基于半监督分类与区域距离测度的SAR图像识别方法技术

本发明专利技术公开了一种基于半监督分类与区域距离测度的SAR图像识别方法。其实现步骤为：通过切分原始SAR图像建立图像库，从图像库中挑选目标单一的SAR图像块；提取图库内图像块的特征向量；将挑选出的SAR图像块分成若干类，并用对应的特征向量作为训练样本，训练半监督分类器，并用此分类器对图像库分类；对用户输入的查询图像块，用已训练的分类器得到其类别；根据混淆矩阵求取查询图像块的类别集合，计算查询图像块与图像库中属于该集合的图像块之间的区域相似距离，并依照该距离从小到大的顺序返回用户需要数量的图像块。本发明专利技术具有分类错误可纠正，信息识别精度高的优点，可用于对多幅SAR图像同时进行解译。

【技术实现步骤摘要】
基于半监督分类与区域距离测度的SAR图像识别方法
本专利技术属于图像处理
，涉及一种SAR图像的识别方法，可应用于对多幅SAR图像同时进行解译。
技术介绍
SAR图像因为具有全天时、全天候的探测能力，尤其是相对光学图像对天气因素完全不依赖的特点，其应用领域正在逐步的扩大，包括军事，农业，导航，地理监视等。SAR图像的分割，去噪，变化检测等都是研究热点领域，而这些研究领域的一个重要基础就是SAR图像识别。一些传统的识别技术主要针对识别精度的问题，而且大多应用于单张SAR图像的小范围区域识别问题。但这些技术明显已不符合当下SAR图像数量海量增长的应用环境。为了克服上述技术缺点，本专利技术结合图论半监督学习方法和改进的区域距离测度在基于内容的图像检索技术的框架下提出了一种SAR图像识别技术。该技术实现简单，既保证识别精度又可满足大量SAR图像同时进行识别的应用场景。实际问题中，易获得的有标签数据往往比无标签数据少得多。为了解决此类问题，半监督学习方法应运而生。半监督学习方法是介于有监督学习和无监督学习的一类学习方法，该方法同时利用有标签样本和无标签样本，利用整体几何结构完成类标传播。近些年在半监督学习领域中，基于图论的半监督学习方法是最活跃的研究方向。最著名并且应用广泛的基于图论的半监督学习方法包括：最小切方法，高斯随机场方法等，分别参见A.BlumandS.Chawla.Learningfromlabeledandunlabeleddatausinggraphmincuts.InProceedingsofthe18thInternationalConferenceonMachineLearning.MorganKaufmann,SanFrancisco,CA,2001.19-26；Zhu,Xiaojin,ZoubinGhahramani,andJohnLafferty."Semi-supervisedlearningusinggaussianfieldsandharmonicfunctions."ICML.Vol.3.2003。这些方法将有标签和无标签数据作为图的顶点，数据间的相似度作为连接顶点的边及权值，并利用图的几何特性完成类标从有标签的数据到无标签的数据的传播，从而达到分类的目的。由于高斯随机场方法计算复杂度低的特点，考虑到识别系统的时效性，本专利技术采用此方法。基于内容的图像检索CBIR，是基于图像低层次的视觉特征完成在图像数据库中检索与查询图像在内容上一致或相似的图像集合过程。该技术包含一系列的图像处理方法，包括特征提取、相似性度量、用户反馈等。截至目前，已有很多成熟、著名的检索系统被提出，如SIMPLIcity检索系统，参见JamesZ.Wang,JiaLi,GioWiederhold.SIMPLIcity:Semantics-SensitiveIntegratedMatchingforPictureLlbraries.IEEETrans.onPatternAnalysisandMachineIntelligence,2001,23(9):947-963，该SIMPLIcity检索系统已成功的应用于海量的自然图像检索问题，但由于技术限制及SAR图像自身特点，将其直接应用在SAR图像识别中效果并不理想。又如2009年提出的结合高斯混合模型分类的SAR图像检索系统，即GMM检索系统，参见Hou,B.,Tang,X.,Jiao,L.,&Wang,S.(2009,October).SARimageretrievalbasedonGaussianMixtureModelclassification.InSyntheticApertureRadar,2009.APSAR2009.2ndAsian-PacificConferenceon(pp.796-799).IEEE，该方法面向SAR图像，在检索过程中有效的运用了纹理特征，但由于利用有监督分类方法使得其在现实问题中的推广化能力较低，同时因为该方法的相似度匹配技术并没有考虑SAR图像的特点，使得检索效果并不理想。虽然该文章中给出了出色的实验结果，但这些结果依赖于有重叠的切割原始SAR图像建立图库，这种策略得到的图像块具有高度的集群特性，即同一类内的样本间距很小，不同类的样本间距很大，这样的数据分布与实际应用中的数据分布往往差异大，得到的实验结果不能充分的验证其方法的有效性。
技术实现思路
本专利技术目的在于针对上述已有技术存在的缺陷，根据SAR图像的特殊成像特点，在传统基于内容的图像检索的框架下，提出一种基于半监督分类与改进区域距离测度的SAR图像识别方法，以减小实验数据与实际应用中数据分布的差异，提高实际应用中的信息识别精度。实现本专利技术目的的技术方案是：使用离散小波，解析SAR图像中的纹理信息，使用纹理信息，利用高斯随机场半监督学习方法完成SAR图像库的分类工作，并采用改进的区域综合特征相似匹配算法完成SAR图像的相似度匹配。其具体实现步骤包括如下：1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p1,p2,…,pN}，从该图像库中按照目标单一原则挑选图像块{p1,p2,…,pl}，其中l＜＜N，N表示图库中的SAR图像块个数，l表示挑选出的SAR图像块个数，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；2)提取所有图像块的离散小波三层变换的子带能量，作为图像块的特征向量其中，3)将挑选出的SAR图像块{p1,p2,…,pl}按照语义内容分成{ci,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对整个SAR图像库{p1,p2,…,pN}分类，得到具有类标的SAR图像库；4)对用户输入的查询图像块p'，采用与步骤2)相同的方法提取其特征向量f'，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类别数ci；5)根据步骤4)得到的类别数ci及经验混淆矩阵，计算查询图像块的类别集合{c}：5a)在已分类的SAR图像库中，挑选出每一类的前K幅图像块，组成新的图像样本集，从此样本集中随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈Rk×k，混淆矩阵Con是方阵，其中第i行第j列Con(i,j)表示属于ci类的样本被分为cj类的个数，1≤i≤k，1≤j≤k；5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈Rk×k；5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；5d)根据查询图像块的类别数ci，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；6)计算查询图像块p'与图库中属于类别集合{c}中所有图像块的区域距离；7)按照步骤6)得到的区域距离，以从小到大的顺序返回用户需要数量的图像，完成图像识别。本专利技术与现有的技术相比具有以下优点：本文档来自技高网...

【技术保护点】
一种基于半监督分类与区域距离测度的SAR图像识别方法，包括如下步骤：1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p1,p2,…，pN}，从该图像库中按照目标单一原则挑选图像块{p1,p2,…,pl}，其中l＜＜N，N表示图库中的SAR图像块个数，l表示挑选出的SAR图像块个数，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；2)提取所有图像块的离散小波三层变换的子带能量，作为图像块的特征向量其中，n‾=10;]]>3)将挑选出的SAR图像块{p1,p2,…,pl}按照语义内容分成{ci,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对整个SAR图像库{p1,p2,…,pN}分类，得到具有类标的SAR图像库；4)对用户输入的查询图像块p′，采用与步骤2)相同的方法提取其特征向量f′，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类别数ci；5)根据步骤4)得到的类别数ci及经验混淆矩阵，计算查询图像块的类别集合{c}：5a)在已分类的SAR图像库中，挑选出每一类的前K幅图像块，组成新的图像样本集，从此样本集中随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈Rk×k，混淆矩阵Con是方阵，其中第i行第j列Con(i,j)表示属于ci类的样本被分为cj类的个数，1≤i≤k，1≤j≤k；5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈Rk×k；5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；5d)根据查询图像块的类别数ci，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；6)计算查询图像块p′与图库中属于类别集合{c}中所有图像块的区域距离；7)按照步骤6)得到的区域距离，以从小到大的顺序返回用户需要数量的图像，完成图像识别。...

【技术特征摘要】
1.一种基于半监督分类与区域距离测度的SAR图像识别方法，包括如下步骤：1)对原始SAR图像进行无重叠切分，以建立SAR图像库{p1,p2,…，pN}，从该图像库中按照目标单一原则挑选图像块{p1,p2,…,pl}，其中l＜＜N，N表示图库中的SAR图像块个数，l表示挑选出的SAR图像块个数，所述目标单一原则是指图像块中某目标占图像总面积的一半以上；2)提取所有图像块的离散小波三层变换的子带能量，作为图像块的特征向量其中，3)将挑选出的SAR图像块{p1,p2,…,pl}按照语义内容分成{ci,1≤i≤k}类，其中k表示语义类别的个数，并用对应的特征向量作为训练样本，训练高斯随机场半监督分类器，利用该分类器对整个SAR图像库{p1,p2,…,pN}分类，得到具有类标的SAR图像库；4)对用户输入的查询图像块p′，采用与步骤2)相同的方法提取其特征向量f′，并用与步骤3)相同的训练样本及训练好的高斯随机场半监督分类器，得到查询图像块的类别数ci；5)根据步骤4)得到的类别数ci及经验混淆矩阵，计算查询图像块的类别集合{c}：5a)在已分类的SAR图像库中，挑选出每一类的前K幅图像块，组成新的图像样本集，从此样本集中随机挑选训练样本训练高斯随机场半监督分类器，用该分类器进行100次随机分类试验，得到经验混淆矩阵Con∈Rk×k，混淆矩阵Con是方阵，其中第i行第j列Con(i,j)表示属于ci类的样本被分为cj类的个数，1≤i≤k，1≤j≤k；5b)对经验混淆矩阵进行列归一化，即将一列中的每个元素除以该列元素的总和，得到经验的后验概率矩阵ConP∈Rk×k；5c)设置阈值T，将后验概率矩阵中的第i行第j列ConP(i,j)与阈值T进行比较，当ConP(i,j)≤T时，将ConP(i,j)设置为0，反之ConP(i,j)保持不变，阈值T的大小根据期望的每一列的非零元素个数设定；5d)根据查询图像块的类别数ci，在后验概率矩阵ConP中的第i列中查找非零元素的位置，最终得到类别集合{c}；6)计算查询图像块p′与图库中属于类别集合{c}中所有图像块的区域距离；7)按照步骤6)得到的区域距离，以从小到大的顺序返回用户需要数量的图像，完成图像识别。2.根据权利要求1所述的SAR图像识别方法，其中步骤6)所述的计算查询图像块p′与图库中属于类别集合{c}中所有图像块的区域距离，按如下步骤进行：6a)对于图像块p与查询图像块p′，分别以4×4区域大小为单位，计算离散小波一层变换的高频子带能量和灰度特征并用作为分割特征，利用自适应的k-means算法对分割特征进行聚类，得到图像块p的纹理区域集R1＝{r1,r2,…,rh,…rm}及查询图像块p′的纹理区域集R2＝{r′1,r′2,…,r′o,…r′n}，rh、r′o分别表示图像块p与查询图像块p′利用纹理特征分割后的各区域，其中1≤h≤m，1≤o≤n，m表示图像块p的纹理区域的个数，n表示查询图像块p′的纹理区域的个数；6b)计算图像块p与查询图像块p′纹理区域之间的距离d(rh,r′o)；6c)对于图像块p与查询图像块p′，利用Prewitt算子及二值分割法得到图像块p的边缘区域集RE1＝{rev}及查询图像块p′的边缘区域集RE2＝{re′z}，re...

【专利技术属性】
技术研发人员：焦李成，唐旭，马文萍，侯小瑾，侯彪，王爽，马晶晶，杨淑媛，刘静，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61