基于贝叶斯网络的SAR图像识别方法与流程

本发明属于图像处理技术领域，特别涉及SAR图像识别方法，可用于图像融合、配准和目标跟踪。

背景技术：

SAR是一种重要的对地观测手段，利用SAR图像进行目标识别具有非常重要的意义。典型的SAR图像识别方法是基于模板匹配的方法。该类方法中主要是先对SAR图像中的目标提取特征，例如形状特征、边界特征、灰度特征，再建立目标的模板。根据该模板，设计相似性测度用于识别目标的种类。该类方法对目标模板的依赖性较强，灵活性较差。当目标发生较大形变时，不能很好的识别目标，且该类方法识别的目标种类比较单一。

为了改进SAR图像目标识别的效果，基于统计模型的SAR图像识别方法应用而生。该类方法不仅利用了SAR图像的特征而且考虑了目标的空间上下文关系。SAR图像的特征主要用似然概率来表示，通常表示为高斯分布、伽马分布等。目标的空间上下文关系主要用先验概率来表示，通常表示为Gibbs分布和多项式逻辑斯蒂回归函数。通过将似然概率和先验概率相乘，计算SAR图像中目标的种类。由于该类方法具有比其它识别方法的优势，被广泛应用于SAR图像识别。

但是基于统计模型的SAR图像识别方法需要大量的训练数据，通过大量的训练数据获取目标的特征信息和上下文信息，实现目标识别。然而，对于SAR图像来说，获取大量的训练样本是相当困难的甚至是不可能的，因此限制了该类方法在SAR图像识别中的应用。另外，该类方法由于没有考虑SAR图像的特征和目标种类之间的因果关系，因此识别的目标种类也比较单一。

技术实现要素：

本发明的目的在于针对上述已有方法的不足，提出一种基于贝叶斯网络的SAR图像识别方法，以提升SAR图像识别的效果。

本发明的技术思路是：通过对基于统计模型的方法进行改进，改善SAR图像识别的效果，即考虑SAR图像的特征和目标种类的因果关系，在不需要训练样本的情况下，构建贝叶斯网络，其实现步骤如下：

(1)采用基于层次视觉语义和自适应邻域多项式隐模型的方法，对SAR图像进行分割，得到分割区域R＝{R_i},i∈{1,2,...,m}，m代表分割区域的总个数，R_i代表第i个分割区域；

(2)根据SAR图像的分割结果，构建图像灰度和目标种类之间的对应关系：

(2a)计算分割区域R_i内的平均灰度A_i：

其中，N_i是分割区域R_i内的像素总个数，y_s是分割区域R_i内第s个像素，s∈{1,2,...,N_i}；

(2b)根据计算的平均灰度A_i，将分割区域R_i划分成3个灰度区间，

如果平均灰度A_i∈[0,50)，则分割区域R_i是低灰度区间；

如果平均灰度A_i∈[50,175)，则分割区域R_i是中灰度区间；

如果平均灰度A_i∈[175,255]，则分割区域R_i是高灰度区间；

(2c)设低灰度区间对应的是道路、水域、湿地和阴影4种目标，中灰度区间对应的是陆地和农田2种目标，高灰度区间对应的是森林和规则的人工目标群2种目标；

(3)根据图像灰度和目标种类之间的对应关系，构建贝叶斯网络；

(3a)根据SAR图像素描模型得到SAR图像素描图；

(3b)根据SAR图像的素描图，计算分割区域R_i的特征d_i：

其中，b_j是方向为j的像素个数，j∈K，K＝{0,1,...,179}代表0度到179度共180个方向；

(3c)根据步骤(2c)和(3b)，构建贝叶斯网络的第一层为SAR图像，第二层为SAR图像的目标种类，第三层是SAR图像分割区域的特征d_i和像素总个数N_i；

(4)根据贝叶斯网络，构建分割区域的目标种类的公式：

(4a)定义分割区域R_i的目标种类z_c为：

其中，z＝{z_c},c∈{1,2,...,8}，z₁,z₂,z₃,z₄,z₅,z₆,z₇和z₈分别代表道路、水域、湿地、阴影、陆地、农田、森林和规则的人工目标群8种目标类型；

(4b)根据(4a)，获得识别分割区域R_i目标种类的公式：

其中，α为归一化的参数，p(d_i|z_c)是特征d_i的条件概率，p(N_i|z_c)是像素个数N_i的条件概率，p(z_c)为先验概率；

(5)根据(4b)中分割区域R_i目标种类的公式，分别计算分割区域R_i属于8种不同目标种类的概率，取这8个概率的最大值，最大值对应的目标种类为分割区域R_i的目标类型。

本发明与现有技术相比具有如下优点：

第一、本发明挖掘了图像本身的信息进行目标识别，不需要目标的训练样本信息，降低了SAR图像识别的难度。

第二、本发明根据图像灰度和目标种类之间的对应关系构建了贝叶斯网络，用贝叶斯网络中的低灰度区间对应道路、水域、阴影和湿地4种目标，中灰度区间对应陆地和农田2种目标，高灰度区间对应森林和规则的人工目标群2种目标，该对应关系丰富了目标的信息，提高了SAR图像识别的目标种类。

附图说明

图1是本发明的实现流程图；

图2是本发明中图像灰度与目标种类的对应关系图；

图3是本发明中的贝叶斯网络结构图；

图4是用本发明对Ku波段分辨率为1米的SAR图像识别结果图；

图5是用本发明对C波段分辨率为3米的SAR图像识别结果图。

具体实施方式

参照图1，本发明的实施步骤如下：

步骤1，采用基于层次视觉语义和自适应邻域多项式隐模型的方法，对SAR图像进行分割。

现有技术中，有多种方法可以实现SAR图像的分割，例如马尔科夫随机场MRF方法、条件随机场CRF方法、多项式隐模型方法、基于层次视觉语义和自适应邻域多项式隐模型的方法。本发明根据Fang-Liu和Yiping Duan等人于2016年发表在IEEE Transactions on Geoscience and Remote Sensing杂志上的文章《SAR image segmentation based on hierarchical visual semantic and adaptive neighborhood multinomial latent model，基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法》中所提出的模型对SAR图像进行分割。

分割结果中具有相同标记的区域为分割区域R＝{R_i},i∈{1,2,...,m}，m代表分割区域的总个数，R_i代表第i个分割区域。

步骤2，根据SAR图像的分割结果，构建图像灰度和目标种类之间的对应关系。

(2a)计算分割区域R_i内的平均灰度A_i：

其中，N_i是分割区域R_i内的像素总个数，y_s是分割区域R_i内第s个像素，s∈{1,2,...,N_i}；

(2b)根据计算的平均灰度A_i，将分割区域R_i划分成3个灰度区间，

如果平均灰度A_i∈[0,50)，则分割区域R_i是低灰度区间；

如果平均灰度A_i∈[50,175)，则分割区域R_i是中灰度区间；

如果平均灰度A_i∈[175,255]，则分割区域R_i是高灰度区间；

(2c)设低灰度区间对应的是道路、水域、湿地和阴影4种目标，中灰度区间对应的是陆地和农田2种目标，高灰度区间对应的是森林和规则的人工目标群2种目标，如图2所示。

步骤3，根据图像灰度和目标种类之间的对应关系，构建贝叶斯网络。

(3a)根据Jie-Wu和Fang-Liu等人于2014年发表在IEEE Transactions on Geoscience and Remote Sensing杂志上的文章《Local maximal homogenous region search for SAR speckle reduction with sketch-based geometrical kernel function》中所提出的模型得到SAR图像素描图；

(3b)根据SAR图像的素描图，计算分割区域R_i的特征d_i：

其中，b_j是方向为j的像素个数，j∈K，K＝{0,1,...,179}代表0度到179度共180个方向；

(3c)根据步骤(2c)和(3b)，构建第一层为SAR图像，第二层为SAR图像的目标种类，第三层是SAR图像分割区域的特征d_i和像素总个数N_i的贝叶斯网络，如图3所示。

步骤4，根据贝叶斯网络，构建分割区域的目标种类的公式。

(4a)定义分割区域R_i的目标种类z_c为：

其中，z＝{z_c},c∈{1,2,...,8}，z₁,z₂,z₃,z₄,z₅,z₆,z₇和z₈分别代表道路、水域、湿地、阴影、陆地、农田、森林和规则的人工目标群8种目标类型；

(4b)根据(4a)，获得识别分割区域R_i目标种类的公式：

其中，α为归一化的参数，p(d_i|z_c)是特征d_i的条件概率，p(N_i|z_c)是像素个数N_i的条件概率，p(z_c)为先验概率；

(4c)确定特征d_i的条件概率p(d_i|z_c)：

(4c1)根据统计100幅SAR图像中道路的特征d_i，其中90幅具有特征d_i，10幅不具有特征d_i，因此，当z_c是道路时，取p(d_i|z_c)＝0.9；

(4c2)根据统计100幅SAR图像中水域的特征d_i，其中40幅具有特征d_i，60幅不具有特征d_i，因此，当z_c是水域时，取p(d_i|z_c)＝0.4；

(4c3)根据统计100幅SAR图像中湿地的特征d_i，其中20幅具有特征d_i，80幅不具有特征d_i，因此，当z_c是湿地时，取p(d_i|z_c)＝0.2；

(4c4)根据统计100幅SAR图像中阴影的特征d_i，其中20幅具有特征d_i，80幅不具有特征d_i，因此，当z_c是阴影时，取p(d_i|z_c)＝0.2；

(4c5)根据统计100幅SAR图像中陆地的特征d_i，其中40幅具有特征d_i，60幅不具有特征d_i，因此，当z_c是陆地时，取p(d_i|z_c)＝0.4；

(4c6)根据统计100幅SAR图像中农田的特征d_i，其中80幅具有特征d_i，20幅不具有特征d_i，因此，当z_c是农田时，取p(d_i|z_c)＝0.8；

(4c7)根据统计100幅SAR图像中森林的特征d_i，其中10幅具有特征d_i，90幅不具有特征d_i，因此，当z_c是森林时，取p(d_i|z_c)＝0.1；

(4c8)根据统计100幅SAR图像中规则的人工目标群的特征d_i，其中90幅具有特征d_i，10幅不具有特征d_i，因此，当z_c是规则的人工目标群时，取p(d_i|z_c)＝0.9；

(4d)确定像素个数N_i的条件概率p(N_i|z_c)：

(4d1)根据统计100幅SAR图像中道路的像素个数N_i，其中90幅具有像素个数N_i，10幅不具有像素个数N_i，因此，当z_c是道路时，取p(N_i|z_c)＝0.9；

(4d2)根据统计100幅SAR图像中水域的像素个数N_i，其中90幅具有像素个数N_i，10幅不具有像素个数N_i，因此，当z_c是水域时，取p(N_i|z_c)＝0.9；

(4d3)根据统计100幅SAR图像中湿地的像素个数N_i，其中60幅具有像素个数N_i，40幅不具有像素个数N_i，因此，当z_c是湿地时，取p(N_i|z_c)＝0.6；

(4d4)根据统计100幅SAR图像中阴影的像素个数N_i，其中10幅具有像素个数N_i，90幅不具有像素个数N_i，因此，当z_c是阴影时，取p(N_i|z_c)＝0.1；

(4d5)根据统计100幅SAR图像中陆地的像素个数N_i，其中80幅具有像素个数N_i，20幅不具有像素个数N_i，因此，当z_c是陆地时，取p(N_i|z_c)＝0.8；

(4d6)根据统计100幅SAR图像中农田的像素个数N_i，其中80幅具有像素个数N_i，20幅不具有像素个数N_i，因此，当z_c是农田时，取p(N_i|z_c)＝0.8；

(4d7)根据统计100幅SAR图像中森林的像素个数N_i，其中90幅具有像素个数N_i，10幅不具有像素个数N_i，因此，当z_c是森林时，取p(N_i|z_c)＝0.9；

(4d8)根据统计100幅SAR图像中规则的人工目标群的像素个数N_i，其中90幅具有像素个数N_i，10幅不具有像素个数N_i，因此，当z_c是规则的人工目标群时，取p(N_i|z_c)＝0.9；

(4e)确定先验概率p(z_c)：

(4e1)根据统计100幅SAR图像，其中25幅包含道路，因此，当z_c是道路时，取p(z_c)＝0.25；

(4e2)根据统计100幅SAR图像，其中25幅包含水域，因此，当z_c是水域时，取p(z_c)＝0.25；

(4e3)根据统计100幅SAR图像，其中25幅包含湿地，因此，当z_c是湿地时，取p(z_c)＝0.25；

(4e4)根据统计100幅SAR图像，其中25幅包含阴影，因此，当z_c是阴影时，取p(z_c)＝0.25；

(4e5)根据统计100幅SAR图像，其中50幅包含农田，因此，当z_c是农田时，取p(z_c)＝0.5；

(4e6)根据统计100幅SAR图像，其中50幅包含陆地，因此，当z_c是陆地时，取p(z_c)＝0.5；

(4e7)根据统计100幅SAR图像，其中50幅包含森林，因此，当z_c是森林时，取p(z_c)＝0.5；

(4e7)根据统计100幅SAR图像，其中50幅包含规则的人工目标群，因此，当z_c是规则的人工目标群时，取p(z_c)＝0.5；

(4f)根据上述得到的特征d_i的条件概率p(d_i|z_c)，像素个数N_i的条件概率p(N_i|z_c)，先验概率p(z_c)，计算归一化参数α：

其中，p(～z_c)是与p(z_c)互补的概率，p(～z_c)＝1-p(z_c)；p(d_i)是特征d_i出现的概率，根据一幅SAR图像其具有特征d_i和不具有特征d_i的概率相等的特性，取p(d_i)＝0.5；p(N_i)是像素个数N_i出现的概率，根据一幅SAR图像其具有像素个数N_i和不具有像素个数N_i概率相等的特性，取p(N_i)＝0.5。

步骤5，根据步骤4，得到SAR图像的最终识别结果。

对每个分割区域R_i，分别计算该分割区域属于8种目标种类的概率：

分割区域R_i属于道路z₁的概率p(z₁|d_iN_i)；

分割区域R_i属于水域z₂的概率p(z₂|d_iN_i)；

分割区域R_i属于湿地z₃的概率p(z₃|d_iN_i)；

分割区域R_i属于阴影z₄的概率p(z₄|d_iN_i)；

分割区域R_i属于陆地z₅的概率p(z₅|d_iN_i)；

分割区域R_i属于农田z₆的概率p(z₆|d_iN_i)；

分割区域R_i属于森林z₇的概率p(z₇|d_iN_i)；

分割区域R_i属于规则的人工目标群z₈的概率p(z₈|d_iN_i)；

取这8个概率的最大值，最大值对应的目标种类为分割区域R_i的目标种类。例如，最大值为分割区域R_i属于道路z₁的概率p(z₁|d_iN_i)，则分割区域R_i的目标种类为道路。

本发明的效果由以下仿真的数据和图像进一步说明。

1.仿真条件

本发明仿真的硬件条件为：智能感知与图像理解实验室图形工作站；

本发明仿真所使用的SAR图像为：Ku波段分辨率为1米的SAR图像和C波段分辨率为3米的SAR图像。

2.仿真内容与结果

仿真1：用本发明对Ku波段分辨率为1米的SAR图像进行识别，结果如图4，其中图4(a)为Ku波段分辨率为1米的原始SAR图像，图4(b)为SAR图像识别结果图。

仿真2：用本发明对C波段分辨率为3米的SAR图像进行识别，结果如图5，其中图5(a)为C波段分辨率为3米的原始SAR图像，图5(b)为SAR图像识别结果图。

从图4(b)可以看出，本发明识别出了湿地、陆地、森林和规则的人工目标群。

从图5(b)可以看出，本发明识别出了陆地、道路和规则的人工目标群。

综上，本发明不需要训练样本且识别的目标种类较多，提高了图像识别的效果。