论文部分内容阅读
纹理是SAR图像的主要特征,也是对SAR图像实现智能化信息处理的重要研究对象之一。根据获取的地物遥感影像实现自动分类具有广泛的应用,在民用上,可以为农田、植被类型检测提供帮助,在军事上也可以为目标区域类型的侦查和检测提供重要的情报。
提取到的纹理特征对于纹理分类的准确率有重要影响的。本文将SAR纹理分为两类:复杂性纹理(Texturel)和周期性、方向性较强纹理(Texture2)。为了能够提高这两类纹理的分类准确率,本文不仅使用具有多尺度、多方向分析特性的Gabor滤波器组来模仿人类视觉系统处理纹理,而且还把集统计分析与几何分析能力于一体,且具有较高计算效率的局部二值模式(LBP)作为纹理分析的方法。第二章对这两种纹理分析方法从理论层面给出了详细的阐述,从而为本文纹理分割和纹理分类部分的具体应用做好了准备。
针对纹理分割。首先,优化调整滤波器组的参数,使滤波器组涵盖整个频率域,同时具有低的耦合性,并基于优化的滤波器组对图像进行滤波,提取振幅成分,得到滤波后的特征图像。其次,将多通道滤波得到的特征图像,再进行非线性变换,使得类内像素亮度值相近,实现了纹理类型间的预分割。然后,为进一步抑制类内振幅响应值的跳动,得到更加平滑的分割结果,我们按照图像在Gabor展开时的滤波器尺度对每一幅经非线性变换的特征图像进行了高斯后滤波,把像素邻域信息完全的融合到经多通道滤波的特征图像。最后,使用K-means聚类算法来进行不同纹理类型的标注,完成了单种纹理的分类。
提出了联合Gabor滤波器组和局部二值模式来对SAR纹理图像进行分类的新方法SARICIT(SAR Image Classification using InquiryTable)。首先选取了两组具有类型标注的图像作分类器的训练和查询表制作。对第一组带类标的训练图像集提取经Gabor滤波和LBP处理后得到的两种纹理特征,分别对基于非监督和监督模式相融合的混合神经网络分类器进行训练。对第二组带类标的训练图像集制作二维分类信息查询表,记录两种分类器对每一幅图像的判断结果。然后,进行SAR图像实际分类应用,提取经Gabor滤波和LBP处理后得到的两种纹理特征,输入到训练好的分类器,根据两种分类器给出的类型响应,结合查询表,使用一种投票的机制来确定待分类的图像的纹理属性。实验结果表明,与单独使用一种纹理特征进行分类的流行方法相比,使用联合特征的新方法,对SAR图像纹理分类更准确、更适用。