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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。