[发明专利]基于分层语义的SAR图像分类方法

说明书

一种基于分层语义的SAR图像分类方法，包括进行多尺度分割，得到不同精度的分割图；构建区域金字塔，将不同精度的分割图组合生成区域金字塔；CRF空间关联建模，包括对于区域金字塔，利用CRF建立该金字塔的每一层中区域间的空间关系；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；统一推理，包括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。本发明联合BN和CRF建模SAR图像分类中的先验知识，其中BN构建因果关联，而CRF建模空间关系，实现分层语义分类，提高SAR图像分类性能。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于分层语义的SAR图像分类方法。

背景技术

SAR(Synthetic Aperture Radar,SAR)图像分类作为SAR图像解译的重要分支，其根据数据样本信息表现的不同属性，通过计算类内相似性和类间差异性，实现对不同地物目标的分类识别。图像分类的主流方法主要包括特征描述子和模型两步，常见的特征可分为统计特征、纹理特征、形状特征等；用于分类的模型则分为产生式模型、描述模型和判别模型。对高分辨率SAR图像而言，地物目标的几何信息和结构纹理更加清晰，且具有更丰富的空间信息。分析高分辨率SAR场景时，如今已越来越关注其中的纹理、几何形状、统计分布及上下文空间关系，甚至包括使用颜色描述子来提取SAR伪彩合成图像中的颜色特征。同时，针对SAR图像特殊的成像机理和特点，在提取SAR图像的特征时，除了上述特征外，还包括目标散射特性和极化特性等，如基于分布的统计特征、极化数据中的极化分解特征。

在SAR图像分类过程中，最直接的方法是应用极化SAR数据或生成的相干矩阵和协方差矩阵作为图像特征。在早期的分类研究方法中，极化数据的单波段后向散射信息如HH，HV和VV通道或多波段数据的不同组合，已应用在包括神经网络和最大似然估计等分类器模型中。由于极化数据的成像机理，协方差矩阵获取幅度和相位方差的完整极化信息以及所有后向散射元素的相关性，因而可被用来直接作为不同分类机制的直接输入特征，如Wishart最大似然分类器，多层神经网络分类器。在过去四十年中，不同的极化目标分解算法被用于SAR图像分类，其将平均后向散射描述为独立分量之和，并将其用于极化SAR应用，更好的解译雷达数据的潜在散射特性。除了上述基于目标物理、几何和散射特性的目标分解外，纹理作为特征描述子，已被证明是SAR图像分类的有利信息来源，如灰度共生矩阵、结合统计纹理信息的小波、离散小波变换等。由于SAR图像的成像机理，颜色信息一直是极化SAR分类领域中忽视的属性，但是为了可视化目的，常常通过映射后向散射元素或目标分解分量到不同的颜色通道，如在H/V极化基础上的Pauli颜色编码，进而生成伪彩图像。

将先验知识引入分类模型是提高SAR图像分类性能的重要研究方向，例如：Wishart最大似然估计、马尔科夫随机场(Markov Random Field，MRF)、条件随机场(Conditional Random Field，CRF)等。SAR图像中低层次的特征只能表征像素级信息，而且易受噪声影响，这些特征通常用类内相似度和类间差异来度量。因而使用有效的上下文模型来整合特征描述子，对于SAR图像解译具有重要意义。采用Potts先验的MRF是一种基本的上下文模型，MRF是当前最流行的利用上下文信息来最小化全局代价函数的方法，目前已被广泛用于SAR图像解译。相比于MRF和CRF这类无向图模型，贝叶斯网络(Bayesian Network，BN)也被用于SAR图像解译。BN模型提供系统化方法来对随机变量之间的因果关系建模，利用变量之间的条件独立关系和先验知识，可实现对复杂联合分布的简化分解。根据BN结构，联合分布被分解为一组局部条件概率的乘积，更易表征变量的语义关系。在图像识别领域，BN模型可用来描述不同实体，如区域、边缘、顶点等之间的先验知识。

综上所述，引入先验信息对于稳健和有效的SAR图像分类具有重要的作用，但尚未有效果符合理想的技术方案出现。

发明内容