[发明专利]基于条件随机场的极化SAR图像道路提取方法

权利要求书

1.一种基于条件随机场的极化SAR图像道路提取方法，其特征在于：构建一个条件随机场框架实现道路提取，包括以下步骤，

步骤1，利用多尺度线状目标检测算子MLFD对输入SAR图像构建金字塔，获得多尺度的图像金字塔；

所述多尺度线状目标检测算子MLFD，将图像迭代地分割成2×2块，构建图像金字塔，在每一层上提取图像特征，合并不同层次的特征用于模型优化；

步骤2，通过CRF基于步骤1所得结果进行建模，引入上下文信息，实现如下，

设给定图像I，x表示观测数据，y表示标号集合，记I＝{x₁,x₂,…,x_M}；设i表示图像所有块集合S＝{1,2,...,M}中的一个子块，观测数据对应为x_i；设j表示块i的邻域集合N_i中的一块，给定数据x时标号y的后验概率由指数形式给出如下，

式中，φ(x)表示对观测数据x进行特征映射，A_i(.)和I_ij(.)分别是单元势函数和成对势函数，A_i(.)表示给定观测数据x_i时相应块i被标记为y_i的期望，I_ij(.)描述块i和块j之间的相互影响；φ_i(x)将块i的观测数据x_i映射到特征空间向量；μ(φ_i(x),φ_j(x))是成对块(i,j)的新特征向量；Z(φ(x))是归一化常数，表示如下，

步骤3，单元势函数A_i(y_i,φ_i(x))通过logistic函数来建模，表示如下，

式中，h_i(x)表示第i个二进方块的特征矩阵，由MLFD的响应值构成，T_n(m_i)表示该方块在尺度n下的MLFD最大响应值；w＝[w₁,w₂,…,w_K,α₁]^T是模型参数，包含特征h_i(x)的各项权重；

步骤4，根据成对势函数I_ij(y_i,y_j,μ(φ_i(x),φ_j(x)))，设定采用Beamlet分解方式寻找最优划分；

步骤5，采用相关约束来对道路的基元进行编组和标记，描述成对势函数，合并从全局数据x中得到的信息，表达如下式，

I_ij(y_i,y_j,μ(φ_i(x),φ_j(x)))＝y_iy_jv^Tμ_ij(x) (1)

式中，v＝[v₁,v₂,…,v_m]^T表示特征矩阵μ_ij(x)中每维特征的权重参数，m表示联合特征μ_ij(x)的维度，μ_ij(x)是块i和块j的联合特征；

步骤6，对道路的特征矩阵进行统一的归一化处理，获取道路提取结果。

2.根据权利要求1所述基于条件随机场的极化SAR图像道路提取方法，其特征在于：步骤5中，所述相关约束包括夹角距离、横向距离、端点距离、临近度和曲率连接。

3.根据权利要求2所述基于条件随机场的极化SAR图像道路提取方法，其特征在于：步骤6中，归一化处理采用阈值局部化方式。

4.根据权利要求1或2或3所述基于条件随机场的极化SAR图像道路提取方法，其特征在于：采用L-BFGS优化算法训练单元势特征的参数w和成对势特征的参数v。