论文部分内容阅读
海冰是全球气候系统的重要因子,为开展航运交通、海洋资源开发等工作,必须加强对海冰的监测和预报,合成孔径雷达(Synthetic Aperture Radar, SAR)是监测海冰的重要工具。海冰图像解译常用的有效方法是海冰图像分类。本文将基于马尔可夫随机场(Markov Random Field, MRF)的空间相关性引入支持向量机(Support Vector Machine, SVM)分类器。由于基于MRF的空间语境信息可提高场景解译的精确性,SVM针对高维、小样本数据具有优良的泛化能力和高效的分类性能,且能克服统计估计误差的影响,故可以在SVM框架下利用MRF进行空间交互建模。本文从这一角度出发,充分结合SVM与MRF在分类领域的优点,提出了MRF-vSVC分类方法。本方法首先将SAR海冰图像区域化,获取待分类样本区域和边缘信息,采集适量训练样本子图像,提取样本区域的灰度和3个纹理统计量构成特征向量。将训练数据输入v-SVM,得到图像初始分类标记。然后通过提出的双阈值准则判别边缘强弱,针对模糊边缘的区域将改进的空间语境模型即边缘语境模型引入v-支持向量机,修正v-SVM原始问题的偏差因子,求解相应对偶问题的最优解,最终得到分类结果。本文方法与以往方法的不同具体体现在以下两个方面：(1)为提高分类算法对SAR海冰图像非平稳性的适应能力,本文在区域水平,将基于邻域的空间语境模型优化为边缘语境模型,构造v-SVM的边缘语境偏差因子,这样就将基于MRF的边缘语境信息引入了v-SVM,从而修正最优分类超平面。(2)为提高算法效率,本文针对边缘的强弱设置了双阈值,对于强边缘保留区域标记,对于弱边缘清除该边缘及其边缘标识,对于灰度变化不明显但可能连接不同类别的模糊边缘则通过考虑边缘语境信息优化分类。