基于分层语义的SAR图像分类方法与流程

技术特征：

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,…,x_M}，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,…,y_M}为超像素集X对应的标签，y_i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，A_i(·)为单元势函数，I_ij(·)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P_BN(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)＝P_BN(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

$y^{*},e^{*},v^{*}=\arg \underset{y,e,v}{max}P(y,e,v,x)$

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。