[发明专利]基于SAR图像统计分布和DBN的SAR图像分类方法

说明书

本发明公开了一种基于SAR图像统计分布和DBN的SAR图像分类方法，主要解决传统的深度置信网络DBN用于SAR图像分类，易产生区域一致性差和边缘信息不完整的问题。其实现过程为：对待分类SAR图像进行预处理，得到DBN的输入矩阵；设计由3个受限玻尔兹曼机组成的DBN；用输入矩阵预训练设计的网络，得到训练好的DBN；从SAR图像类别标记图的标签中，随机选取部分带类别标签的像素集，并使用反向传播算法对训练好的DBN进行微调整；使用微调整后DBN，对待分类图像进行逐像素的分类，得到分类结果并上色输出。本发明具有分类结果优良、区域一致性好、边缘信息完整的优点，可应用于SAR图像的地物分类和目标识别。

技术领域

本发明属于图像处理领域，具体地说是一种SAR图像分类方法，可应用于SAR图像的地物分类和目标识别。

背景技术

合成孔径雷达SAR,是一种可以产生高分辨率图像的机载雷达或星载雷达，具有全天时全天候的特点，被广泛应于遥感和地图测绘等领域。合成孔径雷达图像，即SAR图像是一幅对地面照射的雷达信号，经地表反射有明暗色调差异的地貌图像，非常像黑白照片。对于SAR图像的判读，相比光学图像来说要困难的多，SAR图像分类所要实现的目标是对拿到的SAR图像，通过设计好的分类算法将不同的地物种类使用不同的颜色进行标注。

SAR图像的统计模型在地物目标的检测与识别、相干斑噪声的消除、地物目标的分类等应用方面起着非常重要的作用。SAR图像的统计模型按照SAR图像的建模过程大致分为两类：参量模型和非参量模型。参量模型是指在未知概率密度函数的参数情况下，通过已有的SAR图像数据，计算出概率密度函数的各个参数，然后选择拟合程度最好的概率密度函数作为该SAR图像地物区域的统计模型。例如，伽马分布、Weibull分布、Log-normal分布等。非参量模型是指根据SAR图像的地物区域的数据按照某种规则直接选择最好的概率密度函数。

SAR图像分类的特征提取方法可以大致分为三种类型：统计方法、变换域方法以及基于模型的方法。其中：

统计方法，其典型的代表是由U.Kandaswamy等人提出的灰度共生矩阵特征，参见U.Kandaswamy,D.A.Adjeroh,and M.C.Lee,Efficient texture analysis of SARimagery,IEEE Trans.Geosci.Remote Sens.,2005,43(9):2075–2083，该特征包括方差、对比度、能量等，由于这些信息仅是SAR图像基于统计学的特征，忽略了SAR图像的空间邻域特性，因而用统计方法得出的分类结果空间一致性较差。

变换域方法，其包括傅里叶变换、小波变换和Garbor小波变换，主要用于对SAR图像进行纹理分析,参见G.Akbarizadeh,A new statistical-based kurtosis waveletenergy feature for texture recognition of SAR Images,IEEE Trans.Geosci.RemoteSens.,2002,50(11):4358–4368。这些变换方法由于不能获取足够的判别信息，依赖于大量高质量的标签信息，因而用于SAR图像的分类时，不能获得较好的分类结果。

基于模型的方法，包括基于马尔科夫场的模型和基于Bag-of-Words的模型。其中基于马尔科夫随机场MRF的模型，主要用于对邻域像素空间一致性的研究,在实际的应用中，这种方法不能有效的提取图像的纹理信息，且由于没有充分挖掘SAR图像不同分辨率之间的统计关系，仅研究单一分辨率情况下的先验概率问题，因而，不适用于多分辨率SAR图像的分类；而基于Jie Feng等人提出的Bag-of-Words模型，在用于SAR图像的分类时，则需要人工提取底层特征，过程繁琐。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于SAR图像统计分布和DBN的SAR图像分类方法，以提高SAR图像分类的分类精度和区域一致性。

实现本发明目的的技术方案包括如下：