基于增量支持向量機(jī)的sar圖像多類標(biāo)場景分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種圖像場景分類方法，可快速準(zhǔn)確地 處理海量多類標(biāo)SAR圖像。
【背景技術(shù)】
[0002] 在機(jī)器學(xué)習(xí)領(lǐng)域中，針對多類標(biāo)學(xué)習(xí)的研宄對于多義性對象學(xué)習(xí)建模具有十分 重要的意義，現(xiàn)在已經(jīng)逐漸成為國際機(jī)器學(xué)習(xí)界一個新的研宄熱點。由于客觀事物本身的 復(fù)雜性，一個事物對象可以用單個實例來表示，并且該實例屬于多個類別標(biāo)簽，即單實例 多類標(biāo)。單實例多標(biāo)簽的學(xué)習(xí)方法對圖像分類的問題具有重要的意義，但是該方法卻很少 被應(yīng)用到SAR圖像的場景分類當(dāng)中。
[0003] 隨著合成孔徑雷達(dá)SAR技術(shù)的發(fā)展，SAR圖像在分辨率、圖像內(nèi)容和數(shù)量上都達(dá)到 了一定的高度，其應(yīng)用也越來越廣泛。SAR圖像的場景分類不同于傳統(tǒng)的SAR圖像分類技 術(shù)，場景分類中并不嚴(yán)格追求同類圖像間的內(nèi)容相似性，而是關(guān)注于通過某種學(xué)習(xí)方法挖 掘圖像內(nèi)在的語義信息。近年來，學(xué)者們針對該問題也做出了一些研宄。
[0004] 武漢大學(xué)的殷慧在其博士學(xué)位論文"基于局部特征表達(dá)的高分辮率SAR圖像城區(qū) 場景分類方法"中研宄了高分辨率SAR圖像的城區(qū)場景解譯應(yīng)用。該論文涉及到局部特征表 達(dá)和分類技術(shù)，中間表達(dá)和主題提取技術(shù)。主要提出了兩種分類算法，分別是：1.基于多維 金字塔表達(dá)算法和AdaBoost的高分辨率SAR圖像的城區(qū)場景分類算法；2.基于多維金字 塔匹配核和支持向量機(jī)的高分辨率SAR圖像城區(qū)場景分類算法。還提出了兩種分類框架， 分別是：1.基于兩級地物語義的高分辨率SAR圖像的城區(qū)場景分類框架；2.基于中間表達(dá) 式和線性判別分析法的高分辨率SAR圖像城區(qū)場景分類框架。從分類結(jié)果看，其研宄結(jié)果 存在的不足是各算法的分類準(zhǔn)確率較低，分類時間較長。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是針對上述已有技術(shù)的不足，提出一種基于增量支持向量機(jī)的SAR 圖像多類標(biāo)場景分類方法以縮短分類時間，提高分類精度。
[0006] 實現(xiàn)本發(fā)明目的的技術(shù)方案是：采用多標(biāo)簽的標(biāo)記方式，使單幅圖像描述內(nèi)容更 加豐富具體，能夠通過學(xué)習(xí)挖掘出圖像內(nèi)部語義信息，提高分類精度，采用增量支持向量機(jī) 作為分類器，縮短分類時間。其實現(xiàn)步驟包括如下：
[0007] (1)將四幅給定的SAR圖像分別切割成無重疊的小圖像塊，每個小圖像塊的大小 均為256*256像素，從這些小圖像塊形成的圖像庫中選取肉眼能夠清晰識別且信息完整的 圖像塊組成一個數(shù)據(jù)庫，該數(shù)據(jù)庫包括山脈，水域，城市，建筑，池塘和平原這六個類別；
[0008] (2)在上述數(shù)據(jù)庫中提取每一幅圖像基于contourlet變換的紋理特征和形狀特 征作為一個特征集，并將該特征集當(dāng)中的每一個特征向量歸一化到0-1之間；
[0009] (3)將上述特征集中圖像的地物標(biāo)簽矩陣表示為y，當(dāng)?shù)趇幅圖像屬于第j個類別 時，則地物標(biāo)簽矩陣y中的元素y(i，j) = 1，否則，y(i，j) = -1，并規(guī)定特征集中任意一 幅圖像至少屬于一個類別，其中i = 1，???，]!，n表示特征集中圖像張數(shù)，j = 1，…，6,表示 一共有6個類別；
[0010] ⑷將上述地物標(biāo)簽矩陣y中的每一列向量作為一個類別的地物標(biāo)簽，得到六組 地物標(biāo)簽y w，j = 1，6 ;
[0011] (5)從步驟⑵的特征集中隨機(jī)選取訓(xùn)練樣本和測試樣本，構(gòu)成訓(xùn)練樣本集 {xk，#丨^和測試樣本集{txk，# ，其中，xk是第k個訓(xùn)練特征樣本，用一個行向量表示， yf是與Xk相對應(yīng)的第j個類別的地物標(biāo)簽，n是訓(xùn)練樣本個數(shù)，tx k是第k個測試特征樣 本，用一個行向量表示，tyf是與txk相對應(yīng)的第j個類別的地物標(biāo)簽，tn是測試樣本個數(shù)；
[0012] (6)對訓(xùn)練樣本集采用增量學(xué)習(xí)的方法進(jìn)行迭代訓(xùn)練，得到支持向量集合 慫={ps，yp s}=，以及該集合中所有支持向量所對應(yīng)的拉格朗日乘子向量《={〇^}二和偏 斜量b，其中Ps為當(dāng)前支持向量集合中第s個支持向量，y Ps為當(dāng)前支持向量集合中第s個 支持向量所對應(yīng)的類別標(biāo)簽，a Ps是當(dāng)前支持向量集合中第s個支持向量所對應(yīng)的拉格朗 日乘子，b是一個標(biāo)量；
[0013] (7)根據(jù)上述訓(xùn)練得到的支持向量集合Pm、拉格朗日乘子向量a和偏斜量b，用分 類決策函數(shù)對測試樣本進(jìn)行識別，得到測試樣本的輸出矩陣T，其中第k個測試樣本對應(yīng)的 輸出向量T k是輸出矩陣T中第k個行向量；
[0014] (8)判斷測試樣本的標(biāo)簽：
【主權(quán)項】
1. 一種基于增量支持向量機(jī)的SAR圖像多類標(biāo)場景分類方法，包括如下步驟： (1) 將四幅給定的SAR圖像分別切割成無重疊的小圖像塊，每個小圖像塊的大小均為 256*256像素，從這些小圖像塊形成的圖像庫中選取肉眼能夠清晰識別且信息完整的圖像 塊組成一個數(shù)據(jù)庫，該數(shù)據(jù)庫包括山脈，水域，城市，建筑，池塘和平原這六個類別； (2) 在上述數(shù)據(jù)庫中提取每一幅圖像基于contourlet變換的紋理特征和形狀特征作 為一個特征集，并將該特征集當(dāng)中的每一個特征向量歸一化到0-1之間； (3) 將上述特征集中圖像的地物標(biāo)簽矩陣表示為y，當(dāng)?shù)趇幅圖像屬于第j個類別時， 則地物標(biāo)簽矩陣y中的元素 y (i，j) = 1，否則，y (i，j) = -1，并規(guī)定特征集中任意一幅圖 像至少屬于一個類別，其中i = 1，···，]!，η表示特征集中圖像張數(shù)，j = 1，…，6,表示一共 有6個類別； (4) 將上述地物標(biāo)簽矩陣y中的每一列向量作為一個類別的地物標(biāo)簽，得到六組地物 標(biāo)簽 y(j)，j = 1，2···6 ; (5) 從步驟（2)的特征集中隨機(jī)選取訓(xùn)練樣本和測試樣本，構(gòu)成訓(xùn)練樣本集 Κ，yf1 L和測試樣本集UxkWt1，其中，xk是第k個訓(xùn)練特征樣本，用一個行向量表示， 是與Xk相對應(yīng)的第j個類別的地物標(biāo)簽，η是訓(xùn)練樣本個數(shù)，tx k是第k個測試特征樣 本，用一個行向量表示，tyf1是與txk相對應(yīng)的第j個類別的地物標(biāo)簽，tn是測試樣本個數(shù)； (6) 對訓(xùn)練樣本集采用增量支持向量機(jī)的學(xué)習(xí)方法進(jìn)行迭代訓(xùn)練，得到支持向量集合 尺={PS，，以及該集合中所有支持向量所對應(yīng)的拉格朗日乘子向量和偏 斜量b，其中ps為當(dāng)前支持向量集合中第s個支持向量，y Ps為當(dāng)前支持向量集合中第S個 支持向量所對應(yīng)的類別標(biāo)簽，a ps是當(dāng)前支持向量集合中第s個支持向量所對應(yīng)的拉格朗 日乘子，b是一個標(biāo)量； (7) 根據(jù)上述訓(xùn)練得到的支持向量集合Pm、拉格朗日乘子向量α和偏斜量b，用分類決 策函數(shù)對測試樣本進(jìn)行識別，得到測試樣本的輸出矩陣T，其中第k個測試樣本對應(yīng)的輸出 向量T k是輸出矩陣T中第k個行向量； (8) 判斷測試樣本的標(biāo)簽： 8a)當(dāng)測試樣本的輸出向量Tk中每一個值都小于0時，則第k個測試樣本的類別向量 為：
8b)當(dāng)測試樣本的輸出向量Tk中至少有一個值大于0時，則第k個測試樣本的類別向 量為：
其中j = 1，2…6, j表示類別數(shù)，k = 1，2··· tn, tn表示測試樣本數(shù)； 8c)根據(jù)步驟8a)-Sb)的判別結(jié)果得到測試樣本的標(biāo)簽向量tyk，再由向量tyk構(gòu)成測 試樣本的標(biāo)簽矩陣{ty,H1，該矩陣{對應(yīng)測試樣本的類別，即分類結(jié)果。
2. 根據(jù)權(quán)利要求1所述的方法，其中步驟6所述的采用增量學(xué)習(xí)的方法進(jìn)行迭代訓(xùn)練， 按如下步驟進(jìn)行： 2a)選擇第一個訓(xùn)練樣本X1作為支持向量，得到一個初始的向量集Pm= {x p yj，，其中 m = 1，71是X i對應(yīng)的地物標(biāo)簽；通過最小二乘支持向量機(jī)的求解線性方程組的方法得到該 支持向量集相應(yīng)的拉格朗日乘子向量°^和偏斜量b m，由Pm、aPm和bm構(gòu)成一個初始的分類 器
2b)用初始的分類器對剩下的訓(xùn)練樣本進(jìn)行分類，即每次從錯分的樣本和離類邊 界比較近的樣本中選擇一個樣本作為新的支持向量，把這個樣本和其相對應(yīng)的標(biāo)簽加 到支持向量所對應(yīng)的拉格朗日乘子向量％^和偏斜量b m+1中，得到一個新的分類器：
2c)更新變量m = m+1 ; 2d)重復(fù)過程2b)和2c)共L次，其中L多30,得到一次更新后的分類器：
2e)找出拉個朗日乘子向量中絕對值最小的拉格朗日乘子，并刪除掉其所對應(yīng)的那 個支持向量，通過最小二乘支持向量機(jī)求解線性方程組的方法得到該支持向量集相應(yīng)的拉 格朗日乘子向量<"_,和偏斜量b' μ，得到一個新的分類器：
2f)更新變量m = m-Ι ; 2g)循環(huán)步驟2b)到2f)直到滿足停止的條件，得到支持向量集合P" m，并通過最小二 乘支持向量機(jī)的求解線性方程組的方法計算得到更新后的支持向量集合的拉格朗日乘子 向量和偏斜量b" m，其中α" &是更新后的支持向量集合中第s個支持向量所 對應(yīng)的拉格朗日乘子，b" m是一個標(biāo)量。
3. 根據(jù)權(quán)利要求1所述的方法，其中所述步驟（7)中的分類決策函數(shù)，表示如下：
其中tx是測試樣本，a Ps是支持向量集合中第s個支持向量所對應(yīng)的拉格朗日乘子， Ps是支持向量集合中第s個支持向量，y Ps是支持向量集合中第s個支持向量所對應(yīng)的類 別標(biāo)簽，b是支持向量集合中第s個支持向量所對應(yīng)的偏移量，K是一個核函數(shù)，其表示為：
X，y是兩個不同的樣本向量，σ 2是和核函數(shù)的寬度，通過網(wǎng)格搜 索法求出。
【專利摘要】本發(fā)明公開了一種基于增量支持向量機(jī)的SAR圖像多類標(biāo)場景分類方法，主要解決如何更加準(zhǔn)確高速的處理多標(biāo)簽SAR圖像的場景分類問題。其實現(xiàn)步驟為：首先，將SAR大圖切割為大小相同的小圖像塊，選出信息清晰完整的圖像塊進(jìn)行多標(biāo)簽標(biāo)記；然后提取基于contourlet的形狀、紋理特征，再隨機(jī)選取訓(xùn)練樣本和測試樣本；而后，將多類標(biāo)分解成多個單類標(biāo)，依次采用增量學(xué)習(xí)的方法訓(xùn)練支持向量機(jī)的模型；最后，根據(jù)學(xué)到的模型計算測試樣本輸出值，進(jìn)而預(yù)測出標(biāo)簽，得到分類結(jié)果，本發(fā)明具有分類精度更高，分類時間更短的優(yōu)點，可用于快速準(zhǔn)確地處理海量多類標(biāo)SAR圖像。
【IPC分類】G06K9-62
【公開號】CN104751175
【申請?zhí)枴緾N201510109062
【發(fā)明人】焦李成, 馬文萍, 張曼, 屈嶸, 劉紅英, 楊淑媛, 侯彪, 王爽, 馬晶晶
【申請人】西安電子科技大學(xué)
【公開日】2015年7月1日
【申請日】2015年3月12日