一种基于条件随机场模型的ＳＡＲ图像监督分类方法技术

本发明专利技术提出了一种基于条件随机场模型的ＳＡＲ图像分类方法，包括了将图像过分割成多个区域，将多个区域描述成一个区域邻接图（ＲＡＧ），然后建立条件随机场（ＣＲＦ）模型。采用Ｍａｘ－ｍａｒｇｉｎ算法进行参数学习和ＧｒａｐｈＣｕｔ算法进行优化推理。采用本发明专利技术的方法进行ＳＡＲ图像分类，可以结合更多、更复杂的ＳＡＲ图像特征和合适的图像上下文间的关系，从而获得更加鲁班的分类结果。而且区域邻接图的建立使得我们的模型无论是在训练还是测试上都具有较快的速度优势，因而适合大尺度ＳＡＲ图像的分类。

【技术实现步骤摘要】

本专利技术属于图像处理领域，特别涉及用于SAR图像监督分类，是一种基于条件随 机场模型的SAR图像监督分类方法。
技术介绍
随着SAR图像数量和图像分辨率的提高，传统的基于像素级的处理已经无法胜任 SAR图像高层解译的需求。这主要是因为随着分辨率的提高，SAR图像中已经包含了丰富的 结构和纹理信息，而且这些结构和纹理信息带有很强的上下文信息，如街道和房屋经常出 现在一起，桥梁和河流也经常出现在一起等。这些信息在基于像素级的处理中是很难被挖 掘和利用的。另外，像素级别的处理往往导致需要处理的基本单元过多，这大大影响了图像 分类的效率。传统的统计模型虽然适合描述均质区域，如水域和耕地等，但在描述复杂的场 景模型时是不够的。
技术实现思路
本专利技术目的在于提供一种基于条件随机场模型的SAR图像监督分类方法，该方法 能够很好地结合SAR图像的多种特征，且训练、推理速度快，分类精度高。本专利技术提供的基于条件随机场模型的SAR图像监督分类方法包括以下具体步骤步骤1、建立区域连接图的条件随机场模型，实现方式为首先将图像过分割成多个 区域，将每个区域看成一个节点，从而得到一个区域邻接图，并建立基于区域邻接图的条件 随机场模型；步骤2、参数学习，实现方式为将条件随机场模型的参数问题看成找到一组模型参 数，使得真实标号产生的概率大于其它任意标号产生的概率，从而得到真实标号的能量要 小于或等于任意其它标号的能量，求解条件随机场模型的参数问题从而学习训练出分类模 型；步骤3、优化推理，实现方式为基于步骤2训练出的分类模型进行标号的推理，从 而得到一个新数据的标号，即使得标号的后验概率最大。而且，步骤1中，采用MeanShift算法实现将图像过分割成多个区域。而且，步骤2中，基于最大化间隔思想，引入间隔参数，采用Max-margin算法实现 求解条件随机场模型的参数问题。而且，步骤3中，采用GraphCut算法进行标号的优化推理。本专利技术提供一种基于条件随机场(Conditional Random Fileds，CRF)模型的监 督分类方法，该模型时建立在区域图像基础上的，先对图像进行过分割，得到一个区域邻接 图(RegionAdjacency Graph, RAG)，然后建立区域邻接图的条件随机场模型(CRF-RAG)。 CRF-RAG模型可以有效的将灰度信息，纹理信息和图像上下文信息综合在一起，并且相比于 像素级CRF模型，CRF-RAG模型无论是在学习速度上还是在推理速度上都具有明显的优势。 本专利技术提出的SAR图像监督分类方法，相比现存的SAR图像分类方法，不仅能结合更多更复杂的图像特征，从而获得更鲁棒的分类结果，而其训练和推理速度快，能够适应于大规模 SAR图像分类应用。相关的技术在该领域尚未出现。附图说明图1为实施例中过分割区域得到的区域邻接图；图2为实施例中CRF-RAG模型区域节点上的特征表示；图3为实施例中CRF-RAG模型的邻域系统。具体实施例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，实施例包括步骤如下步骤1、建立区域连接图的条件随机场模型首先将图像过分割成多个区域，具体实施时可采用现有MeanShift算法实现，本 专利技术不予赘述。假设图像被过分割成Q个区域，记为S= {S1;S2…，SQ}，对应的标号集为X= (Xi, ie (1,2,…，Q)}，其中Xi对应的取值为L= {1,2,…，K}，L为离散符号集。则X的所有 可能的标号状态(即解空间)有Lq个。区域邻接图G = (S，E)则是建立在这些过分割区 域上的，每个区域S当做一个节点，E代表连接区域的边，也就是区域和区域之间的约束关 系(描述上下文信息)，实施例的区域邻接图如图1所示。节点上的类别概率P(Xi = Xi), Xi e L，可以通过回归分类器模型来获得，如图1(b)所示，其中化…而表示特征的加权系 数，Σ表示求和，F表示分类器函数，这里用的是逻辑回归函数。CRF-RAG模型的系统定义 为N= {Nd i e (1,2,…，Q)}，其中N(Si)是区域Si的邻域系统，如图3所示，其中条 件随机场二元项模型参数分别标识为βρ β2、β3、β4、β5、β6。邻域系统中边概率P(Xi = Xi, Xj = XjO5Si e N(Si)的计算依赖于区域二元项的特 征。假设X满足马尔科夫特性，则随机场X的发生概率可以描述为「00201P、 ~ γ “ — c.“~~ ‘‘ ~ ~■ ■— ^ ‘ - ~‘ “ — , - - .'s - > ι其中Z为归一化常数，V1和V2分别为一元能量项和二元能量项。具体来讲，在SAR图像分类中，我们的任务是在给定SAR图像的灰度分布特性，纹 理特征，以及SAR图像的上下文信息的情况下来估计SAR图像标号X的发生概率并给出最 优情况。具体定义如下本文档来自技高网...

【技术保护点】
一种基于条件随机场模型的ＳＡＲ图像监督分类方法，其特征是：包括以下步骤，步骤１、建立区域连接图的条件随机场模型，实现方式为首先将图像过分割成多个区域，将每个区域看成一个节点，从而得到一个区域邻接图，并建立基于区域邻接图的条件随机场模型；步骤２、参数学习，实现方式为将条件随机场模型的参数问题看成找到一组模型参数，使得真实标号产生的概率大于其它任意标号产生的概率，从而得到真实标号的能量要小于或等于任意其它标号的能量，求解条件随机场模型的参数问题从而学习训练出分类模型；步骤３、优化推理，实现方式为基于步骤２训练出的分类模型进行标号的推理，从而得到一个新数据的标号，即使得标号的后验概率最大。

【技术特征摘要】
一种基于条件随机场模型的SAR图像监督分类方法，其特征是包括以下步骤，步骤1、建立区域连接图的条件随机场模型，实现方式为首先将图像过分割成多个区域，将每个区域看成一个节点，从而得到一个区域邻接图，并建立基于区域邻接图的条件随机场模型；步骤2、参数学习，实现方式为将条件随机场模型的参数问题看成找到一组模型参数，使得真实标号产生的概率大于其它任意标号产生的概率，从而得到真实标号的能量要小于或等于任意其它标号的能量，求解条件随机场模型的参数问题从而学习训练出分类模型；步骤3、优化推理，实现方式为...

【专利技术属性】
技术研发人员：杨文，代登信，
申请(专利权)人：武汉大学，
类型：发明
国别省市：83[中国|武汉]