一种用于图像处理的上下文协方差矩阵构建方法技术

本发明专利技术公开了一种用于图像处理的上下文协方差矩阵构建方法，包括1、获取待分类的SAR图像；2、对图像中的每个像素点，构建上下文散射矢量，根据上下文散射矢量和协方差矩阵；3、计算像素点与以像素点为中心的滑窗内每个像素点的上下文协方差矩阵的相似度参数；4、计算判决门限；5、选取相似样本像素集，对待滤波像素点进行滤波处理；6、得到相干斑滤波结果图；7、提取滤波后的图像中已知真实地物类别的像素点；8、使用各像素的的上下文协方差矩阵对分类器进行训练；9、对未知地物类别像素点逐个进行分类，分类结果。本发明专利技术使用图像的上下文协方差矩阵信息作为分类器的输入特征，使得分类精度更高。

A Context Covariance Matrix Construction Method for Image Processing

【技术实现步骤摘要】
一种用于图像处理的上下文协方差矩阵构建方法
本专利技术属于合成孔径雷达(SyntheticApertureRadar，SAR)成像遥感
，涉及一种用于图像处理的上下文协方差矩阵构建方法。
技术介绍
目前常用遥感图像包括光学图像和雷达图像等。其中，获取得到雷达图像的成像雷达系统主要包括合成孔径雷达和逆合成孔径雷达，两者都具有全天时、全天候、远距离的观测能力，在目标侦察监视、态势感知等方面发挥着重要作用。SAR作为典型的成像雷达系统，是一种主动发射信号的微波传感器。20世纪50年代，合成孔径雷达成像概念被首次提出，到如今经过了约七十年的发展。SAR成像的基本原理是利用实际传感器天线沿方位向移动，形成比物理尺寸更长的有效天线，从而提高雷达的方位向分辨率。极化SAR通过收发极化状态相互正交的电磁波以获取观测场景的全极化信息。地物分类作为SAR图像的重要应用，通常只是使用图像的幅度作为分类器的输入特征。由于可利用的信息量有限，故所得地物分类精度较低。因此怎样利用图像单一幅度之外的信息提高地物分类精度显得尤为重要。就SAR图像信息表征而言，极化SAR图像常见的表征方式包括极化散射矩阵，极化协方差矩阵和极化相干矩阵等。而由于单极化SAR系统的收发天线仅有一种极化方式，得到的各像素点的数据是极化散射矩阵中的一项，全图即包含散射幅度和相位；在双极化SAR系统中，得到的图像各像素点的数据是极化散射矩阵中的一行或一列；全极化SAR则可以得到一个图像各像素点的数据的完整的极化散射矩阵。此外，干涉SAR数据类似于双极化SAR数据，包含的两项分别属于两条干涉基线的二维复数矩阵；极化干涉SAR数据相对而言较复杂，共包含两条干涉基线数据，每条干涉基线的数据都包含了整个极化散射矩阵。通过对极化散射矩阵进行变换，可以得到极化协方差矩阵和极化相干矩阵，进而提取数据中的目标散射信息。但是极化协方差矩阵和极化相干矩阵的表征方式，只适用于全极化SAR数据。对于其它类型的数据如光学图像、单极化SAR图像、双极化SAR图像等，怎样提取图像的散射矩阵信息，从而丰富地物分类中图像数据信息的输入，进而提高地物分类精度是一个值得深入研究的问题。
技术实现思路
本专利技术解决的技术问题是怎样提高地物分类精度，提供了一种用于图像处理的上下文协方差矩阵构建方法。本专利技术的基本思路是：图像中某一像素的取值与其周围邻域像素的取值是密切相关的。这种相关性中蕴含着丰富的信息，即上下文信息。为了有效地提取这种相关性，可以在像素的一定邻域范围内，以像素的取值为元素得到上下文散射矢量，进而构建上下文协方差矩阵。通过提取种子像素的上下文协方差矩阵信息来取代图像的幅度信息作为分类器的输入特征。具体而言：针对图像中的每个像素，首先选取一个包含种子像素的win×win邻域，使用其邻域像素的像素值，按照一定的规则得到几组上下文散射矢量，然后将各上下文散射矢量与自身的共轭转置相乘构建对应数量的上下文协方差矩阵，最后对该种子像素的几组上下文协方差矩阵做平均处理得到属于该像素的上下文协方差矩阵。在SAR图像地物分类中，以各个像素点所对应的上下文协方差矩阵的正对角线和上三角元素作为分类器的输入，经过相应的训练和测试过程，实现对SAR图像中不同地物类别像素点的分类处理。本专利技术所采用的技术方案是：一种用于图像处理的上下文协方差矩阵构建方法，包括以下步骤：步骤1：获取待分类的SAR图像；步骤2：对SAR图像中的每一个像素点Sn,m，在该像素点Sn,m的win×win邻域内构建上下文散射矢量，根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m)，n＝1,2,…,N，m＝1,2,…,M，N,M分别表示SAR图像的行、列像素点总数，win为大于等于3的奇数；步骤3：根据像素点Sn,m的上下文协方差矩阵CCCM-(n,m)，计算像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm，得到相似度参数矩阵lnQnm-IJ，i＝1,2,…,I，j＝1,2,…,J，I、J分别表示滑窗的行、列像素点总数，I、J为奇数；步骤4：计算相似度参数的判决门限；步骤5：根据相似度参数的判决门限，在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集，并对待滤波像素点Sn,m进行滤波处理；步骤6：遍历SAR图像中的每一个像素，重复步骤2至5，得到SAR相干斑滤波结果图；步骤7：提取滤波后的SAR图像中已知真实地物类别的像素点，设SAR图像中各种地物类别所对应的像素点数目为Ph，h＝1,2,…,H，其中H为各种地物的类别总数；步骤8：分别从每个地物类别相应的全部Ph个像素点中随机选取a％的像素点作为训练样本，剩余的(100-a)％像素点则作为测试样本，输入各样本的上下文协方差矩阵的正对角线和上三角元素，对分类器进行训练；步骤9：输入其他未知像素点的上下文协方差矩阵的正对角线和上三角元素，使用训练好的分类器对未知像素点逐个进行分类，得到SAR图像中所有像素点的分类结果。进一步地，步骤2中构建上下文散射矢量和上下文协方差矩阵的方法是：步骤2.1：根据上下文散射矢量构建规则在以种子像素点Sn,m为核心的邻域内，在各个矢量构建方向上选取一定数量的像素点，这些像素点包含种子像素点Sn,m及其邻域像素点，各上下文散射矢量中的元素为组成上下文散射矢量的各像素的像素值，所述各个方向上的上下文散射矢量维度一致，每个上下文散射矢量中都含有种子像素点Sn,m，所有矢量构建方向上的上下文散射矢量中除种子像素点Sn,m外，其它邻域像素均不重复使用，表示种子像素点Sn,m第v个上下文散射矢量；步骤2.2：每个方向上的上下文散射矢量与自身的共轭转置相乘，得到与上下文散射矢量数量对应的上下文协方差矩阵，将得到的上下文协方差矩阵进行平均，得到种子像素点Sn,m在该构建方式下的上下文协方差矩阵，V为所构建的上下文散射矢量总数，上标为共轭转置。进一步地，所述上下文散射矢量构建规则是指上下文散射矢量的构建方向按照以种子像素点Sn,m为核心呈中心米字状和端点放射状两类，在这两类构建规则中按照上下文散射矢量选取的邻域像素点相对于种子像素点Sn,m的位置分为对称型、非对称型两类。进一步地，当构建方向为中心米字状，且各构建方向上像素点的选取为对称型时，所述上下文散射矢量表示为并需要满足下列约束条件：i1≥j1,i2≥j2,...,id≥jd(4)i1,j1；i2,j2；...；id,jd且不同时为零(5)其中：c为SAR图像的通道数，D为上下文散射矢量构建方向上选取的像素点数量，上标T表示转置，sn+i1,m+j1表示第n+i1行，第m+j1列的像素，sn+id,m+jd表示第n+id行，第m+jd列的像素，i1,i2,...id表示在像素点Sn,m的坐标(n,m)基础上行的增长值，j1,j2,...jd表示在像素点Sn,m的坐标(n,m)基础上列的增长值，channel-1、channel-c分别表示SAR图像的第1通道和第c通道，d为整数；当构建方向为中心米字状，且各构建方向上像素选取为非对称型时，上下文散射矢量表示为：并需要满足下列约束条本文档来自技高网...

【技术保护点】
1.一种用于图像处理的上下文协方差矩阵构建方法，其特征在于，包括以下步骤：步骤1：获取待分类的SAR图像；步骤2：对SAR图像中的每一个像素点Sn,m，在该像素点Sn,m的win×win邻域内构建上下文散射矢量，根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM‑(n,m)，n＝1,2,…,N，m＝1,2,…,M，N,M分别表示SAR图像的行、列像素点总数，win为大于等于3的奇数；步骤3：根据像素点Sn,m的上下文协方差矩阵CCCM‑(n,m)，计算像素点Sn,m的上下文协方差矩阵CCCM‑(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM‑(i,j)的相似度参数lnQij‑nm，得到相似度参数矩阵lnQnm‑IJ，i＝1,2,…,I，j＝1,2,…,J，I、J分别表示滑窗的行、列像素点总数，I、J为奇数；步骤4：计算相似度参数的判决门限；步骤5：根据相似度参数的判决门限，在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集，并对待滤波像素点Sn,m进行滤波处理；步骤6：遍历SAR图像中的每一个像素，重复步骤2至5，得到SAR相干斑滤波结果图；步骤7：提取滤波后的SAR图像中已知真实地物类别的像素点，设SAR图像中各种地物类别所对应的像素点数目为Ph，h＝1,2,…,H，其中H为各种地物的类别总数；步骤8：分别从每个地物类别相应的全部Ph个像素点中随机选取a％的像素点作为训练样本，剩余的(100‑a)％像素点则作为测试样本，输入各样本的上下文协方差矩阵的正对角线和上三角元素，对分类器进行训练；步骤9：输入其他未知地物类别的像素点的上下文协方差矩阵的正对角线和上三角元素，使用训练好的分类器对未知地物类别的像素点逐个进行分类，得到SAR图像中所有像素点的分类结果。...

【技术特征摘要】
1.一种用于图像处理的上下文协方差矩阵构建方法，其特征在于，包括以下步骤：步骤1：获取待分类的SAR图像；步骤2：对SAR图像中的每一个像素点Sn,m，在该像素点Sn,m的win×win邻域内构建上下文散射矢量，根据上下文散射矢量构建该像素点的上下文协方差矩阵CCCM-(n,m)，n＝1,2,…,N，m＝1,2,…,M，N,M分别表示SAR图像的行、列像素点总数，win为大于等于3的奇数；步骤3：根据像素点Sn,m的上下文协方差矩阵CCCM-(n,m)，计算像素点Sn,m的上下文协方差矩阵CCCM-(n,m)与以像素点Sn,m为中心的滑窗I×J内每个像素点的上下文协方差矩阵CCCM-(i,j)的相似度参数lnQij-nm，得到相似度参数矩阵lnQnm-IJ，i＝1,2,…,I，j＝1,2,…,J，I、J分别表示滑窗的行、列像素点总数，I、J为奇数；步骤4：计算相似度参数的判决门限；步骤5：根据相似度参数的判决门限，在以像素点Sn,m为中心的滑窗I×J内选取相似样本像素集，并对待滤波像素点Sn,m进行滤波处理；步骤6：遍历SAR图像中的每一个像素，重复步骤2至5，得到SAR相干斑滤波结果图；步骤7：提取滤波后的SAR图像中已知真实地物类别的像素点，设SAR图像中各种地物类别所对应的像素点数目为Ph，h＝1,2,…,H，其中H为各种地物的类别总数；步骤8：分别从每个地物类别相应的全部Ph个像素点中随机选取a％的像素点作为训练样本，剩余的(100-a)％像素点则作为测试样本，输入各样本的上下文协方差矩阵的正对角线和上三角元素，对分类器进行训练；步骤9：输入其他未知地物类别的像素点的上下文协方差矩阵的正对角线和上三角元素，使用训练好的分类器对未知地物类别的像素点逐个进行分类，得到SAR图像中所有像素点的分类结果。2.根据权利要求1所述的一种用于图像处理的上下文协方差矩阵构建方法，其特征在于：步骤2中构建上下文散射矢量和上下文协方差矩阵的方法是：步骤2.1：根据上下文矢量构建规则在以种子像素点Sn,m为核心的邻域内，在各个矢量构建方向上选取一定数量的像素点，这些像素点包含种子像素点Sn,m及其邻域像素点，各上下文矢量中的元素为组成上下文矢量的各像素的像素值，所述各个方向上的上下文矢量维度一致，每个上下文矢量中都含有种子像素点Sn,m，所有矢量构建方向上的上下文矢量中除种子像素点Sn,m外，其它邻域像素均不重复使用，表示种子像素点Sn,m第v个上下文矢量；步骤2.2：每个方向上的上下文矢量与自身的共轭转置相乘，得到与上下文矢量数量对应的上下文协方差矩阵，将得到的上下文协方差矩阵进行平均，得到种子像素点Sn,m在该构建方式下的上下文协方差矩阵，V为所构建的上下文矢量总数，上标为共轭转置。3.根据权利要求2所述的一种用于图像处理的上下文协方差矩阵构建方法，其特征在于：所述上下文散射矢量构建规则是指上下文散射矢量的构建方向按照以种子像素点Sn,m为核心呈中心米字状和端点放射状两类，在这两类构建规则中按照上下文散射矢量选取的邻域像素点相对于种子像素点Sn,m的位置分为对称型、非对称型两类。4.根据权利要求3所述的一种用于图像处理的上下文协方差矩阵构建方法，其特征在于：当构建方向为中心米字状，且各构建方向上像素点的选取为对称型时，所述上下文散射矢量表示为并需要满足下列约束条件：i1≥j1,i2≥j2,...,id≥jd(4)i1,j1；i2,j2；...；id,jd且不同时为零(5)其中：c为SAR图像的通道数，D为上下文散射矢量构建方向上选取的像素点数量，上标T表示转置，sn+i1,m+j1表示第n+i1行，第m+j1列的像素，sn+id,m+jd表示第n+id行，第m+jd列的像素，i1,i2,...id表示在像素点Sn,m的坐标(n,m)基础上行的增长值，j1,j2,...jd表示在像素点Sn,m的坐标(n,m)基础上列的增长值，cha...

【专利技术属性】
技术研发人员：陈思伟，曾晖，陶臣嵩，王雪松，肖顺平，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43