基于局域标准差的自适应SAR图像分类方法技术

基于局域标准差的自适应ＳＡＲ图像分类方法：（１）根据原始数据计算图像某点（ｉ，ｊ）邻域的局域标准差ｓ（ｉ，ｊ）；（２）用局域标准差对ＧＬＣＭ计算窗口进行自适应选择，具体过程为：设定ｓ的阈值ｓ↓［ｔｈ］，判断某点ｓ（ｉ，ｊ）是否大于阈值ｓ↓［ｔｈ］，如果大于阈值，则此点ＧＬＣＭ的计算选择大尺寸的窗口；如果小于阈值，此点ＧＬＣＭ的计算选择小尺寸的窗口；（３）设定ＧＬＣＭ的其它参数，依照某点所选窗口的大小计算该点的ＧＬＣＭ；（４）从ＧＬＣＭ中提取特征量，组成特征矢量，并采用ｃ均值聚类算法对特征矢量进行分类。本发明专利技术提高了较大的军事目标的分类精度。

【技术实现步骤摘要】

本专利技术属于图像处理领域，更具体地说涉及基于局域标准差的自适应SAR (Synthetic Aperture Radar，简写为SAR)图像分类方法。
技术介绍
SAR是一种高分辨微波成像雷达，它具有全天侯、全天时工作的能力，并且能够穿 透一定深度的天然植被、人工伪装物和地表土壤等，因此倍受人们关注。i着SAR图像 获取系统的日渐增多，迫切需要快速发展SAR图像应用技术。SAR图像分类是进一步理 解和解释SAR图像的关键技术，在军事和民用方面都有重要的应用价值和现实意义。分 类的任务是通过对各类目标的特征分析来选择特征参数，将特征空间划分为互不重叠的 子空间，然后将图像内各个像元划分到各个子空间中去，在军用方面主要为目标分类。 纹理反映了图像局部不规则但宏观有规律的特性。SAR图像中含有丰富的纹理信息，因 此纹理分析在SAR图像分类中得到了广泛的应用。常用的纹理分析方法主要可分为统计分析方法和结构分析方法。统计方法主要从图 像有关属性的统计分析出发；结构分析方法寻找纹理基元，然后再从结构组成上探索纹 理的规律。二种方法的选择取决于纹理的类型。统计方法是目前研究较多、较为成熟的 方法，在纹理分析领域占主导地位，实际中常用的纹理描述方法有灰度共生矩阵、基于 小波等变换的纹理描述、分形维数等。SAR图像分类可以根据是否有先验知识分为监督 分类和非监督分类。非监督分类较为常用的是C均值聚类算法、模糊C均值聚类算法。 灰度共生矩阵(Gray- Level Co-occurrence Matrix——GLCM)是经典的纹理提取 方法。它的归一化形式描述在e方向上，相隔"像元距离的一对像元分别具有灰度层z'和 J的出现概率。计算GLCM首先需要确定参数，这些参数包括图像量化级数Z (即/， y 的取值范围)、窗口大小『、窗口内像素距离"和方向角P。这其中除了『之外的参数 选择较为容易，且对分类影响较小，但是w选取的不同导致的分类效果差异最大。大尺 度的窗口虽然可以消除背景和其它地物对目标分类的影响，但却严重损害了目标特性， 小尺寸则相反，在保留目标细节的同时其它地物的干扰比较大。传统的选取固定窗口的 方法无法解决这一矛盾。
技术实现思路
本专利技术的技术解决问题克服现存技术的不足，提出了一种基于局域标准差的自适 应SAR图像分类方法，该方法有效的解决了固定窗口带来的矛盾，达到更好的目标分类 效果，提高了分类精度。本专利技术的技术解决方案基于局域标准差的自适应SAR图像分类方法，其特点在于 步骤如下(1) 根据原始数据计算图像某点(J'，力邻域的局域标准差J(/,/);(2) 采用步骤(1)中计算的局域标准差S(/J),对基于灰度共生矩阵GLCM计算 窗口进行自适应选择，自适应选择过程为设定局域标准差^(/，y)的阈值^，判断某 点S(/，/)是否大于阈值^，如果大于阈值，则此点GLCM的计算选择大尺寸20X20以上 的窗口如果小于阈值，此点GLCM的计算选择小尺寸11X11以下的窗口；(3) 设定GLCM的其它参数，包括图像量化级数Z，即图像灰度的上限、窗口内像素 距离^和方向角e，依照某点所选窗口的大小计算该点的GLCM;(4) 从GLCM中提取特征量，组成特征矢量，并釆用c均值聚类算法对特征矢量进 行分类。所述的步骤(4)的从GLCM中提取特征量，组成特征矢量，并采用c均值聚类算法 对特征矢量进行分类过程如下(a) 对每点的灰度共生矩阵提取出二阶矩、对比度、相关度、熵4个特征量并组成 特征矢量；(b) 采用c均值聚类算法对所述的特征矢量进行分类。 本专利技术与现有技术相比的优点在于(1) 本专利技术考虑到灰度共生矩阵计算时窗口大小选取的不同导致的分类效果差异最 大，而传统方法选择固定尺度的窗口，这就带来了必然的矛盾大尺度的窗口虽然可以 消除背景和其它地物对目标分类的影响，但却严重损害了目标特性，小尺寸则相反，在 保留目标细节的同时其它地物的干扰比较大。为了消除这一影响，引入了一阶统计量(局 域标准差)对GLCM窗口进行了自适应的选择。局域标准差反映了数据分布差异的大小， 将它选取适当的阈值分割后可以一定程度上区分SAR图像中某些灰度对比度比较大的非 目标区域(如居民区)，并在这些区域中采用大尺寸的窗口计算GLCM以消除其对目标分 类的影响；而在其它区域选取小尺寸的窗口以保留其中所含目标的细节。通过这样自适 应的选择窗口大小就可以达到更好的目标分类的效果。(2) 与传统固定窗口的GLCM计算相比，在基本保持了目标特性的前提下，减少了背景和其它地物对分类效果的影响，有效的提高了分类精度。 附图说明图l为本专利技术方法的流程图2a为原始SAR图像；图2b为采用本专利技术方法得到的分类结果；图2c为采用传统固定窗口计算灰度共生矩阵的分类结果；图3为局域标准差阈值分割后的结果图。 具体实施例方式如图1所示，本专利技术的具体步骤如下' (1)根据原始数据计算图像某点(Z',力邻域的局域标准差S(/，/)，这里邻域选取的 是11X11大小的邻域。局域标准差定义式为其中 为某点邻域内各点数据，J^为邻域均值，/7为参与计算的点数(2)设定S(/，力的阈值^，判断某点…'，力是否大于阈值&，如果大于阈值，则此点灰度共生矩阵GLCM的计算选择大尺寸的窗口；如果小于阈值，此点GLCM的计算选 择小尺寸的窗口。这里大尺寸为31X31，小尺寸取11X11，阈值&选取为S(/,力最大 值的选取范围可以为0.5—0.6倍，本实施例选取0.55倍，因为此时可以较好的分辨出对分类效果影响较大的居民区。(3) 设定GLCM的其它参数量化级数Z—般取16，即为了兼顾计算时间和分类 效果，图像一般进行16级量化后计算GLCM;窗口内像素距离"-l，已有学者用公式推 导证明此时更有利于得到更好的分类效果,其他学者大量的实验也说明了这一点。当纹 理为非规则纹理时，方向性因素影响小，此时可以只选择方向角为O度进行计算。窗口 大小己选好，接着逐点计算GLCM，即图像中每一个点都对应一个GLCM，其元素记为 P(/,力，/、；e。(4) 从GLCM中提取特征量，组成特征矢量，对每点的灰度共生矩阵提取出二阶矩、 对比度、相关度、熵4个特征量并组成特征矢量，并采用c均值聚类算法对所述的特征 矢量进行非监督分类。从GLCM中提取出的特征量有4个，特征量间的相关系数越小， 说明它们所包含的信息内容差别越大，冗余量越小。在图像分类过程中，往往选择信息冗余度小的特征参与分类，以便于得到较好的分类效果并能枏应减少计算量。 一般若地 物种类不多，可以不经过特征选择而直接选用几个相关性较小的特征量进行分类。 一般 选取以下4个二阶矩(a5"劝=;;{^(/，力}2，体现了灰度分布的一致性程度对比度Cb/7Z^"(C0/J) =;;(/-力2尸(/，力，是纹理粗细度的反映。相关<^re7s"o/7(Cor)=;;(/-//,)C/-A)尸(OVo^，是灰度之间相关性的度量，像素之间存在线性关系时较大。其中a=》'2;尸(,'，_/)，^ ，'- 乂. y 'a=!>'-a)2I>("),ov =I]c/-a)2I>("')熵i^r收K&t本文档来自技高网...

【技术保护点】
基于局域标准差的自适应ＳＡＲ图像分类方法，其特征在于步骤如下：（１）根据原始数据计算图像某点（ｉ，ｊ）邻域的局域标准差ｓ（ｉ，ｊ）；（２）采用步骤（１）中计算的局域标准差ｓ（ｉ，ｊ），对基于灰度共生矩阵ＧＬＣＭ计算窗口进行自适应选择，自适 应选择过程为：设定局域标准差ｓ（ｉ，ｊ）的阈值ｓ↓［ｔｈ］，判断某点ｓ（ｉ，ｊ）是否大于阈值ｓ↓［ｔｈ］，如果大于阈值，则此点ＧＬＣＭ的计算选择大尺寸２０×２０以上的窗口；如果小于阈值，此点ＧＬＣＭ的计算选择小尺寸１１×１１以下的窗口；（ ３）设定ＧＬＣＭ的其它参数，包括图像量化级数Ｌ，即图像灰度的上限、窗口内像素距离ｄ和方向角θ，依照某点所选窗口的大小计算该点的ＧＬＣＭ；（４）从ＧＬＣＭ中提取特征量，组成特征矢量，并采用ｃ均值聚类算法对特征矢量进行分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：徐华平，高砚军，周荫清，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]