1.一种基于分层语义的SAR图像分类方法,其特征在于:包括以下步骤,
步骤1,进行多尺度分割,得到不同精度的分割图;
步骤2,构建区域金字塔,包括将步骤1中生成的不同精度的分割图组合生成区域金字塔,其中从顶层到低层依次对应从粗到精细的分割图;
步骤3,CRF空间关联建模,包括对于步骤2中建立的区域金字塔,利用CRF建立该金字塔的每一层中区域间的空间关系;所述CRF为条件随机场;
步骤4,BN因果性建模,包括将区域金字塔相邻层间的因果联系通过BN进行建模,将区域金字塔层内的因果性通过BN进行建模,形成语义金字塔;所述BN为贝叶斯网络;
步骤5,统一推理,包括联合步骤3和4所得结果,将联合概率表示为统一的因子图,将图像分类过程等价于推理最优状态,将推理结果作为图像分类结果。
2.根据权利要求1所述基于分层语义的SAR图像分类方法,其特征在于:步骤3的实现方式如下,
设输入图像经过分割后表示为超像素集X,记为X={x1,x2,…,xM},其中为第m个超像素点,M为超像素集X中超像素点的数量,记y={y1,y2,…,yM}为超像素集X对应的标签,yi为第i个超像素点的分类标签,i=1,2,...m,则条件概率P(y|φ(X))表示为
式中,φ(·)表示特征函数,用于将原始数据映射到特征空间中,Ai(·)为单元势函数,Iij(·)为成对势函数,μ(·)用于描述邻域块间的关系,表示超像素块i的邻域,j用于标识邻域内第j个超像素块;Z(X)为归一化函数。
3.根据权利要求2所述基于分层语义的SAR图像分类方法,其特征在于:引入边界先验知识,该先验知识指像素点p到边界Ω处的距离d
d=dist(p,Ω)=||p-p'||2
式中,p'是边界Ω上与点p最近的点,当边界两侧区域具有相同标签时,该距离越大,则相邻区域间的相关性越弱。
4.根据权利要求2或3所述基于分层语义的SAR图像分类方法,其特征在于:步骤4中,所述区域金字塔相邻层间的因果联系,是指金字塔下层子区域基于其上层父母区域的分类条件概率,该分类条件概率通过步骤3中CRF的分类结果统计获得;所述区域金字塔层内的因果性,是指指区域、边界和顶点间的因果关系;其中,边界由两个具有不同类别的区域相交形成,而顶点由边界相交产生;
记y,e,v分别表示所有区域、边界和定点的集合,图像分类过程等价于推理y,e,v的最优状态y*,e*,v*,设PBN(y,e,v)为基于区域金字塔相邻层间的因果联系和层内的因果性的联合概率。
5.根据权利要求4所述基于分层语义的SAR图像分类方法,其特征在于:步骤5的实现方式如下,
记联合概率密度为P(y,e,v,x),由图模型的全局马尔科夫性,做如下分解
P(y,e,v,x)=PBN(y,e,v)·P(y|φ(x))·P(x)
其中,P(x)为常数,表示图像数据本身的先验概率;
图像分类过程等价于推理最优状态y*,e*,v*,表示如下
根据上式,通过随机局部搜索进行推理,推理结果即为图像分类结果。