[发明专利]一种基于深度学习SAR图像分类的图像选择的方法及系统

说明书

本发明公开了一种基于深度学习SAR图像分类的图像选择的方法，不同图像对应像素之间的关系建立为马尔可夫模型；利用信念传播算法，避免了计算传感器的联合统计分布，有利于简化图像选择算法的计算，作为消息传递机制的信念传播算法可以将消息更新规则简化为线性融合模型；对于选定图像确定其与其他图像之间的特征相关性，并确定传感器融合的容量以完成图像选择的过程。本发明主要涉及特征层融合的图像选择算法，不同图像对应像素之间的关系建立为马尔可夫模型；利用信念传播算法，避免了计算传感器的联合统计分布，有利于简化图像选择算法的计算。互信息作为一种基于信息论的度量方法，可以用来描述估计的准确相关性。

技术领域

本发明涉及图像分析技术领域，尤其涉及一种基于深度学习SAR图像分类的图像选择的方法及系统。

背景技术

从融合在识别过程中所处的阶段来看，有三个层次的融合：特征层、匹配层和决策层。特征层融合指从不同模态的生物特征数据中提取相应的特征向量，将它们在统一的空间中“融合”成一个新的、具有更高维数的特征向量用于识别。

基于深度学习的SAR图像分类广泛应用于地形表面分类、海冰分类、海洋监视等众多领域中。由于非理想性、不匹配和估计缺陷等原因，更多的数据对于最大化有用信息并无益处。Longbotham等人证实了上述结论。因此，设计图像选择算法不仅能够最大化提取信息而且能够节约计算量。

现有技术中例如Chlaily等人提出了基于异构传感器融合决策层的图像选择算法。Guerriero等人提出了基于SAR图像与雷达序列融合探测的SAR图像选择算法。由于特征集比决策集包含更多的信息，因此在特征级融合数据更有效。然而，目前尚无在特征集融合的图像选择算法。

设计图像选择算法的关键是建立不同图像对应像素之间的关系模型。Hedhli等人将SAR图像与光学图像融合时对应像素之间的关系建立为多层马尔可夫模型。Tuia等人将对应像素之间的关系建立为条件随机场。Kang等人利用图网络建立对应像素之间的关系。

发明内容

本发明主要涉及特征层融合的图像选择算法，不同图像对应像素之间的关系建立为马尔可夫模型，利用信念传播算法，避免了计算传感器的联合统计分布，有利于简化图像选择算法的计算。互信息作为一种基于信息论的度量方法，可以用来描述估计的准确相关性。目前尚无其他研究致力于讨论特征层融合的图像选择问题。

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种基于深度学习SAR图像分类的图像选择的方法，所述方法包括：

对待分析图像进行初始化；

引入因子图来描述不同图像中对应像素之间的关系，不同图像对应像素之间的关系建立为马尔可夫模型；

利用信念传播算法，避免了计算传感器的联合统计分布，有利于简化图像选择算法的计算，其中，作为消息传递机制的信念传播算法可以将消息更新规则简化为线性融合模型；

对于选定图像确定其与其他图像之间的特征相关性，并确定传感器融合的容量以完成图像选择的过程。

更进一步地，所述方法进一步包括：特征层融合可以表示为最大后验概率(MAP)估计，

其中，S代表N幅图像对应像素的标记，Y＝[y₁,…,y_N]包含不同图像对应像素的特征。

更进一步地，引入因子图来描述不同图像中对应像素之间的关系，后验分布p(SY)分解为单个变量和成对项