基于深层特征学习和分水岭的sar图像分类的制作方法

基于深层特征学习和分水岭的sar图像分类的制作方法
【技术领域】
[0001] 本发明属于图像处理领域，特别是一种涉及SAR图像分类的方法，可应用于目标 识别。
【背景技术】
[0002] 合成孔径雷达（SAR)是一种全天时，全天候对地球进行探测和侦察的高分辨微波 成像雷达。SAR能有效识别伪装和穿透掩盖物，因此在遥感测绘、军事侦察、抗震救灾等军事 和民用领域得到了广泛应用。SAR图像具有丰富的纹理信息、较强的乘性相干斑噪声等特 点。在SAR图像的成像过程中，不同的地物有不同的后向反射和散射特性，从而呈现不同 的纹理，因此SAR图像中常常会包含有丰富的纹理信息。另一方面，由于SAR采用的是相干 成像体制，使得成像后的SAR图像不可避免的受到相干斑噪声的影响，从而隐藏或减弱SAR 图像中的精细结构，为SAR图像的理解与解译带来困难甚至错判。SAR图像分类是SAR图像 解译中基本而关键的技术之一，因此SAR图像分类技术研宄是一个具有非常大的研宄价值 的挑战性课题。
[0003] 目前SAR图像分类技术发展状况可归纳如下：
[0004] 基于模型驱动的分类方法。需要对SAR图像数据进行数学建模。主要包括概率统 计分布模型和马尔可夫随机场模型，以及优化模型等。SAR强度图像的统计特性通常被建 模为Gamma概率分布，但Gamma分布只符合分辨率较低时大部分自然场景的统计特性，随着 SAR图像分辨率的提高，SAR图像的统计特性不在完全符合Gamma分布。目前已有许多不同 的统计模型应用于SAR图像，如经验分布模型：Weibull分布，Fisher分布等；基于SAR图 像乘积模型的统计分布模型：k分布，Beta分布，Gaussian分布等。目前基于马尔可夫场的 SAR图像分类方法中广泛应用由SAR图像乘积模型发展而来的概率统计分布模型。但是，所 有的统计模型只能够描述具有简单内容，场景类型较少的区域。对于具有复杂内容，场景类 型较多的大尺度SAR图像，使用较少参数的统计模型来描述整幅图像是不可行的。
[0005] 基于数据驱动的分类方法。直接利用SAR图像灰度，纹理等信息进行分类处理。目 前已经存在许多不同的SAR图像分类方法，例如边缘检测方法、基于区域的方法、聚类方法 等。特征提取和表示是SAR图像分类技术一个至关重要的步骤。目前SAR图像的纹理特征 表示方法主要包括灰度共生矩阵（GLCM)、Gabor滤波、马尔可夫特征等。虽然Gabor滤波能 够提取SAR图像不同频率，不同方向的特征，但由灰度共生矩阵计算的熵，相关性等统计特 征能够更好的分类SAR图像。因此产生了将Gabor滤波和灰度特征进行融合，原因是Gabor 能够捕获低频纹理信息，GLCM和高频带响应相关。但特征融合的同时使得特征向量的维度 过高，并且由于特征内部具有很强的互相关性，因此分类正确率仅有些许提高。
[0006] 挖掘中层特征的图像分类方法。近年来，基于视觉词袋模型的分类方法得到 了广泛关注。该方法将局部特征量化为基于区域的直方图特征，并将其作为中层特征 进行分类。Sheng Xu等人将经典的词袋模型应用到了航空图像分类中，分类效果由 于基于低层特征的分类方法，参见Sheng Xu, Tao Fang. Object classification of aerial images with bag-〇f-visual words,IEEE Geoscience and Remote Sensing Letters，2010,7(2) :366-370。随后，Jie Feng等人对词袋模型做出了改进，将该方法推 广到了 SAR图像分类中，提出了基于克隆选择算法的视觉词袋模型，参见Jie Feng and L. C. Jiao. Bag-〇f-Visual-ffords Based on Clonal Selection Algorithm for SAR Image Classification, 2011:691-695。该方法从优化的角度构建了更加适于分类的视觉单词，分 类效果得到了明显提升。
[0007] 随着视觉词袋模型的发展与不断改进，图像分类正确率的仅能得到些许改进。并 且由于SAR图像的分类是面向单幅图像的场景分类，应用词袋模型需首先对图像进行初始 过分割，使得最终分类结果对初始分割算法非常敏感，初始分割能否保持保持SAR图像的 边缘和细节信息等直接影响到最终的分类效果。另一方面，视觉单词的构建是整个分类过 程至关重要的一步，应用最广泛的k均值聚类算法受初始化影响严重，一旦初始值选择不 好，可能无法得到有效的聚类中心，从而使词袋中的每个单词缺乏代表性。

【发明内容】

[0008] 本发明意在解决现有挖掘中层特征的SAR图像分类技术的缺陷，提出了一种基于 深度学习和分水岭的SAR图像分类方法。利用局部特征的卷积特性和稀疏自编码器来挖 掘SAR图像潜在的本质特性，并融合改进的分水岭算法，从而提高边缘分辨精度和区域一 致性。
[0009] 实现本发明的技术方案是：应用新颖的KSVD字典与低层特征的卷积特性，挖掘低 层特征的潜在属性，然后利用稀疏自编码器挖掘高层特性，增强特征之间的对比度，同时结 合改进的分水岭的算法，有效克服了原有基于中层特征分类方法分类不精确的缺陷。其具 体实现过程如下：
[0010] (1)对输入的SAR图像进行分水岭过分割，得到分割类标L = IL1, L2, ...，LM}，其 中M值为分水岭分割的总块数，Lni为第m个子块类标，m e [1，M];
[0011] (2)对输入的SAR图像进行加窗傅里叶（Gabor)变换得到低层特征F1= [I 1; I2;... ;IN]，其中N表示输入的SAR图像中的像素个数，1"表示每个像素点提取的特征向 量，n e [1，N];
[0012] (3)分别对输入的SAR图像中每类场景中的像素点的Gabor特征向量进行随机采 样，得到训练样本Y= [Y1;Y2;... ;YJ，然后对1进行奇异值分解（KSVD)，得到的聚类中心 作为字典D = [D1, D2, ···，DJ，其中Y。为采样得到的第c类场景的Gabor特征，D k表示对Y 进行KSVD聚类后得到的第k个聚类中心，C表示输入的SAR图像中的场景类别数，K表示 KSVD中的聚类中心数，K的取值远大于图像中的场景类别数C，ce [l，C]，ke [l，K];
[0013] (4)将Gabor变换得到低层特征中每个像素点提取的特征向量In与字典D中每 个聚类中心Dk进行卷积，然后再应用最大值池化进行降维，得到的卷积特征F 2作为中层特 征；
[0014] (5)将卷积特征匕输入到稀疏自编码器中，得到编码系数^= [S1iS2^mSh]然 后将卷积特征F2与编码系数W i相乘，得到深层特征F 3，其中Sh为每个隐藏层结点的编码系 数，H为隐藏层结点个数，he [1，H]。
[0015] (6)将F3输入到支持矢量机（SVM)中进行分类，获得分类结果R1，共分为C类场 景；
[0016] (7)在分水岭过分割结果的分割类标L的每个子块类标Lm位置对R 1进行投票，统 计札在L m位置出现次数最多的场景值c，并将L m位置全部更新为该场景值c，从而得到最 终分类结果。
[0017] 本发明与现有技术相比具有以下优点：
[0018] 1、本发明采用KSVD训练字典，该算法是对原有K-means算法的扩展，能够最大化 发挥每个字典原子自身的作用；
[0019] 2、本发明将低层特征与字典进行卷积，充分挖掘低层特征的本质属性；
[0020] 3、本发明采用稀疏自编码器挖掘高层的抽象特征，能够强化每个像素点的特征， 提高不同场景之间的对比度，增强了算法的鲁棒性；
[0021] 4、本发明将深度的分类结果在改进的分水岭分割结果中进行统计，使得本发明能 够有效分类具有不同纹理大小的场景，提高区域一致性；
[0022] 5、仿