是本发明的流程示意图；

图2是本发明使用的纹理单一的SAR图像数据库；

图3是本发明使用的有类间干扰的SAR图像数据库；

图4是本发明在纹理单一的SAR图像数据库的仿真结果图；

图5是本发明在有类间干扰的SAR图像数据库的仿真结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1.从训练集的每一类纹理图像中随机选取r幅图像，8＜r＜15，对每一幅图像作分块处理，处理过程为以每个像素为中心，以n为边长进行分块，每一块图像称为纹元，记作I_p；

步骤2.将块图像I_p中的每个列向量首尾相接，拉成一个列向量p，将相邻两个列向量相减得到列向量差，记作p_diff，用步骤1中得到的所有块图像的列向量差组合成列向量差矩阵P_diff；

步骤3.对列向量差矩阵P_diff通过下式进行计算，得到纹元的观测向量差矩阵X，

X＝MP_diff，

其中，M为观测矩阵；

步骤4.对纹元的观测向量差矩阵X中的向量，采用K均值聚类算法聚类，聚类个数为K_c，5＜K_c＜40，聚类中心记作d，形成纹元字典D，

其中，C为图像类别个数，K_c为每类的聚类个数。

步骤5.对训练集中的每一幅图像，按照步骤1到步骤3的方法，得到训练集图像的观测向量差矩阵X_tr；

步骤6.对上述X_tr中的每一个向量x，利用下式计算其与纹元字典D中所有纹元d的欧氏距离l_x,d，

$l_{x,d}=\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(x_i-d_i)}^2},$

其中，I为向量x的维数，将l_x,d距离最小的那个纹元d的频数加1，形成训练集中的每一幅图像的纹元直方图h；

步骤7.将训练集中所有图像的纹元直方图组合成集合：

其中，S为训练集中每一类图像的个数，C为训练集所有图像的类别个数；

步骤8.对上述训练集纹元直方图集合H中的每一个纹元直方图，按照下式归一化处理：

$h_{c,s}\left(k\right)=\frac{h_{c,s}\left(k\right)}{{\mathrm{\Σ}}_{k=1}^{{\mathrm{CK}}_c}{h}_{c,s}\left(k\right)},$

其中，c是测试图像的类别数，s是c类中的图像标号，C是图像总类别个数，K_c是每类图像的聚类个数；

步骤9.在测试集中，对每一幅新图像重复步骤5到步骤8，形成测试图像的纹元直方图，记作h_e；

步骤10.按照下式计算测试图像纹元直方图h_e与训练集中所有训练图像纹元直方图h的χ²距离：

${\mathrm{\χ}}^2(h,h_e)=\frac{1}{2}\underset{k=1}{\overset{\mathrm{CK}}{\mathrm{\Σ}}}\frac{{[h\left(k\right)-h_e\left(k\right)]}^2}{h\left(k\right)+h_e\left(k\right)},$

其中，C是图像总类别个数，K是每类图像的聚类个数；

步骤11.在所有训练图像纹元直方图距离χ²(h,h_e)中，将与测试图像纹元直方图h_e距离最小的训练纹元直方图记为h_m，h_m图像所在的类别c_m即是该测试图像所属的类别，如果c_m和该测试图像原来所属的类别相同，则表明该测试图像得到了正确的分类；

步骤12.对全部测试图像纹元直方图按照重复步骤9到步骤11，得到能够正确分类的测试图像的个数为N_d；

步骤13.根据步骤12中的N_d和测试图像总数N_t，得到最终的正确分类率r：

$r=\frac{N_d}{N_t}.$

本发明的效果可通过以下仿真进一步说明：

1．仿真内容：对纹理单一的SAR数据库和有类间干扰的SAR数据库，分别用本发明方法(CS-diff)和现有的MR8滤波器组方法(MR8)以及现有的基于压缩感知的纹理分类方法(CS)进行对比实验，从最终的分类率来评价这些方法性能。

图2是纹理单一的SAR图像数据库，包括农田、城镇、山脉三类地物，其中每类有150幅，共450图像。图像中纹理单一，没有其他类别干扰。

图3是有类间干扰的SAR图像数据库，包括农田、城镇、山脉三类地物，其中每类有150幅，共450图像。每类图像均不是单一的地物，有其他类别干扰。

仿真1.单一纹理的SAR图像数据库分类实验结果

用本发明(CS-diff)和现有的MR8滤波器组方法(MR8)、基于压缩感知的纹理分类方法(CS)，分别重复循环实验50次，取50次实验结果的平均值作为最终的分类率，结果如图4所示。

图4的结果表明，特征空间维数的大小影响着最终的分类结果，从本发明(CS-diff)的方法和基于压缩感知的纹理分类方法(CS)都可以看出，特征空间维数在27维附近取得最大值。这是因为维数较小时，不能获得纹理的全局信息；维数较大时，又丢弃了纹理的局部信息。因而都不能取得很好的效果。从图4还可以看出，本发明(CS-diff)的分类效果优于基于压缩感知的纹理分类方法(CS)，并且与现在流行的MR8滤波器组方法(MR8)相比，正确率提高4个百分点左右。

仿真2.有类间干扰的SAR图像数据库分类实验结果

在SAR图像有干扰的情况下，用本发明(CS-diff)和现有的MR8滤波器组方法(MR8)、基于压缩感知的纹理分类方法(CS)，分别重复循环实验50次，取50次实验结果的平均值作为最终的分类率，实验结果如图5所示。

从图5可以看出，本发明(CS-diff)在特征空间为27维时得到了98.33%的高分类率。随着特征空间维数的增加，分类率逐渐下降，但均比现有的基于压缩感知的纹理分类方法(CS)提高一个百分点左右，并且彻底超越了目前较为流行的MR8滤波器组方法(MR8)，证明本发明(CS-diff)具有很好的鲁棒性。

Claims (1)

1.一种基于观测向量差的SAR图像纹理分类方法，包括如下步骤：

(1)从训练集的每一类纹理图像中随机选取r幅图像，8＜r＜15，进行分块处理，每一块称为纹元，记作I_p；

(2)将块图像I_p中的每个列向量首尾相接，拉成一个列向量p，将相邻列向量相减得到列向量差，记作p_diff，用所有块图像的列向量差组合成列向量差矩阵P_diff；

(3)对列向量差矩阵P_diff通过下式进行计算，得到纹元的观测向量差矩阵X，X＝MP_diff，

其中，M为观测矩阵；

(4)对纹元的观测向量差矩阵X中的向量进行聚类处理，聚类中心记作d，形成纹元字典D，

其中，C为图像类别个数，K为每类的聚类个数；

(5)对训练集中的每一幅图像，按照步骤(1)到步骤(3)的方法，得到训练集图像的观测向量差矩阵X_tr；

(6)对上述X_tr中的每一个向量x，计算其与纹元字典D中所有纹元d的欧氏距离，将距离最小的那个纹元的频数加1，形成训练集中的每一幅图像的纹元直方图h；

(7)将训练集中所有图像的纹元直方图组合成集合：

其中，S为训练集中每一类图像的个数，C为训练集所有图像的类别个数；

(8)对上述训练集纹元直方图集合H中的每一个纹元直方图，按照下式归一化处理：

$h_{c,s}\left(k\right)=\frac{h_{c,s}\left(k\right)}{{\mathrm{\Σ}}_{k=1}^{\mathrm{CK}}{h}_{c,s}\left(k\right)},$

其中，c是测试图像的类别数，s是c类中的图像标号，C是图像总类别个数，K是每类图像的聚类个数；

(9)在测试集中，对每一幅新图像重复步骤(5)到步骤(8)，形成测试图像的纹元直方图，记作h_e；

(10)按照下式计算测试图像纹元直方图h_e与训练集中所有训练图像纹元直方图h的χ²距离：

${\mathrm{\χ}}^2(h,h_e)=\frac{1}{2}\underset{k=1}{\overset{\mathrm{CK}}{\mathrm{\Σ}}}\frac{{[h\left(k\right)-h_e\left(k\right)]}^2}{h\left(k\right)+h_e\left(k\right)},$

其中，C是图像总类别个数，K是每类图像的聚类个数；

(11)在所有训练图像纹元直方图距离χ²(h,h_e)中，将与测试图像纹元直方图h_e距离最小的训练纹元直方图记为h_m，h_m图像所在的类别c_m即是该测试图像所属的类别，如果c_m和该测试图像原来所属的类别相同，则表明该测试图像得到了正确的分类；

(12)对全部测试图像纹元直方图按照重复步骤(9)到步骤(11)，得到能够正确分类的测试图像的个数为N_d；

(13)根据步骤(12)中的N_d和测试图像总数N_t，得到最终的正确分类率r：

$r=\frac{N_d}{N_t}.$

Images