CN106803106B - Sar图像自动分类***及方法 - Google Patents

Sar图像自动分类***及方法 Download PDF

Info

Publication number
CN106803106B
CN106803106B CN201710108835.2A CN201710108835A CN106803106B CN 106803106 B CN106803106 B CN 106803106B CN 201710108835 A CN201710108835 A CN 201710108835A CN 106803106 B CN106803106 B CN 106803106B
Authority
CN
China
Prior art keywords
image
sample
sar
configuration file
automatic classification
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
Application number
CN201710108835.2A
Other languages
English (en)
Other versions
CN106803106A (zh
Inventor
徐丰
董浩
徐新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NATIONAL DISASTER REDUCTION CENTER OF CHINA
Original Assignee
NATIONAL DISASTER REDUCTION CENTER OF CHINA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NATIONAL DISASTER REDUCTION CENTER OF CHINA filed Critical NATIONAL DISASTER REDUCTION CENTER OF CHINA
Priority to CN201710108835.2A priority Critical patent/CN106803106B/zh
Publication of CN106803106A publication Critical patent/CN106803106A/zh
Application granted granted Critical
Publication of CN106803106B publication Critical patent/CN106803106B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明的SAR图像自动分类***，包括：原始图像入库处理单元，对原始SAR数据进行解析得到基本信息，并根据基本信息中包含的极化方式生成SAR图像，将基本信息和SAR图像关联起来保存到原始图像库中；原始图像库，保存SAR图像及其基本信息；样本库，保存样本图像和样本配置文件；样本库构建单元，从原始图像库中选择SAR图像作为样本图像，对该样本图像设置参数来生成样本配置文件，并将样本图像和对应的样本配置文件关联起来保存到所述样本库中；以及分类单元，根据待分类图像的基本信息，从样本库中获取匹配的样本图像及其样本配置文件，根据该样本配置文件生成自动分类配置文件，基于该自动分类配置文件对待分类图像进行分类。

Description

SAR图像自动分类***及方法
技术领域
本发明属于遥感图像处理技术领域，特别是涉及基于样本库管理和多种分类方法的SAR图像自动分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动成像雷达***，具有全天候、昼夜成像的特点，其中，极化SAR***可工作在不同极化通道组合模式下，能获得更多的地物目标信息。近年来，已出现多种SAR***，SAR信息的解译和应用显示出更加广泛的应用前景，在土地利用、地表覆被、目标检测等方面发挥了越来越重要的作用。
SAR图像的应用过程中，图像分类是极化SAR图像解译的一项重要内容，目前，未出现针对SAR场景的专用分类体系，不能对海量SAR数据进行有效管理，SAR处理主要依赖具体数据类型和算法，主要靠人工目视判读，无法实现真正的自动解译。这些问题大大地阻碍了SAR图像的应用潜力，降低了SAR图像的解译效率。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种可自动对SAR图像进行分类的基于样本库的SAR图像自动分类***及分类方法。
用于实现上述本发明的目的的SAR图像自动分类***，其特征在于，包括：原始图像入库处理单元，对所输入的原始SAR数据进行解析得到该SAR数据的基本信息，并根据所得到的基本信息中包含的极化方式生成SAR图像，将所述基本信息和所述SAR图像关联起来保存到原始图像库中；原始图像库，用于保存所述SAR图像及其相应的基本信息；样本库，用于保存样本图像和样本配置文件；样本库构建单元，从所述原始图像库中选择SAR图像作为样本图像，对该样本图像设置参数来生成样本配置文件，并将所述样本图像和对应的样本配置文件关联起来保存到所述样本库中；以及分类单元，以所输入的待分类SAR图像的基本信息作为查询条件，从所述样本库中获取匹配的样本图像及其样本配置文件，根据该样本配置文件生成自动分类配置文件，基于该自动分类配置文件对所述待分类SAR图像进行分类。
所述基本信息还包括图像的地物目标类型、数据源、分辨率、成像时间。
进一步，所述自动分类配置文件包括自动分类中推荐使用的特征，
所述分类单元根据所述自动分类配置文件包括的自动分类中推荐使用的特征，通过交叉验证的方式分析获取分类效果最好的分类器作为最优分类器，之后利用样本图像训练所获取的最优分类器，最后利用训练好的最优分类器对待分类SAR图像进行分类。
进一步，还包括分类器模板库，用于保存已经训练好的各种分类器模板，当分类器模板库中存在与所获取的最优分类器相应的分类器模板时，不需训练所获取的最优分类器，直接利用分类器模板库中相应的训练好的分类器对待分类SAR图像进行分类。
本发明的SAR图像自动分类方法，其特征在于，包括：原始图像入库处理步骤，对所输入的原始SAR数据进行解析得到该SAR数据的基本信息，并根据所得到的基本信息中包含的极化方式生成SAR图像，所述基本信息和所述SAR图像关联起来保存到原始图像库中；样本库构建步骤，从所述原始图像库中选择SAR图像作为样本图像，对该样本图像设置参数来生成样本配置文件，并将所述样本图像和对应的样本配置文件关联起来保存到样本库中；以及分类步骤，以所输入的待分类SAR图像的基本信息作为查询条件，从所述样本库中获取匹配的样本图像及其样本配置文件，根据该样本配置文件生成自动分类配置文件，基于该自动分类配置文件对所述待分类SAR图像进行分类。
所述基本信息还包括图像的地物目标类型、数据源、分辨率、成像时间。
进一步，所述自动分类配置文件包括自动分类中推荐使用的特征，在所述分类步骤，根据所述自动分类配置文件包括的自动分类中推荐使用的特征，通过交叉验证的方式分析获取分类效果最好的分类器作为最优分类器，之后利用样本图像训练所获取的最优分类器，最后利用训练好的最优分类器对待分类SAR图像进行分类。
进一步，在所述分类步骤，当分类器模板库中存在与所获取的最优分类器相应的分类器模板时，不需训练所获取的最优分类器，直接利用分类器模板库中相应的训练好的分类器对待分类SAR图像进行分类。
本发明的技术效果如下。
根据本发明，面对海量多样的SAR数据，利用样本库构建单元构建样本库，进而可通过样本库对多种SAR图像和样本进行统一管理，并结合具体分类器，对SAR图像进行自动分类，有助于提高SAR图像的解译效率，增强人们从大场景海量SAR图像中获取地表覆被信息的能力。
附图说明
图1是示出本发明的第一实施例的SAR图像自动分类***的示意图。
图2是示出本发明的第一实施例的SAR图像自动分类方法的示意图。
图3示出基于本发明的第一实施例的SAR图像自动分类***及其方法进行了自动分类的一实例的原始SAR图像和分类后结果图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的优选实施方式进行详细说明。
图1是示出本发明的SAR图像自动分类***的示意图。如图1所示，本实施例的SAR图像自动分类***100包括原始图像库110、样本库120、样本库构建单元130、分类单元140和原始图像入库处理单元150。
其中，原始图像库110保存所述SAR图像及其相应的基本信息。所述基本信息可以包括图像的极化方式、地物目标类型、数据源(卫星来源)、分辨率、成像时间等信息，从而可将这些信息作为参数对原始图像库110内的SAR图像进行索引、浏览和调用。
原始图像入库处理单元150对所输入的原始SAR数据进行解析得到该SAR数据的基本信息，并根据所得到的基本信息中包含的极化方式生成SAR图像。例如，对于单极化SAR数据可生成灰度图，对于双极化或全极化SAR数据，可生成伪彩图。之后，将所述基本信息和所述SAR图像关联起来保存到原始图像库110中。
样本库120用于保存样本图像和样本配置文件。该样本配置文件可包括图像的类别信息、颜色通道值和图像的结构信息。通过样本库120中的信息可以唯一地定位到相应的样本图像，为SAR图像自动分类提供样本支持。原始图像库110和样本库120的构建、存储和管理，可采用数据库工具，通过快速有效的数据库索引对存储在其中的数据和特征进行访问、添加等操作。
样本库构建单元130从原始图像库110中选择SAR图像作为样本图像，对该样本图像设置参数来生成样本配置文件，并将所述样本图像和对应的样本配置文件关联起来保存到所述样本库110中。所述设置参数可主要包括两个部分，一部分是样本的结构信息，即样本边界等信息；另一部分是样本的类别信息，包括样本的类别、样本的颜色通道值等信息。
分类单元140根据所输入的待分类SAR图像的基本信息，从所述样本库中获取匹配的样本图像及其样本配置文件，根据该样本配置文件生成自动分类配置文件，基于该自动分类配置文件对所述待分类SAR图像进行分类。
图2是示出本发明的第一实施例的SAR图像自动分类方法的示意图。
如图2所示，第一实施例的SAR图像自动分类方法包括原始图像入库处理步骤S110、样本库构建步骤S120以及分类步骤S130。
在原始图像入库处理步骤S110，原始图像入库处理单元150对所输入的原始SAR数据进行解析得到该SAR数据的基本信息，基本信息具体可以包括图像的极化方式、地物目标类型、数据源、分辨率、成像时间等信息。并且，根据所得到的基本信息中包含的极化方式生成SAR图像，例如，对于单极化SAR数据可生成灰度图，对于双极化或全极化SAR数据，可生成伪彩图。之后，将解析得到的所述基本信息和SAR图像关联起来保存到原始图像库110中。
在样本库构建步骤S120，样本库构建单元130从原始图像库110中选择SAR图像作为样本图像，之后，对所选择的SAR图像设置参数来生成样本配置文件，并将所述样本图像和对应的样本配置文件关联起来保存到样本库120中。具体来说，样本库构建单元130可在***界面上显示原始图像库110中的SAR图像及其基本信息，作业人员可通过人工方式选择SAR图像作为样本图像之后，对样本图像设置参数来形成该样本图像的样本配置文件。其中，设置参数可包括SAR图像的类别信息、颜色通道值和图像的结构信息等，结构信息可包括图像的边界等信息。
在分类步骤S130，根据所输入的待分类SAR图像的基本信息，以所输入的待分类SAR图像的基本信息作为查询条件，从样本库120中获取匹配的样本图像。之后，利用与所获取的样本图像对应的样本配置文件生成自动分类配置文件，进而基于该自动分类配置文件对所述待分类SAR图像进行分类。
以图3中(a)表示的2011年12月7日武汉地区RadarSAT-2 8m分辨率的极化SAR图像为例，在向SAR图像自动分类***100输入该待分类SAR数据之后，原始图像入库处理单元150对该待分类SAR数据进行解析得到基本信息：RadarSAT-2，8m分辨率，全极化，2011年12月7日成像等。分类单元140以解析得到的SAR数据的基本信息作为查询条件，从所述样本库120中获取匹配的样本图像，并利用与所获取的样本图像对应的样本配置文件生成自动分类配置文件。
之后，根据该自动分类配置文件中推荐使用的特征，通过交叉验证的方式分析得到分类效果最好的分类器作为最优分类器，并根据该最优分类器类型确定并计算待分类测试数据所需特征，本实例中，所用的分类器为最近邻分类器，所用特征为Freeman分解的3个分量特征。关于最优分类器的获取，如果必要，可以人工干预选择自动分类方法。
之后，根据样本图像，训练所选分类器，根据样本估计分类器参数。本实例中，最近邻分类器的最近邻个数为K＝30。
假设样本个数为N，每个样本对应一个类别标记c，类别总数为C，计算待分类数据z到这N个样本点的距离d1≤i≤N并排序，取最小的前K个距离构成一个数据集SK。
Figure GDA0002207678500000051
统计SK中各类别中样本的个数，最大的即为待分类数据的目标类型cz。
这里不针对某一特定分类器，特别强调其参数估计方法。需要说明的是，不同分类器的训练方式不同，本发明可根据具体分类器进行相应适配。
之后，使用训练好的分类器，对待分类原始SAR数据进行分类，分类结果按目标分类体系中的图例分配颜色，分类结果如图3的(b)所示。
以上结合具体事例对本发明做了说明。上述所示的实施实例，并非用于限定本发明，也不仅限于Radarsat-2一种极化SAR图像，还适用于ALOS-2/PALSAR,TerraSAR-X，EVNISAT/ASAR，SIR-C，AIRSAR，EMISAR，PISAR等其他星载或机载SAR数据。
在第二实施例中，本实施例的SAR图像自动分类***在第一实施例的结构的基础上还包括分类器模板库，用于保存已经训练好的各种分类器模板。分类器模板中描述了分类器的信息，包括分类器名、所用特征和训练得到的分类器参数。当分类器模板库中存在与所获取的最优分类器相应的分类器模板时，不需训练所获取的最优分类器，直接利用分类器模板库中相应的训练好的分类器对待分类SAR图像进行分类。从而可以更为快捷地应用到其他场景中，省略了分类器训练的步骤，简化分类流程。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
任何本发明所属技术领域中的技术人员，在不脱离本发明的精神和范围内，应当可以作各种变化与修改。因此本发明的保护范围应当以所附权利要求书所界定的范围为准。

Claims (8)

1.一种SAR图像自动分类***，其特征在于，
包括：
原始图像入库处理单元，对所输入的原始SAR数据进行解析得到该SAR数据的基本信息，并根据所得到的基本信息中包含的极化方式生成SAR图像，将所述基本信息和所述SAR图像关联起来保存到原始图像库中；
原始图像库，用于保存所述SAR图像及其相应的基本信息；
样本库，用于保存样本图像和样本配置文件；
样本库构建单元，从所述原始图像库中选择SAR图像作为样本图像，对该样本图像设置参数来生成样本配置文件，并将所述样本图像和对应的样本配置文件关联起来保存到所述样本库中；以及
分类单元，以所输入的待分类SAR图像的基本信息作为查询条件，从所述样本库中获取匹配的样本图像及其样本配置文件，根据该样本配置文件生成自动分类配置文件，基于该自动分类配置文件对所述待分类SAR图像进行分类。
2.根据权利要求1所述的SAR图像自动分类***，其特征在于，
所述基本信息还包括图像的地物目标类型、数据源、分辨率、成像时间。
3.根据权利要求1或2所述的SAR图像自动分类***，其特征在于，
所述自动分类配置文件包括自动分类中推荐使用的特征，
所述分类单元根据所述自动分类配置文件包括的自动分类中推荐使用的特征，通过交叉验证的方式分析获取分类效果最好的分类器作为最优分类器，之后利用样本图像训练所获取的最优分类器，最后利用训练好的最优分类器对待分类SAR图像进行分类。
4.根据权利要求3所述的SAR图像自动分类***，其特征在于，
还包括分类器模板库，用于保存已经训练好的各种分类器模板，当分类器模板库中存在与所获取的最优分类器相应的分类器模板时，不需训练所获取的最优分类器，直接利用分类器模板库中相应的训练好的分类器模板对待分类SAR图像进行分类。
5.一种SAR图像自动分类方法，其特征在于，包括：
原始图像入库处理步骤，对所输入的原始SAR数据进行解析得到该SAR数据的基本信息，并根据所得到的基本信息中包含的极化方式生成SAR图像，所述基本信息和所述SAR图像关联起来保存到原始图像库中；
样本库构建步骤，从所述原始图像库中选择SAR图像作为样本图像，对该样本图像设置参数来生成样本配置文件，并将所述样本图像和对应的样本配置文件关联起来保存到样本库中；以及
分类步骤，以所输入的待分类SAR图像的基本信息作为查询条件，从所述样本库中获取匹配的样本图像及其样本配置文件，根据该样本配置文件生成自动分类配置文件，基于该自动分类配置文件对所述待分类SAR图像进行分类。
6.根据权利要求5所述的SAR图像自动分类方法，其特征在于，
所述基本信息还包括图像的地物目标类型、数据源、分辨率、成像时间。
7.根据权利要求5或6所述的SAR图像自动分类方法，其特征在于，
所述自动分类配置文件包括自动分类中推荐使用的特征，
在所述分类步骤，根据所述自动分类配置文件包括的自动分类中推荐使用的特征，通过交叉验证的方式分析获取分类效果最好的分类器作为最优分类器，之后利用样本图像训练所获取的最优分类器，最后利用训练好的最优分类器对待分类SAR图像进行分类。
8.根据权利要求7所述的SAR图像自动分类方法，其特征在于，
在所述分类步骤，当分类器模板库中存在与所获取的最优分类器相应的分类器模板时，不需训练所获取的最优分类器，直接利用分类器模板库中相应的训练好的分类器对待分类SAR图像进行分类。
CN201710108835.2A 2017-02-27 2017-02-27 Sar图像自动分类***及方法 Expired - Fee Related CN106803106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710108835.2A CN106803106B (zh) 2017-02-27 2017-02-27 Sar图像自动分类***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710108835.2A CN106803106B (zh) 2017-02-27 2017-02-27 Sar图像自动分类***及方法

Publications (2)

Publication Number Publication Date
CN106803106A CN106803106A (zh) 2017-06-06
CN106803106B true CN106803106B (zh) 2020-04-21

Family

ID=58987701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710108835.2A Expired - Fee Related CN106803106B (zh) 2017-02-27 2017-02-27 Sar图像自动分类***及方法

Country Status (1)

Country Link
CN (1) CN106803106B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895179A (zh) * 2017-11-29 2018-04-10 合肥赑歌数据科技有限公司 一种基于临近值分析的工件分类***及方法
CN108805046B (zh) * 2018-05-25 2022-11-04 京东方科技集团股份有限公司 用于面部匹配的方法、设备、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8125370B1 (en) * 2007-04-16 2012-02-28 The United States Of America As Represented By The Secretary Of The Navy Polarimetric synthetic aperture radar signature detector
CN103927387A (zh) * 2014-04-30 2014-07-16 成都理想境界科技有限公司 图像检索***及其相关方法和装置
CN104134080A (zh) * 2014-08-01 2014-11-05 重庆大学 一种道路路基塌陷和边坡坍塌的自动检测方法及***
CN106134458B (zh) * 2013-07-31 2015-05-13 中国人民解放军63956部队 用于目标探测/伪装防护的飞艇载全极化sar***
CN105701481A (zh) * 2016-02-26 2016-06-22 民政部国家减灾中心 一种倒塌建筑物提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8125370B1 (en) * 2007-04-16 2012-02-28 The United States Of America As Represented By The Secretary Of The Navy Polarimetric synthetic aperture radar signature detector
CN106134458B (zh) * 2013-07-31 2015-05-13 中国人民解放军63956部队 用于目标探测/伪装防护的飞艇载全极化sar***
CN103927387A (zh) * 2014-04-30 2014-07-16 成都理想境界科技有限公司 图像检索***及其相关方法和装置
CN104134080A (zh) * 2014-08-01 2014-11-05 重庆大学 一种道路路基塌陷和边坡坍塌的自动检测方法及***
CN105701481A (zh) * 2016-02-26 2016-06-22 民政部国家减灾中心 一种倒塌建筑物提取方法

Also Published As

Publication number Publication date
CN106803106A (zh) 2017-06-06

Similar Documents

Publication Publication Date Title
Goodbody et al. Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems
Ferraz et al. Lidar detection of individual tree size in tropical forests
US9251420B2 (en) System for mapping and identification of plants using digital image processing and route generation
Huang et al. A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery
US10043097B2 (en) Image abstraction system
Lucas et al. Retrieving forest biomass through integration of CASI and LiDAR data
DE102012218390A1 (de) Optimierung der Erkennung von Objekten in Bildern
US10592550B2 (en) System and method for species and object recognition
Hamada et al. Multi-spectral image segmentation based on the K-means clustering
Fedorov et al. Estimating snow cover from publicly available images
CN104486585B (zh) 一种基于gis的城市海量监控视频管理方法及***
Li et al. On the utilization of novel spectral laser scanning for three-dimensional classification of vegetation elements
Kuzmin et al. Automatic segment-level tree species recognition using high resolution aerial winter imagery
Mahmoudabadi et al. Efficient terrestrial laser scan segmentation exploiting data structure
CN106803106B (zh) Sar图像自动分类***及方法
CN112084989A (zh) 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法
Rumora et al. Spatial video remote sensing for urban vegetation mapping using vegetation indices
Wickramasinghe et al. Satellite remote-sensing monitoring of a railway construction project
Korpela et al. The performance of a local maxima method for detecting individual tree tops in aerial photographs
Zhou et al. Pairs autogeo: an automated machine learning framework for massive geospatial data
Wu et al. Nighttime cattle detection based on YOLOv4
Yu et al. An image-based automatic recognition method for the flowering stage of maize
Walter Object-based classification of integrated multispectral and LIDAR data for change detection and quality control in urban areas
Wang et al. Structure-aware subsampling of tree point clouds
Gavrilov et al. Automated visual information processing using artificial intelligence

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200421

CF01 Termination of patent right due to non-payment of annual fee