CN104751170B - 基于监督学习策略的异源雷达影像适配性评估方法 - Google Patents
基于监督学习策略的异源雷达影像适配性评估方法 Download PDFInfo
- Publication number
- CN104751170B CN104751170B CN201510097972.1A CN201510097972A CN104751170B CN 104751170 B CN104751170 B CN 104751170B CN 201510097972 A CN201510097972 A CN 201510097972A CN 104751170 B CN104751170 B CN 104751170B
- Authority
- CN
- China
- Prior art keywords
- image
- middle level
- heterologous
- level features
- suitability
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于监督学习策略的异源雷达影像适配性评估方法,包括以下步骤:(1)将已知匹配结果的影像对分为两个部分,分别命名为训练集Ⅰ和训练集Ⅱ;(2)利用训练集Ⅰ训练中层特征分类器;(3)根据步骤(2)获得的中层特征分类器,利用训练集Ⅱ训练影像适配性评估模型;(4)获取待评估的预测集,根据所述中层特征分类器和适配性评估模型获得所述预测集的当前影像的匹配结果。与现有技术相比,本发明采用中层特征描述影像特征,并且将人对异源雷达影像间共性特征的认识加入分类器的训练过程中,有效区分出异源雷达影像间的共性特征,解决了异源雷达影像间的适配性评估问题。
Description
技术领域
本发明涉及一种异源雷达影像适配性评估方法,尤其是涉及一种基于监督学习策略的异源雷达影像适配性评估方法。
背景技术
在利用景象匹配技术来实现飞行器导航的定位***中,为了获得高精度的定位结果,除了对匹配算法性能有较高要求外,还需要考虑匹配影像之间的适配性能,这样才能使高性能的匹配算法发挥其应有的效能。按照特定准则在飞行航迹上选取特征信息量大、信息稳定、可匹配性高、大小满足要求的景象区域作为匹配区的技术被称为景象区域的适配性技术。目前国内的适配性技术大多都是针对异源光学影像之间的匹配问题,无法有效解决异源雷达影像间的适配性评估。而基于异源雷达影像的景象匹配辅助制导技术是高速飞行器末制导环节中的关键环节。故研发针对异源雷达影像的适配性评估技术是我国航天制导技术发展的迫切需要。
发明内容
本发明的目的就是为了解决异源雷达影像间的适配性评估提供一种适配性测试准确度高、特征提取速度快的基于监督学习策略的异源雷达影像适配性评估方法。
本发明的目的可以通过以下技术方案来实现:
一种基于监督学习策略的异源雷达影像适配性评估方法,该方法包括以下步骤:
1)将已知匹配结果的影像对分为两个部分,分别命名为训练集Ⅰ和训练集Ⅱ;
2)利用训练集Ⅰ训练中层特征分类器;
3)根据步骤2)获得的中层特征分类器,利用训练集Ⅱ训练影像适配性评估模型;
4)获取待评估的预测集,根据所述中层特征分类器和适配性评估模型获得所述预测集的当前影像的匹配结果。
所述训练集Ⅰ和训练集Ⅱ均分别包括实时图数据和基准图数据。
所述训练集Ⅰ和训练集Ⅱ中,正样本数量与负样本数量的差为±5%。
所述步骤2)具体步骤如下:
2-1)绘制训练集Ⅰ中数据的共性特征二值图;
2-2)将共性特征二值图分解成多个图像区块,保留中心位置存在有效像素点的图像区块,剔除剩余图像区块,得到有效区块集S;
2-3)对S中的所有区块对应的SAR影像区域计算Daisy描述子;
2-4)将K-means算法作为聚类算法,各区块的Daisy描述子作为聚类量,对S中的所有区块进行聚类;
2-5)对S中每个区块对应的SAR影像区域分别计算多种梯度及自相关统计量组成中层特征作为X输入,聚类算法中的类别特征标签作为Y输出,训练一个决策森林;
2-6)利用决策森林训练分类器,得到中层特征分类器。
所述聚类算法中,聚类数设定为150类。
所述步骤3)具体步骤如下:
3-1)利用中层特征分类器对训练集Ⅱ中的影像进行特征提取,获得中层特征图;
3-2)根据中层特征图对影像进行二值化处理,获得二值化图像;
3-3)统计二值化图像中前景像素占整幅影像的比例以及前景像素的连通区域个数;
3-4)将步骤3-3)获得的两个统计量作为特征向量,对应影像的匹配结果作为输出,利用SVM算法训练影像适配性评估模型。
所述步骤4)中,根据所述中层特征分类器和适配性评估模型获得所述预测集的当前影像的匹配结果具体为:
4-1)利用步骤2)获得的中层特征分类器对预测集中的影像进行特征提取,获得中层特征图;
4-2)根据中层特征图对影像进行二值化处理,获得二值化图像;
4-3)统计二值化图像中前景像素占整幅影像的比例以及前景像素的连通区域个数;
4-4)将步骤4-3)获得的两个统计量作为特征向量输入适配性评估模型中,获得当前影像的匹配结果。
所述根据中层特征图对影像进行二值化处理具体为:
绘制中层特征图的灰度直方图,从灰度直方图的中的高灰度级向低灰度级遍历,当后一灰度级的像素数是前一灰度级像素数的3倍时,取前一灰度级作为阈值,对影像进行二值化处理,获得二值化图像。
与现有技术相比,本发明具有以下优点:
1、采用中层特征描述影像特征,有效区分出异源雷达影像间的共性特征。
2、引入自相关纹理统计量作为部分特征描述量,,提高了中层特征分类器的准确度。
3、引入二值化图像中前景像素占整幅影像的比例以及前景像素的联通区域个数作为特征描述量,提高了适配性评估模型的准确度。
4、将人对异源雷达影像间共性特征的认识加入分类器的训练过程中,采用监督学习策略训练中层分类器,提高了特征提取的速度。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种基于监督学习策略的异源雷达影像适配性评估方法,该方法包括以下步骤:
1)将已知匹配结果的影像对分为两个部分,分别命名为训练集Ⅰ和训练集Ⅱ。训练集Ⅰ和训练集Ⅱ均分别包括实时图数据(RAR,Real Aperture Radar影像)和基准图数据(SAR,Synthetic Aperture Radar影像),两个训练集中,正样本数量与负样本数量大致相等,差为±5%。
2)利用训练集Ⅰ训练中层特征分类器,具体步骤如下:
2-1)根据共性特征先验知识,通过目视判别绘制训练集Ⅰ中数据的共性特征二值图;
2-2)将共性特征二值图分解成多个图像区块,本实施例中,每个图像区块的大小为35×35,保留中心位置存在有效像素点的图像区块,剔除剩余图像区块,得到有效区块集S;
2-3)对S中的所有区块对应的SAR影像区域计算Daisy描述子;
2-4)将K-means算法作为聚类算法,各区块的Daisy描述子作为聚类量,对S中的所有区块进行聚类,本实施例的聚类算法中,聚类数设定为150类;
2-5)对S中每个区块对应的SAR影像区域分别计算多种梯度及自相关统计量Sketch-token统计量)组成中层特征作为X输入,聚类算法中的类别特征标签作为Y输出,训练一个决策森林;
2-6)利用决策森林训练分类器,得到中层特征分类器。
本方法的最终目的是为了评估影像的适配性能,故虽然中层特征分类器的训练本质上是一个多分类问题,但可以将其简化为二分类问题,也即判断当前像素是否为特征,而不关注其到底属于150类特征中的哪一类。
3)根据步骤2)获得的中层特征分类器,利用训练集Ⅱ训练影像适配性评估模型,具体步骤如下:
3-1)利用中层特征分类器对训练集Ⅱ中的影像进行特征提取,获得中层特征图;
3-2)绘制中层特征图的灰度直方图,从灰度直方图的中的高灰度级向低灰度级遍历,当后一灰度级的像素数是前一灰度级像素数的3倍时,取前一灰度级作为阈值,对影像进行二值化处理,获得二值化图像Tb;
3-3)统计二值化图像Tb中前景像素占整幅影像的比例以及前景像素的连通区域个数;
3-4)将步骤3-3)获得的两个统计量作为特征向量,对应影像的匹配结果作为输出,利用SVM算法训练影像适配性评估模型。
4)获取待评估的预测集,根据所述中层特征分类器和适配性评估模型获得所述预测集的当前影像的匹配结果,具体为:
4-1)利用步骤2)获得的中层特征分类器对预测集中的影像进行特征提取,获得中层特征图;
4-2)采用步骤3-2)所述步骤对影像进行二值化处理,获得二值化图像;
4-3)统计二值化图像中前景像素占整幅影像的比例以及前景像素的连通区域个数;
4-4)将步骤4-3)获得的两个统计量作为特征向量输入适配性评估模型中,获得当前影像的匹配结果,可以预测出当前影像是否匹配正确,获得异源雷达影像的适配性能。
Claims (7)
1.一种基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,该方法包括以下步骤:
1)将已知匹配结果的影像对分为两个部分,分别命名为训练集Ⅰ和训练集Ⅱ;
2)利用训练集Ⅰ训练中层特征分类器;
3)根据步骤2)获得的中层特征分类器,利用训练集Ⅱ训练影像适配性评估模型;
4)获取待评估的预测集,根据所述中层特征分类器和适配性评估模型获得所述预测集的当前影像的匹配结果;
步骤2)具体步骤如下:
2-1)绘制训练集Ⅰ中数据的共性特征二值图;
2-2)将共性特征二值图分解成多个图像区块,保留中心位置存在有效像素点的图像区块,剔除剩余图像区块,得到有效区块集S;
2-3)对S中的所有区块对应的SAR影像区域计算Daisy描述子;
2-4)将K-means算法作为聚类算法,各区块的Daisy描述子作为聚类量,对S中的所有区块进行聚类;
2-5)对S中每个区块对应的SAR影像区域分别计算多种梯度及自相关统计量组成中层特征作为X输入,聚类算法中的类别特征标签作为Y输出,训练一个决策森林;
2-6)利用决策森林训练分类器,得到中层特征分类器。
2.根据权利要求1所述的基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,所述训练集Ⅰ和训练集Ⅱ均分别包括实时图数据和基准图数据。
3.根据权利要求1所述的基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,所述训练集Ⅰ和训练集Ⅱ中,正样本数量与负样本数量的差为±5%。
4.根据权利要求1所述的基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,所述聚类算法中,聚类数设定为150类。
5.根据权利要求1所述的基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,步骤3)具体步骤如下:
3-1)利用中层特征分类器对训练集Ⅱ中的影像进行特征提取,获得中层特征图;
3-2)根据中层特征图对影像进行二值化处理,获得二值化图像;
3-3)统计二值化图像中前景像素占整幅影像的比例以及前景像素的连通区域个数;
3-4)将步骤3-3)获得的两个统计量作为特征向量,对应影像的匹配结果作为输出,利用SVM算法训练影像适配性评估模型。
6.根据权利要求1所述的基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,步骤4)中,根据所述中层特征分类器和适配性评估模型获得所述预测集的当前影像的匹配结果具体为:
4-1)利用步骤(2)获得的中层特征分类器对预测集中的影像进行特征提取,获得中层特征图;
4-2)根据中层特征图对影像进行二值化处理,获得二值化图像;
4-3)统计二值化图像中前景像素占整幅影像的比例以及前景像素的连通区域个数;
4-4)将步骤4-3)获得的两个统计量作为特征向量输入适配性评估模型中,获得当前影像的匹配结果。
7.根据权利要求5或6所述的一种基于监督学习策略的异源雷达影像适配性评估方法,其特征在于,所述根据中层特征图对影像进行二值化处理具体为:
绘制中层特征图的灰度直方图,从灰度直方图的中的高灰度级向低灰度级遍历,当后一灰度级的像素数是前一灰度级像素数的3倍时,取前一灰度级作为阈值,对影像进行二值化处理,获得二值化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510097972.1A CN104751170B (zh) | 2015-03-05 | 2015-03-05 | 基于监督学习策略的异源雷达影像适配性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510097972.1A CN104751170B (zh) | 2015-03-05 | 2015-03-05 | 基于监督学习策略的异源雷达影像适配性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751170A CN104751170A (zh) | 2015-07-01 |
CN104751170B true CN104751170B (zh) | 2018-08-24 |
Family
ID=53590823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510097972.1A Expired - Fee Related CN104751170B (zh) | 2015-03-05 | 2015-03-05 | 基于监督学习策略的异源雷达影像适配性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751170B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607B (zh) * | 2012-02-24 | 2013-09-25 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
US20140270347A1 (en) * | 2013-03-13 | 2014-09-18 | Sharp Laboratories Of America, Inc. | Hierarchical image classification system |
CN104102928B (zh) * | 2014-06-26 | 2017-11-24 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
-
2015
- 2015-03-05 CN CN201510097972.1A patent/CN104751170B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
异源合成孔径雷达景象匹配的评估技术研究;杨朝辉;《同济大学2009年度博士论文》;20100119;81-97 * |
Also Published As
Publication number | Publication date |
---|---|
CN104751170A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
CN110472467A (zh) | 基于YOLO v3的针对交通枢纽关键物体的检测方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
CN108520516A (zh) | 一种基于语义分割的桥梁路面裂缝检测和分割方法 | |
CN107993215A (zh) | 一种天气雷达图像处理方法及*** | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN106295655A (zh) | 一种用于无人机巡检图像的输电线路部件自动提取方法 | |
CN104156734A (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
CN105184779A (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN108564077A (zh) | 一种基于深度学习对视频或图片中数字的检测和识别方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及*** | |
CN108334815A (zh) | 电力二次设备的巡检方法、开关状态识别方法及*** | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
CN103577875A (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
CN104966348B (zh) | 一种票据图像要素完整性检测方法及*** | |
CN112464933B (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN110633668A (zh) | 基于二值化卷积神经网络的铁路调车信号灯检测方法及*** | |
CN113327248A (zh) | 一种基于视频的隧道车流量统计方法 | |
CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN112395953A (zh) | 一种道面异物检测*** | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180824 Termination date: 20210305 |
|
CF01 | Termination of patent right due to non-payment of annual fee |