一種針對(duì)高分辨率sar圖像地物類型提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及高分辨率SAR圖像處理領(lǐng)域，尤其涉及一種基于局部模式的地物類型 提取方法。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)（SAR)是一種高分辨率成像雷達(dá)，具有全天候、全天時(shí)數(shù)據(jù)獲取能 力及對(duì)地物的穿透能力。SAR在地形測(cè)繪和制圖、地質(zhì)普查、災(zāi)情預(yù)報(bào)、海洋應(yīng)用、軍事偵察、 科學(xué)研究等領(lǐng)域都具有深入的研究和廣闊的應(yīng)用。
[0003] 地物類型提取的主要任務(wù)是確定地物類型的位置、形狀、實(shí)現(xiàn)地物類型與圖像背 景的分離。隨著圖像信息的爆炸性增長(zhǎng)，地物類型提取的難點(diǎn)主要有：（1)圖像場(chǎng)景越來(lái)越 復(fù)雜，需處理的數(shù)據(jù)量越來(lái)越大；（2)隨著分辨率的提高，紋理信息更復(fù)雜以及場(chǎng)景倍增， 影響檢測(cè)結(jié)果的精確性。同時(shí)，如果對(duì)圖像所有像素進(jìn)行處理，運(yùn)算速度也會(huì)受到影響。
[0004] 由于高分辨率SAR圖像地物特征明顯、空間信息豐富等特點(diǎn)，使得傳統(tǒng)基于像素 的圖像分類方法會(huì)帶來(lái)分類結(jié)果的模糊性和不確定性，而且它未考慮像素間的空間組織關(guān) 系，從而使得基于像素的方法不適合處理大數(shù)據(jù)量高分辨率SAR圖像分類識(shí)別問(wèn)題。而基 于區(qū)域的圖像處理方法如基于局部模式的方法，能有效降低遙感圖像后續(xù)處理任務(wù)復(fù)雜 度。通過(guò)利用像素空間相關(guān)性，提高分類的確定性和準(zhǔn)確性。
[0005] 目前的SAR圖像中針對(duì)地物類型的處理方式一般都是分類，并沒有專門針對(duì)地物 類型提取的研究。因此，本發(fā)明提出了一種基于局部模式的地物類型提取方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供了一種針對(duì)高分辨率SAR圖像地物類型提取方法，以解決現(xiàn)有基于像 素的地物類型提取的耗時(shí)大、虛警高及精度低的問(wèn)題。
[0007]本發(fā)明的基本思路是：對(duì)原始圖像進(jìn)行重疊分塊，獲取多個(gè)局部模式；對(duì)所述局 部模式進(jìn)行基于地貌內(nèi)容的分類，提取包含特定地物類型的局部模式；對(duì)所述包含特定地 物類型的局部模式進(jìn)行特定地物類型檢測(cè)；將經(jīng)過(guò)檢測(cè)的局部模式拼接回原始圖像，獲得 特定地物類型的檢測(cè)結(jié)果。
[0008]本發(fā)明的具體技術(shù)方案如下，一種針對(duì)高分辨率SAR圖像地物類型提取方法：
[0009] 步驟1 :將原始圖像按照不同的劃分位置進(jìn)行多次分塊，獲得若干局部圖像塊，將 多次劃分獲得的所有局部圖像塊稱為局部圖像集；
[0010] 步驟2 :獲取金字塔匹配核；
[0011] 步驟2. 1 :提取每個(gè)局部圖像塊的SIFT特征，并對(duì)所有局部圖像塊的SIFT特征點(diǎn) 進(jìn)行Kmeans聚類，獲得若干聚類中心；
[0012] 步驟2.2 :統(tǒng)計(jì)局部圖像塊的BoW直方圖；再將局部圖像塊均分為4個(gè)單元，統(tǒng)計(jì) 每個(gè)單元的BoW直方圖；再將局部圖像塊均分為16個(gè)單元，統(tǒng)計(jì)每個(gè)單元的BoW直方圖，將 該統(tǒng)計(jì)結(jié)果稱為金字塔模型；
[0013] 步驟2. 3:將局部圖像集中的局部圖像塊按照排列的方式進(jìn)行兩兩分組，獲取這 每組中的局部圖像塊的在三種不同的劃分情況下的各單元的BoW直方圖交集，獲得金字塔 相交核；
1表示第1層的序號(hào)，獲得匹配核；
[0015] 步驟3:獲得每個(gè)局部圖像塊的空間共現(xiàn)核；
[0016] 步驟3. 1:按照步驟2. 2的方法對(duì)每個(gè)局部圖像塊進(jìn)行單元?jiǎng)澐?，?jì)算每個(gè)單元的 空間共現(xiàn)矩陣：
[0017]VffCMp (u,v) =II(c；,Cj)I(Ci=u)A(cj=v)A(c；PCj)
[0018] 其中，VWCM是滿足空域限制的SIFT特征點(diǎn)對(duì)數(shù)，u、v為一個(gè)單元中的SIFT特征 點(diǎn)聚類中心，CiPCjG{T,F}，SIFT特征點(diǎn)c;，Cj的位置分別為（X;，y;)，Uj,乃），P表示二 進(jìn)制空間標(biāo)識(shí)符；
[0020] 步驟3. 2 :將局部圖像集中的局部圖像塊按照排列的方式進(jìn)行兩兩分組，獲得每 組中兩個(gè)圖像塊的對(duì)應(yīng)層對(duì)應(yīng)單元的空間共現(xiàn)矩陣的交集，獲得交集的能量，將相同層交 集能量相加，再將不同層交集能量和加權(quán)相加，獲得金字塔共現(xiàn)核，其中加權(quán)系數(shù)為1/4 1，1 表示所在層；
[0021] 步驟4 :將步驟2獲得的匹配核和步驟3獲得共現(xiàn)核按照分組對(duì)應(yīng)相加為最終核， 所有分組組成最終核矩陣；
[0022] 步驟5 :使用步驟4獲得最終核矩陣，按照不同的地物類型采用SVM分類模型將所 有局部圖像塊分為不同的類；
[0023] 步驟6 :針對(duì)包含同種地物類型的局部圖像塊進(jìn)行集中處理，檢測(cè)出每個(gè)局部圖 像塊中的特定地物類型，再將已檢測(cè)特定地物類型的局部圖像塊按照分塊順序拼接回原 圖，獲取該種地物類型所在的區(qū)域。
[0024] 進(jìn)一步的步驟5的具體步驟為：
[0025] 步驟5. 1 :選取部分局部圖像塊，對(duì)圖像塊的地物類型及位置進(jìn)行標(biāo)記，采用步驟 4得到的核矩陣及SVM分類模型，訓(xùn)練模型，得到模型參數(shù)和支持向量；
[0026] 步驟5. 2:采用訓(xùn)練好的SVM分類模型對(duì)其余局部圖像塊進(jìn)行分類。
[0027] 步驟6中針對(duì)河流的提取方法為：
[0028] 步驟A6. 1 :將地物類型為河流的局部圖像塊進(jìn)行二值化處理，再對(duì)二值化后的局 部圖像塊進(jìn)行形態(tài)學(xué)處理，濾除虛警，最后通過(guò)sobel算子對(duì)河流進(jìn)行邊緣檢測(cè)；
[0029] 步驟A6. 2:將經(jīng)過(guò)檢測(cè)的局部圖像塊根據(jù)分塊順序拼接回原圖，將檢測(cè)出的河流 映射到原始目標(biāo)圖像上，從而檢測(cè)出原始圖像中河流區(qū)域。
[0030] 步驟6中針對(duì)城鎮(zhèn)區(qū)域的提取方法為：包含城區(qū)的局部圖像塊按照分塊順序拼回 原圖，利用高斯模型對(duì)拼接后的圖像進(jìn)行邊緣模糊，得到平滑邊緣的城鎮(zhèn)區(qū)域。
[0031] 本發(fā)明提供了基于局部模式的高分辨率SAR圖像特定地物類型提取方法，通過(guò)對(duì) 高分辨率SAR圖像進(jìn)行重疊分塊，將背景復(fù)雜的SAR圖像分成相對(duì)均勻的局部模式集，很大 程度上降低了復(fù)雜背景對(duì)高分辨率SAR圖像特定地物類型檢測(cè)的影響；并且利用SIFT特征 點(diǎn)的累加和空間特性，使得計(jì)算的核能更好地表征特定內(nèi)容的局部模式，使得包含特定地 物類型的局部模式分類更準(zhǔn)確，從而最終特定地物類型檢測(cè)結(jié)果更加準(zhǔn)確，適用于多種場(chǎng) 景類別的高分辨率SAR圖像。
【附圖說(shuō)明】
[0032] 圖1為本發(fā)明實(shí)施例提供的基于局部模式的高分辨率合成孔徑雷達(dá)的特定地物 類型檢測(cè)方法的流程示意圖。
[0033] 圖2為本發(fā)明局部模式SIFT特征點(diǎn)分層分單元示意圖。
[0034] 圖3為本發(fā)明以河流為例的包含河流的局部模式分類結(jié)果圖。
[0035] 圖4為以河流為例的示例局部模式河流檢測(cè)過(guò)程示意圖。
[0036] 圖5為整幅圖像基于局部模式的以河流為例的檢測(cè)結(jié)果圖。
[0037] 圖6為整幅圖像基于局部模式的以城區(qū)為例的檢測(cè)結(jié)果圖。 具體實(shí)施方案
[0038] 本發(fā)明的目的在于克服已有的高分辨率SAR圖像特定地物類型提取技術(shù)的不足， 針對(duì)高分辨率SAR圖像，將圖像基于內(nèi)容的分類方法引入到特定地物類型檢測(cè)中，提出了 一種基于局部模式的特定地物類型提取算法。局部模式分類是在原始圖像分塊的基礎(chǔ)上， 根據(jù)局部模式所包含內(nèi)容的不同，將局部模式分為不同的類別下，以克服高分辨SAR圖像 紋理信息復(fù)雜、地物類型不均勻的影響，降低檢測(cè)虛警。同時(shí)，對(duì)于尺寸減小的局部模式背 景相對(duì)均勻，有利于提高檢測(cè)結(jié)果的精確度。下面對(duì)本發(fā)明的以檢測(cè)河流和城區(qū)為實(shí)施例 進(jìn)行具體說(shuō)明。
[0039] 步驟1 :對(duì)原始圖像進(jìn)行重疊分塊，獲取多個(gè)局部模式：
[0040] 對(duì)原始圖像進(jìn)行重疊分塊可以避免因目標(biāo)被分割而造成的錯(cuò)誤檢測(cè)，并且可以將 背景復(fù)雜的SAR圖像分成背景相對(duì)均勻的局部模式集，方便處理，并且在很大程度上降低 了復(fù)雜背景對(duì)圖像特定地物類型檢測(cè)的影響。根據(jù)公式1對(duì)獲得的原始圖像進(jìn)行重疊分 塊，獲得多個(gè)局部模式；本專利將局部模式定義為200X200大小的圖像塊，因?yàn)檫@個(gè)尺寸 可以獲得圖像中較大又相對(duì)小的圖像結(jié)構(gòu)特征。
[0041]
[0042] 其中，m，n分別為所述原始圖像的長(zhǎng)和寬；w為子圖像長(zhǎng)和寬；p%為設(shè)定的重復(fù) 率；N為獲得局部模式總數(shù)。
[0043] 步驟2 :對(duì)步驟1獲得的局部模式進(jìn)行分類，不同的地物類型分為不同的類。
[0044] 步驟2. 1 :創(chuàng)建訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)為與局部模式尺寸一致的圖像塊，并且根據(jù)它 的地貌內(nèi)容，分到對(duì)應(yīng)的地物類型中。
[0045] 步驟2. 2:提取每個(gè)局部模式的SIFT特征，并對(duì)所有局部模式的特征點(diǎn)進(jìn)行 Kmeans聚類，聚類中心稱為視覺單詞；
[0046]步驟2. 3:由于每個(gè)局部模式均有不同類別的SIFT特征點(diǎn)，傳統(tǒng)的BoW模型只利 用了這些特征點(diǎn)的類別累積量或者每一類的概率，并沒有考慮SIFT特征點(diǎn)的空間位置關(guān) 系。因此，本發(fā)明利用SIFT特征點(diǎn)的空間位置關(guān)系，構(gòu)造空域金字塔模型，得到兩個(gè)局部模 式的空域金字塔相交核并將其作為SVM分類的自定義核，模型分為3層（1 = 0, 1，2)，每層 41個(gè)單元，如示意圖2所示，第1層兩個(gè)局部模式的直方圖交集如下：
[0048] 其中，M為聚類的類數(shù)，D為第1層的單元數(shù)，Hn，H21為兩個(gè)局部模式第1層的BoW 直方圖（即一個(gè)局部模式中SIFT特征點(diǎn)中每一視覺單詞的概率向量）。
[0049]I(Hn，H21)簡(jiǎn)化為I1，由于在1層匹配的數(shù)量包括了在1+1層匹配的所有量，因此
[0051] 由于每個(gè)局部模式的SIFT特征點(diǎn)均屬于M個(gè)視覺單詞類，每個(gè)SIFT特征點(diǎn)(^的 位置為（Xl，Y1)，定義視覺單詞共現(xiàn)矩陣為：
[0052]WC