基于分层语义的SAR图像分类方法技术

一种基于分层语义的SAR图像分类方法，包括进行多尺度分割，得到不同精度的分割图；构建区域金字塔，将不同精度的分割图组合生成区域金字塔；CRF空间关联建模，包括对于区域金字塔，利用CRF建立该金字塔的每一层中区域间的空间关系；BN因果性建模，包括将区域金字塔相邻层间的因果联系通过BN进行建模，将区域金字塔层内的因果性通过BN进行建模，形成语义金字塔；统一推理，包括将联合概率表示为统一的因子图，将图像分类过程等价于推理最优状态，将推理结果作为图像分类结果。本发明专利技术联合BN和CRF建模SAR图像分类中的先验知识，其中BN构建因果关联，而CRF建模空间关系，实现分层语义分类，提高SAR图像分类性能。

SAR image classification method based on hierarchical semantics

A SAR image classification method based on hierarchical semantic, including multi-scale segmentation, the segmentation accuracy of different map; construction area of Pyramid, the Pyramid regional segmentation map are combined to generate different accuracy; CRF spatial correlation model, including the area of Pyramid, using CRF to establish inter regional spatial relationship in each layer of the Pyramid BN; causal modeling, including the Pyramid region between the adjacent layers causal link through BN modeling, causal regional Pyramid in modeling by BN, the formation of semantic unified reasoning, including Pyramid; the joint probability is expressed as factor graph unification, image classification reasoning process is equivalent to the optimal state, reasoning as a result of the image classification results. The invention combines BN and CRF to model prior knowledge in SAR image classification, wherein BN constructs causal relation, and CRF model spatial relation, realizes hierarchical semantic classification, and improves SAR image classification performance.

【技术实现步骤摘要】
基于分层语义的SAR图像分类方法
本专利技术属于图像处理
，特别涉及一种基于分层语义的SAR图像分类方法。
技术介绍
SAR(SyntheticApertureRadar,SAR)图像分类作为SAR图像解译的重要分支，其根据数据样本信息表现的不同属性，通过计算类内相似性和类间差异性，实现对不同地物目标的分类识别。图像分类的主流方法主要包括特征描述子和模型两步，常见的特征可分为统计特征、纹理特征、形状特征等；用于分类的模型则分为产生式模型、描述模型和判别模型。对高分辨率SAR图像而言，地物目标的几何信息和结构纹理更加清晰，且具有更丰富的空间信息。分析高分辨率SAR场景时，如今已越来越关注其中的纹理、几何形状、统计分布及上下文空间关系，甚至包括使用颜色描述子来提取SAR伪彩合成图像中的颜色特征。同时，针对SAR图像特殊的成像机理和特点，在提取SAR图像的特征时，除了上述特征外，还包括目标散射特性和极化特性等，如基于分布的统计特征、极化数据中的极化分解特征。在SAR图像分类过程中，最直接的方法是应用极化SAR数据或生成的相干矩阵和协方差矩阵作为图像特征。在早期的分类研究方法中，极化数据的单波段后向散射信息如HH，HV和VV通道或多波段数据的不同组合，已应用在包括神经网络和最大似然估计等分类器模型中。由于极化数据的成像机理，协方差矩阵获取幅度和相位方差的完整极化信息以及所有后向散射元素的相关性，因而可被用来直接作为不同分类机制的直接输入特征，如Wishart最大似然分类器，多层神经网络分类器。在过去四十年中，不同的极化目标分解算法被用于SAR图像分类，其将平均后向散射描述为独立分量之和，并将其用于极化SAR应用，更好的解译雷达数据的潜在散射特性。除了上述基于目标物理、几何和散射特性的目标分解外，纹理作为特征描述子，已被证明是SAR图像分类的有利信息来源，如灰度共生矩阵、结合统计纹理信息的小波、离散小波变换等。由于SAR图像的成像机理，颜色信息一直是极化SAR分类领域中忽视的属性，但是为了可视化目的，常常通过映射后向散射元素或目标分解分量到不同的颜色通道，如在H/V极化基础上的Pauli颜色编码，进而生成伪彩图像。将先验知识引入分类模型是提高SAR图像分类性能的重要研究方向，例如：Wishart最大似然估计、马尔科夫随机场(MarkovRandomField，MRF)、条件随机场(ConditionalRandomField，CRF)等。SAR图像中低层次的特征只能表征像素级信息，而且易受噪声影响，这些特征通常用类内相似度和类间差异来度量。因而使用有效的上下文模型来整合特征描述子，对于SAR图像解译具有重要意义。采用Potts先验的MRF是一种基本的上下文模型，MRF是当前最流行的利用上下文信息来最小化全局代价函数的方法，目前已被广泛用于SAR图像解译。相比于MRF和CRF这类无向图模型，贝叶斯网络(BayesianNetwork，BN)也被用于SAR图像解译。BN模型提供系统化方法来对随机变量之间的因果关系建模，利用变量之间的条件独立关系和先验知识，可实现对复杂联合分布的简化分解。根据BN结构，联合分布被分解为一组局部条件概率的乘积，更易表征变量的语义关系。在图像识别领域，BN模型可用来描述不同实体，如区域、边缘、顶点等之间的先验知识。综上所述，引入先验信息对于稳健和有效的SAR图像分类具有重要的作用，但尚未有效果符合理想的技术方案出现。
技术实现思路
本专利技术的目的在于针对高分辨SAR图像分类问题，提出一种分层语义分类方法，通过充分利用高分辨SAR图像的先验信息，进行分层语义分类，获得高精度的分类结果。本专利技术的技术方案提供一种基于分层语义的SAR图像分类方法，包括以下步骤，步骤1，进行多尺度分割，得到不同精度的分割图；步骤2，构建区域金字塔，包括将步骤1中生成的不同精度的分割图组合生成区域金字塔，其中从顶层到低层依次对应从粗到精细的分割图；步骤3，CRF空间关联建模，包括对于步骤2中建立的区域金字塔，利用CRF建立该金字塔的每一层中区域间的空间关系；所述CRF为条件随机场；步骤4，BN因果性建模，包括将区域金字塔相邻层间的因果联系通过BN进行建模，将区域金字塔层内的因果性通过BN进行建模，形成语义金字塔；所述BN为贝叶斯网络；步骤5，统一推理，包括联合步骤3和4所得结果，将联合概率表示为统一的因子图，将图像分类过程等价于推理最优状态，将推理结果作为图像分类结果。而且，步骤3的实现方式如下，设输入图像经过分割后表示为超像素集X，记为X＝{x1,x2,…,xM}，其中xi|i＝1,2,…,M为第m个超像素点，M为超像素集X中超像素点的数量，记y＝{y1,y2,…,yM}为超像素集X对应的标签，yi为第i个超像素点的分类标签，i＝1,2,...m，则条件概率P(y|φ(X))表示为式中，φ(·)表示特征函数，用于将原始数据映射到特征空间中，Ai(·)为单元势函数，Iij(·)为成对势函数，μ(·)用于描述邻域块间的关系，表示超像素块i的邻域，j用于标识邻域内第j个超像素块；Z(X)为归一化函数。而且，引入边界先验知识，该先验知识指像素点p到边界Ω处的距离dd＝dist(p,Ω)＝||p-p'||2式中，p'是边界Ω上与点p最近的点，当边界两侧区域具有相同标签时，该距离越大，则相邻区域间的相关性越弱。而且，步骤4中，所述区域金字塔相邻层间的因果联系，是指金字塔下层子区域基于其上层父母区域的分类条件概率，该分类条件概率通过步骤3中CRF的分类结果统计获得；所述区域金字塔层内的因果性，是指指区域、边界和顶点间的因果关系；其中，边界由两个具有不同类别的区域相交形成，而顶点由边界相交产生；记y，e，v分别表示所有区域、边界和定点的集合，图像分类过程等价于推理y，e，v的最优状态y*，e*，v*，设PBN(y,e,v)为基于区域金字塔相邻层间的因果联系和层内的因果性的联合概率。而且，步骤5的实现方式如下，记联合概率密度为P(y,e,v,x)，由图模型的全局马尔科夫性，做如下分解P(y,e,v,x)＝PBN(y,e,v)·P(y|φ(x))·P(x)其中，P(x)为常数，表示图像数据本身的先验概率；图像分类过程等价于推理最优状态y*，e*，v*，表示如下根据上式，通过随机局部搜索进行推理，推理结果即为图像分类结果。本专利技术联合BN和CRF建模SAR图像分类中的先验知识，其中BN构建因果关联，而CRF建模空间关系，实现分层语义分类，从而提高SAR图像分类性能。与现有技术相比，本专利技术的有益效果是：更多的先验信息被建模在分类模型中，关键是，区域金字塔相邻层间的因果关联通过BN建模。而且进一步将边界先验知识整合在CRF模型中。通过先验信息的有效利用，有益于提高SAR图像分类性能。附图说明图1是本专利技术实施例的流程图；图2是本专利技术实施例中多尺度分割示意图，其中图2a、图2b、图2c分别是第一尺度、第二尺度和第三尺度的分割示意图；图3是本专利技术实施例中构建条件随机场的示意图；图4是本专利技术实施例中构建BN模型的示意图；图5是本专利技术实施例中将BN模型转换为因子图的示意图。具体实施方式以下结合附图和实施例详细说明本专利技术技术方案。本专利技术提出，本文档来自技高网...

【技术保护点】
一种基于分层语义的SAR图像分类方法，其特征在于：包括以下步骤，步骤1，进行多尺度分割，得到不同精度的分割图；步骤2，构建区域金字塔，包括将步骤1中生成的不同精度的分割图组合生成区域金字塔，其中从顶层到低层依次对应从粗到精细的分割图；步骤3，CRF空间关联建模，包括对于步骤2中建立的区域金字塔，利用CRF建立该金字塔的每一层中区域间的空间关系；所述CRF为条件随机场；步骤4，BN因果性建模，包括将区域金字塔相邻层间的因果联系通过BN进行建模，将区域金字塔层内的因果性通过BN进行建模，形成语义金字塔；所述BN为贝叶斯网络；步骤5，统一推理，包括联合步骤3和4所得结果，将联合概率表示为统一的因子图，将图像分类过程等价于推理最优状态，将推理结果作为图像分类结果。

【技术特征摘要】
1.一种基于分层语义的SAR图像分类方法，其特征在于：包括以下步骤，步骤1，进行多尺度分割，得到不同精度的分割图；步骤2，构建区域金字塔，包括将步骤1中生成的不同精度的分割图组合生成区域金字塔，其中从顶层到低层依次对应从粗到精细的分割图；步骤3，CRF空间关联建模，包括对于步骤2中建立的区域金字塔，利用CRF建立该金字塔的每一层中区域间的空间关系；所述CRF为条件随机场；步骤4，BN因果性建模，包括将区域金字塔相邻层间的因果联系通过BN进行建模，将区域金字塔层内的因果性通过BN进行建模，形成语义金字塔；所述BN为贝叶斯网络；步骤5，统一推理，包括联合步骤3和4所得结果，将联合概率表示为统一的因子图，将图像分类过程等价于推理最优状态，将推理结果作为图像分类结果。2.根据权利要求1所述基于分层语义的SAR图像分类方法，其特征在于：步骤3的实现方式如下，设输入图像经过分割后表示为超像素集X，记为X＝{x1,x2,…,xM}，其中为第m个超像素点，M为超像素集X中超像素点的数量，记y＝{y1,y2,…,yM}为超像素集X对应的标签，yi为第i个超像素点的分类标签，i＝1,2,...m，则条件概率P(y|φ(X))表示为式中，φ(·)表示特征函数，用于将原始数据映射到特征空间中，Ai(·)为单元势函数，Iij(·)为成对势函数，μ(·)用于描述邻域块间的关系，表示超像素块i的邻域，j用于标识邻域内第j个超像素块；Z(X)为归一化函数。3.根据权利要求2所述基于分...

【专利技术属性】
技术研发人员：何楚，刘新龙，张芷，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42