專利名稱：基于混合核函數(shù)的svm分類器的sar圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，具體地說是將一種基于小波特征的混合核函數(shù)，用于SAR圖像分類的方法。

背景技術(shù)：
SAR稱為合成孔徑雷達(dá)，是微波遙感的代表，是一種工作在微波波段的相干成像雷達(dá)。它能夠多波段、多極化、多視向、多俯角地對(duì)海洋和陸地進(jìn)行觀測(cè)，具有全天時(shí)和全天候的觀測(cè)能力。合成孔徑雷達(dá)(SAR)在距離向靠發(fā)射寬帶信號(hào)獲得高的徑向分辨率，在方位向通過同一傳感器在等間隔位置上發(fā)射和接收脈沖信號(hào)，然后將回波信號(hào)作相關(guān)處理，得到方位向高分辨率。
SAR圖像因其特殊的成像機(jī)理和圖像特點(diǎn)而與光學(xué)遙感圖像迥異，必須采用特殊的圖像分類方法才能獲得較好效果。如何最有效地利用雷達(dá)遙感提供的新信息來提高圖像分類精度，是一個(gè)需要深入研究的課題。SAR像分類處理技術(shù)的一般過程為圖像預(yù)處理、圖像信息提取、特征選擇、設(shè)計(jì)與實(shí)現(xiàn)。特征提取、特征選擇和分類是SAR圖像處理中的關(guān)鍵技術(shù)，對(duì)其研究將極大地推動(dòng)SAR圖像處理技術(shù)的提高，故有重要的實(shí)際意義。
目前有很多文獻(xiàn)都是利用一些傳統(tǒng)方法加以改進(jìn)進(jìn)行SAR圖像的分類，比如傳統(tǒng)的分類方法中包括無監(jiān)督分類法和有監(jiān)督分類法。無監(jiān)督分類包括ISODATA算法、K均值、K均值改進(jìn)的算法模糊K均值以及近些年來的遺傳算法。這幾種方法分類簡單、易操作。但這些方法的缺點(diǎn)在于學(xué)要事先確定各個(gè)類別的初始聚類中心和聚類數(shù)目(遺傳算法可以不設(shè)定聚類數(shù)目)，動(dòng)設(shè)置各類別中心到現(xiàn)在為止還沒有一個(gè)切實(shí)有效的方法。有監(jiān)督方法如最小錯(cuò)誤概率的Bayes分類器、極大似然法、最小距離、BP神經(jīng)網(wǎng)絡(luò)分類法和SVM分類器。這些方法就是首先根據(jù)類別的先驗(yàn)知識(shí)確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，在訓(xùn)練或?qū)W習(xí)過程中利用一定數(shù)量的已知類別樣本的觀測(cè)值，確定判別函數(shù)中待定參數(shù)，然后將未知的樣本觀測(cè)值代入判別函數(shù)，再根據(jù)判別準(zhǔn)則來讀該樣本的所屬類別做出判斷。這種方法也存在一定的缺點(diǎn)。已極大似然法為例，它要求利用先驗(yàn)知識(shí)及概率，并且樣本呈正態(tài)分布、具有良好的統(tǒng)計(jì)性等條件，有時(shí)無法滿足，得不到足夠的訓(xùn)練信息。而SVM分類器在SAR圖像分類中的應(yīng)用，在特征提取過程中會(huì)存在如下的問題有時(shí)要提取單個(gè)特征，有時(shí)則可能要提取多個(gè)特征；當(dāng)提取多個(gè)特征時(shí)，提取的特征有些可能對(duì)分類有益，而有些則沒有任何作用；或者是有些對(duì)分類作用貢獻(xiàn)大，而有些則貢獻(xiàn)小，即存在著特征選擇的問題。目前使用的標(biāo)準(zhǔn)SVM分類器進(jìn)行圖像分類或識(shí)別時(shí)，由于使用了通用的核函數(shù)，因而無法對(duì)提取特征的有效性做出選擇。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，以有效提取了圖像特征，提高圖像識(shí)別率。
實(shí)現(xiàn)本發(fā)明的技術(shù)方案包括如下步驟 1.輸入及預(yù)處理步驟輸入訓(xùn)練及測(cè)試樣本圖像，對(duì)該樣本圖像進(jìn)行歸一化和標(biāo)識(shí)； 2.提取特征步驟對(duì)歸一化后的樣本圖像進(jìn)行小波分解，并對(duì)分解后的各個(gè)子帶分別提取多個(gè)特征，并且將各種特征按結(jié)構(gòu)體Xl×r形式存儲(chǔ)，l是樣本個(gè)數(shù)，r是提取特征個(gè)數(shù)； 3.SAR圖像分類步驟根據(jù)提取的各個(gè)子帶的多個(gè)特征，構(gòu)建SVM分類器的基于小波特征的混合核函數(shù)并通過對(duì)該混合核函數(shù)中凸組合系數(shù)的優(yōu)化，完成對(duì)圖像特征的分類，式中，Xi，Xj分別是指第i和第j個(gè)樣本圖像，i，j≤l，Xik，Xjk分別是指第i和第j個(gè)樣本圖像的第k個(gè)特征，ρk是凸組合系數(shù)。
本發(fā)明由于在訓(xùn)練SVM分類器時(shí)，構(gòu)建了基于小波特征的混合核函數(shù)，并通過對(duì)該混合核函數(shù)中的凸組合系數(shù)進(jìn)行了優(yōu)化，實(shí)現(xiàn)對(duì)SAR圖像的分類，保證了提取的圖像特征的有效性，提高了圖像分類的識(shí)別率。通過對(duì)1161幅SAR訓(xùn)練樣本圖像，和978幅SAR測(cè)試樣本圖像進(jìn)行實(shí)驗(yàn)仿真表明，本發(fā)明可以有效地提取圖像的特征，得到了比標(biāo)準(zhǔn)SVM分類器較高的平均識(shí)別率。



圖1是本發(fā)明的具體實(shí)現(xiàn)流程圖。

具體實(shí)施例方式 參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下 1.輸入訓(xùn)練及測(cè)試樣本圖像并進(jìn)行預(yù)處理。
1a)輸入M幅訓(xùn)練樣本圖像，N幅待分類樣本圖像，其中N小于M，分別記為(x1，x2…xN)；(x1，x2…xM)； 1b)將樣本圖像的像素從0～255歸一到0～1之間，記為(z1，z2…zN+M)； 1c)對(duì)歸一化后的樣本圖像，進(jìn)行標(biāo)識(shí)，標(biāo)記為(y1，y2…yN+M)。
2.對(duì)歸一化后的樣本圖像進(jìn)行小波分解、提取多個(gè)特征，并將各種特征按結(jié)構(gòu)體Tl×r形式存儲(chǔ)。
2a)對(duì)歸一化后的樣本圖像(z1，z2…zN+M)進(jìn)行小波分解； 2b)對(duì)得到的分解子帶，提取各子帶的特征，特征提取的方法很多，本發(fā)明后續(xù)實(shí)驗(yàn)用到了以下幾種 ①L1范數(shù)能量測(cè)度法 其中，P×Q為子帶大小，i，j表示子帶中系數(shù)的索引，coef(i，j)為該子帶中第i行第j列的系數(shù)值； ②方差法 對(duì)分解得到的各子帶分別求子帶系數(shù)的方差，構(gòu)成一組特征向量，其維數(shù)等于分解得到的子帶個(gè)數(shù)。
其中，Mean為該子帶系數(shù)的均值； ③灰度共生矩陣法 灰度共生矩陣是一種基于圖像灰度聯(lián)合概率矩陣的方法。此處用灰度共生矩陣的概念來計(jì)算圖像的系數(shù)共生矩陣首先對(duì)由變換域方法得到的各個(gè)分解子帶進(jìn)行量化，這里將量化級(jí)數(shù)選為16；然后通過計(jì)算子帶鄰近量化系數(shù)之間的二階聯(lián)合條件概率密度P(i，j|d，θ)來構(gòu)成共生矩陣，P(i，j|d，θ)表示在給定空間距離d和方向角θ上，以量化系數(shù)i為起始點(diǎn)，出現(xiàn)系數(shù)j的概率。鄰近系數(shù)值出現(xiàn)的聯(lián)合條件概率，可以度量子帶相鄰系數(shù)的相關(guān)特征。系數(shù)共生矩陣可以表示為 P(i，j|d，θ)＝{Pk(i，j|d，θ)}L×L (3) 其中，L表示子帶系數(shù)的量化級(jí)數(shù)，k為系數(shù)順序號(hào)； 2c)將M幅訓(xùn)練樣本圖像，N幅待分類測(cè)試樣本圖像，所提取的特征與樣本圖像一一對(duì)應(yīng)，按結(jié)構(gòu)體Xl×r形式存儲(chǔ)，l樣本個(gè)數(shù)，r為提取特征個(gè)數(shù)，其中，將第i個(gè)樣本圖像所提取的多個(gè)特征存放在結(jié)構(gòu)體Xi×r中。
3.根據(jù)提取的各個(gè)子帶的多個(gè)特征，構(gòu)建SVM分類器的基于小波特征的混合核函數(shù) 標(biāo)準(zhǔn)SVM的決策函數(shù)為 f(X)＝sign(Φ(X)W+b)，i＝1…l(4) 其中，Φ(X)是樣本圖像在特征空間中的映射函數(shù)，W是SVM決策函數(shù)中的權(quán)值，b是SVM決策函數(shù)中的偏置； 3a)將SVM分類器的總決策函數(shù)f(X)修改為各個(gè)不同特征所對(duì)應(yīng)的決策函數(shù)f(Xk)的線性組合，即 式中，ak是線性組合系數(shù)，sign()是符號(hào)函數(shù)，Φ(Xik)是樣本在特征空間中的映射函數(shù)，r是提取特征個(gè)數(shù)，l是樣本個(gè)數(shù)； 3b)將SVM分類器的優(yōu)化目標(biāo)函數(shù)修改為 最小化 約束 C≥εi≥0，i＝1…l 式中，yi是樣本標(biāo)識(shí)，εi是松弛變量，C是折中系數(shù)； 3c)利用Lagrange乘子法，將SVM分類器優(yōu)化目標(biāo)函數(shù)的對(duì)偶規(guī)劃寫為 最大化 約束 0≤αi≤Ci＝1…l 式中，αi是Lagrange乘子，<Φ(Xik)·Φ(Xjk)>是點(diǎn)乘，即核函數(shù)； 3d)取式(7)中的分項(xiàng)

作為基于小波特征的混合核函數(shù)，即 約束 4.對(duì)該混合核函數(shù)中凸組合系數(shù)的進(jìn)行優(yōu)化，完成對(duì)圖像特征的分類。
4a)分別對(duì)SVM分類器的優(yōu)化目標(biāo)函數(shù)g0、混合核函數(shù)的凸組合系數(shù)ρk及其優(yōu)化目標(biāo)函數(shù)變化的閾值θ0，進(jìn)行初始化； 4b)利用如下關(guān)于二次規(guī)劃得到SVM分類器優(yōu)化目標(biāo)函數(shù)中的權(quán)值W 最大化 (9) 約束 0≤αi≤Ci＝1…l 　　　　　　　　　　(10) 4c)固定二次規(guī)劃中Lagrange乘子αi，利用如下線性規(guī)劃得到松弛變量εi及混合核函數(shù)中的凸組合系數(shù)ρi 最小化 yif(Xi)≥1+εi，i＝1…l 約束εi≥0，i＝1…l； 4d)將公式(10)與公式(11)的值代入公式(6)，計(jì)算SVM分類器的優(yōu)化目標(biāo)函數(shù)值，并判斷該函數(shù)值是否在給定的閾值范圍內(nèi)，如果在，則停止優(yōu)化；否則，繼續(xù)進(jìn)行過程4b)～4c)，直到目標(biāo)函數(shù)值變化值在給定閾值范圍內(nèi)停止； 4e)將優(yōu)化后的數(shù)值固定，SVM分類器按照該固定數(shù)值對(duì)待分類的SAR測(cè)試樣本圖像特征進(jìn)行分類，并將得到的分類結(jié)果以類別標(biāo)識(shí)的形式輸出； 4f)根據(jù)分類結(jié)果，計(jì)算待分類樣本圖像的識(shí)別率，并在計(jì)算機(jī)上顯示。
本發(fā)明效果可以通過以下仿真實(shí)驗(yàn)進(jìn)一步說明 仿真條件仿真實(shí)驗(yàn)的數(shù)據(jù)集是由美國國防部計(jì)劃署和空氣動(dòng)力研究實(shí)驗(yàn)室項(xiàng)目組提供的MSTAR圖像庫，大小均為128×128，256級(jí)灰度。使用的訓(xùn)練樣本圖像是SAR在俯視角為17°時(shí)對(duì)地面目標(biāo)的成像數(shù)據(jù)，測(cè)試樣本圖像是SAR在俯視角為15°時(shí)對(duì)地面目標(biāo)的成像數(shù)據(jù)，其中包括1161幅訓(xùn)練樣本圖像第一類232幅，第二類231幅，第三類為233個(gè)，第四類為232個(gè)，第五類為233個(gè)；978幅測(cè)試樣本圖像第一類為196個(gè)，第二類為195個(gè)，第三類為195個(gè)，第四類為196個(gè)，第五類為194個(gè)。
仿真結(jié)果如表1、表2和表3所示。該表1、表2和表3中‘能量’是單獨(dú)使用能量特征SVM分類結(jié)果；‘方差’是單獨(dú)使用方差特征SVM分類結(jié)果；‘共生矩陣’單獨(dú)使用共生矩陣特征SVM分類結(jié)果。
表1 一層小波分解后提取特征的SAR圖像分類實(shí)驗(yàn)數(shù)據(jù)表
表2 二層小波分解后提取特征的SAR圖像分類實(shí)驗(yàn)數(shù)據(jù)表
表3 三層小波分解后提取特征的SAR圖像分類實(shí)驗(yàn)數(shù)據(jù)表
表1～表3中列出了標(biāo)準(zhǔn)SVM分類器使用一個(gè)特征及本發(fā)明得到的SAR圖像分類正確率，同樣實(shí)驗(yàn)條件下最高的分類正確率加粗。由實(shí)驗(yàn)數(shù)據(jù)可知，本發(fā)明采用SVM分類器的基于小波特征提取的混合核函數(shù)對(duì)SAR圖像進(jìn)行分類比使用通用核函數(shù)方法有著更高的分類正確率，特別是一層小波分解時(shí)，測(cè)試樣本分類正確率提高了2.52％。
權(quán)利要求
1.一種基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，包括如下步驟
輸入及預(yù)處理步驟輸入訓(xùn)練及測(cè)試樣本圖像，對(duì)該樣本圖像進(jìn)行歸一化和標(biāo)識(shí)；
特征提取步驟對(duì)歸一化后的樣本圖像進(jìn)行小波分解，并對(duì)分解后的各個(gè)子帶分別提取多個(gè)特征，并且將各種特征按結(jié)構(gòu)體Tl×r形式存儲(chǔ)，l是樣本個(gè)數(shù)，r是提取特征個(gè)數(shù)；
SAR圖像分類步驟根據(jù)提取的各個(gè)子帶的多個(gè)特征，構(gòu)建SVM分類器的基于小波特征的混合核函數(shù)并通過對(duì)該混合核函數(shù)中凸組合系數(shù)的優(yōu)化，完成對(duì)圖像特征的分類，
式中，Xi，Xj分別是指第i和第j個(gè)樣本圖像，i，j≤l，Xik，Xjk分別是指第i和第j個(gè)樣本圖像的第k個(gè)特征，ρk是凸組合系數(shù)。
2.根據(jù)權(quán)利要求1所述的基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，其中所說的輸入及預(yù)處理步驟，具體實(shí)現(xiàn)如下
2a)輸入M幅訓(xùn)練樣本圖像，N幅待分類測(cè)試樣本圖像，其中N小于M；
2b)對(duì)樣本圖像歸一化，將圖像的像素從0～255歸一化到0～1之間；
3c)對(duì)應(yīng)樣本圖像的類別，一一進(jìn)行標(biāo)識(shí)。
3.根據(jù)權(quán)利要求1所述的基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，其中所說的提取特征步驟，具體實(shí)現(xiàn)如下
3a)對(duì)輸入圖像進(jìn)行小波分解，得到各分解子帶；
3b)對(duì)分解后的各個(gè)子帶分別提取能量、方差和共生矩陣特征；
3c)將提取的特征與樣本一一對(duì)應(yīng)，并按結(jié)構(gòu)體Tl×r形式存儲(chǔ)，l樣本個(gè)數(shù)，r為提取特征個(gè)數(shù)。
4.根據(jù)權(quán)利要求1所述的基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，其中所述的構(gòu)建SVM分類器的基于小波特征的混合核函數(shù)，按如下過程進(jìn)行
4a)將SVM分類器的總決策函數(shù)f(X)修改為各個(gè)不同特征所對(duì)應(yīng)的決策函數(shù)f(Xk)的線性組合，即
式中，ak是線性組合系數(shù)，sign()是符號(hào)函數(shù)，Φ(Xik)是樣本在特征空間中的映射函數(shù)，Wik是SVM決策函數(shù)中的權(quán)值，bk是SVM決策函數(shù)中的偏置，r是提取特征個(gè)數(shù)，l是樣本個(gè)數(shù)；
4b)將SVM分類器的優(yōu)化目標(biāo)函數(shù)修改為
最小化
約束
C≥εi≥0，i＝1…l
式中，yi是樣本標(biāo)識(shí)，εi是松弛變量，C是折中系數(shù)；
4c)利用Lagrange乘子法，將SVM分類器優(yōu)化目標(biāo)函數(shù)的對(duì)偶規(guī)劃寫為
最大化
約束
0≤αi≤C i＝1…l
式中，αi是Lagrange乘子，(Φ(Xik)·Φ(Xjk)>是點(diǎn)乘，即核函數(shù)；
4d)取式(7)中的分項(xiàng)
為基于小波特征的混合核函數(shù)，即
約束
5.根據(jù)權(quán)利要求1所述的基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，其中所述的通過對(duì)混合核函數(shù)中凸組合系數(shù)的優(yōu)化，完成對(duì)圖像特征的分類，按如下過程進(jìn)行
5a)分別對(duì)SVM分類器的優(yōu)化目標(biāo)函數(shù)g0、混合核函數(shù)的凸組合系數(shù)ρk及其優(yōu)化目標(biāo)函數(shù)變化的閾值θ0，進(jìn)行初始化；
5b)利用如下關(guān)于二次規(guī)劃得到SVM分類器優(yōu)化目標(biāo)函數(shù)中的權(quán)值W
最大化
約束
0≤αi≤C i＝1…l
5c)固定二次規(guī)劃中Lagrange乘子αi，利用如下線性規(guī)劃得到松弛變量εi及混合核函數(shù)中的凸組合系數(shù)ρi
最小化
yif(Xi)≥1+εi，i＝1…l
約束εi≥0，i＝1…l；
5d)將公式(10)與公式(11)的值代入公式(6)，計(jì)算SVM分類器的優(yōu)化目標(biāo)函數(shù)值，并判斷該函數(shù)值是否在給定的閾值范圍內(nèi)，如果在，則停止優(yōu)化；否則，繼續(xù)進(jìn)行過程5b)～5c)，直到目標(biāo)函數(shù)值變化值在給定閾值范圍內(nèi)停止；
5e)將優(yōu)化后的數(shù)值固定，SVM分類器按照該固定數(shù)值對(duì)待分類的SAR測(cè)試樣本圖像特征進(jìn)行分類，并將得到的分類結(jié)果以類別標(biāo)識(shí)的形式輸出；
5f)根據(jù)分類結(jié)果，計(jì)算待分類樣本圖像的識(shí)別率，并在計(jì)算機(jī)上顯示。
全文摘要
本發(fā)明公開了一種基于小波特征的混合核函數(shù)的SVM分類器的SAR圖像分類方法，它屬于圖像處理技術(shù)領(lǐng)域，主要解決圖像特征提取有效性不足的問題。其步驟為1輸入訓(xùn)練及測(cè)試樣本圖像，對(duì)該樣本圖像進(jìn)行歸一化和標(biāo)識(shí)；2對(duì)歸一化后的樣本圖像進(jìn)行小波分解，并對(duì)分解后的各個(gè)子帶分別提取多個(gè)特征，并且將各種特征按結(jié)構(gòu)體Tl×r形式存儲(chǔ)；3根據(jù)提取的各個(gè)子帶的多個(gè)特征，構(gòu)建SVM分類器的基于小波特征的混合核函數(shù)(式見右下)，式中，Xi，Xj分別是指第i和第j個(gè)樣本圖像，i，j≤l，Xik，Xjk分別是指第i和第j個(gè)樣本圖像的第k個(gè)特征，ρk是凸組合系數(shù)；4通過對(duì)該混合核函數(shù)中凸組合系數(shù)的優(yōu)化，完成對(duì)圖像特征的分類。該方法具有圖像分類識(shí)別率高的優(yōu)點(diǎn)，可用于機(jī)器學(xué)習(xí)和模式識(shí)別。
文檔編號(hào)G06K9/62GK101488188SQ200810232209
公開日2009年7月22日 申請(qǐng)日期2008年11月10日 優(yōu)先權(quán)日2008年11月10日
發(fā)明者莉 張, 周偉達(dá), 刁丹丹, 王曉東, 焦李成, 馬文萍, 公茂果 申請(qǐng)人:西安電子科技大學(xué)