基于贝叶斯网络的SAR图像识别方法技术

本发明专利技术公开了一种基于贝叶斯网络的SAR图像识别方法。主要解决现有技术中目标识别种类较少且需要训练样本的问题。其实现步骤为：1.根据基于层次视觉语义和自适应邻域多项式隐模型的方法，得到SAR图像分割结果；2.根据SAR图像的分割结果，构建图像灰度和目标种类之间的对应关系；3.根据图像灰度和目标种类之间的对应关系，构建贝叶斯网络；4.根据贝叶斯网络，确定分割区域的目标种类。本发明专利技术实现了SAR图像良好的识别效果，可用于目标跟踪。

SAR image recognition method based on Bayesian network

The invention discloses a SAR image recognition method based on Bayesian network. The invention mainly solves the problems that the target recognition type is few in the prior art, and the training sample is needed. The method comprises the following steps: 1. according to the method of hierarchical visual semantic and adaptive neighborhood based on polynomial implicit model, get the segmentation results of SAR images; 2. according to the segmentation results of SAR images, construct the corresponding relationship between the image and the target species; 3. according to the corresponding relationship between the grayscale image and target type, construct a Bayesian network according to 4.; Bayesian network, determine the segmentation area of the target species. The invention realizes the good recognition effect of the SAR image and can be used for target tracking.

【技术实现步骤摘要】
基于贝叶斯网络的SAR图像识别方法
本专利技术属于图像处理
，特别涉及SAR图像识别方法，可用于图像融合、配准和目标跟踪。
技术介绍
SAR是一种重要的对地观测手段，利用SAR图像进行目标识别具有非常重要的意义。典型的SAR图像识别方法是基于模板匹配的方法。该类方法中主要是先对SAR图像中的目标提取特征，例如形状特征、边界特征、灰度特征，再建立目标的模板。根据该模板，设计相似性测度用于识别目标的种类。该类方法对目标模板的依赖性较强，灵活性较差。当目标发生较大形变时，不能很好的识别目标，且该类方法识别的目标种类比较单一。为了改进SAR图像目标识别的效果，基于统计模型的SAR图像识别方法应用而生。该类方法不仅利用了SAR图像的特征而且考虑了目标的空间上下文关系。SAR图像的特征主要用似然概率来表示，通常表示为高斯分布、伽马分布等。目标的空间上下文关系主要用先验概率来表示，通常表示为Gibbs分布和多项式逻辑斯蒂回归函数。通过将似然概率和先验概率相乘，计算SAR图像中目标的种类。由于该类方法具有比其它识别方法的优势，被广泛应用于SAR图像识别。但是基于统计模型的SAR图像识别方法需要大量的训练数据，通过大量的训练数据获取目标的特征信息和上下文信息，实现目标识别。然而，对于SAR图像来说，获取大量的训练样本是相当困难的甚至是不可能的，因此限制了该类方法在SAR图像识别中的应用。另外，该类方法由于没有考虑SAR图像的特征和目标种类之间的因果关系，因此识别的目标种类也比较单一。
技术实现思路
本专利技术的目的在于针对上述已有方法的不足，提出一种基于贝叶斯网络的SAR图像识别方法，以提升SAR图像识别的效果。本专利技术的技术思路是：通过对基于统计模型的方法进行改进，改善SAR图像识别的效果，即考虑SAR图像的特征和目标种类的因果关系，在不需要训练样本的情况下，构建贝叶斯网络，其实现步骤如下：(1)采用基于层次视觉语义和自适应邻域多项式隐模型的方法，对SAR图像进行分割，得到分割区域R＝{Ri},i∈{1,2,...,m}，m代表分割区域的总个数，Ri代表第i个分割区域；(2)根据SAR图像的分割结果，构建图像灰度和目标种类之间的对应关系：(2a)计算分割区域Ri内的平均灰度Ai：其中，Ni是分割区域Ri内的像素总个数，ys是分割区域Ri内第s个像素，s∈{1,2,...,Ni}；(2b)根据计算的平均灰度Ai，将分割区域Ri划分成3个灰度区间，如果平均灰度Ai∈[0,50)，则分割区域Ri是低灰度区间；如果平均灰度Ai∈[50,175)，则分割区域Ri是中灰度区间；如果平均灰度Ai∈[175,255]，则分割区域Ri是高灰度区间；(2c)设低灰度区间对应的是道路、水域、湿地和阴影4种目标，中灰度区间对应的是陆地和农田2种目标，高灰度区间对应的是森林和规则的人工目标群2种目标；(3)根据图像灰度和目标种类之间的对应关系，构建贝叶斯网络；(3a)根据SAR图像素描模型得到SAR图像素描图；(3b)根据SAR图像的素描图，计算分割区域Ri的特征di：其中，bj是方向为j的像素个数，j∈K，K＝{0,1,...,179}代表0度到179度共180个方向；(3c)根据步骤(2c)和(3b)，构建贝叶斯网络的第一层为SAR图像，第二层为SAR图像的目标种类，第三层是SAR图像分割区域的特征di和像素总个数Ni；(4)根据贝叶斯网络，构建分割区域的目标种类的公式：(4a)定义分割区域Ri的目标种类zc为：其中，z＝{zc},c∈{1,2,...,8}，z1,z2,z3,z4,z5,z6,z7和z8分别代表道路、水域、湿地、阴影、陆地、农田、森林和规则的人工目标群8种目标类型；(4b)根据(4a)，获得识别分割区域Ri目标种类的公式：其中，α为归一化的参数，p(di|zc)是特征di的条件概率，p(Ni|zc)是像素个数Ni的条件概率，p(zc)为先验概率；(5)根据(4b)中分割区域Ri目标种类的公式，分别计算分割区域Ri属于8种不同目标种类的概率，取这8个概率的最大值，最大值对应的目标种类为分割区域Ri的目标类型。本专利技术与现有技术相比具有如下优点：第一、本专利技术挖掘了图像本身的信息进行目标识别，不需要目标的训练样本信息，降低了SAR图像识别的难度。第二、本专利技术根据图像灰度和目标种类之间的对应关系构建了贝叶斯网络，用贝叶斯网络中的低灰度区间对应道路、水域、阴影和湿地4种目标，中灰度区间对应陆地和农田2种目标，高灰度区间对应森林和规则的人工目标群2种目标，该对应关系丰富了目标的信息，提高了SAR图像识别的目标种类。附图说明图1是本专利技术的实现流程图；图2是本专利技术中图像灰度与目标种类的对应关系图；图3是本专利技术中的贝叶斯网络结构图；图4是用本专利技术对Ku波段分辨率为1米的SAR图像识别结果图；图5是用本专利技术对C波段分辨率为3米的SAR图像识别结果图。具体实施方式参照图1，本专利技术的实施步骤如下：步骤1，采用基于层次视觉语义和自适应邻域多项式隐模型的方法，对SAR图像进行分割。现有技术中，有多种方法可以实现SAR图像的分割，例如马尔科夫随机场MRF方法、条件随机场CRF方法、多项式隐模型方法、基于层次视觉语义和自适应邻域多项式隐模型的方法。本专利技术根据Fang-Liu和YipingDuan等人于2016年发表在IEEETransactionsonGeoscienceandRemoteSensing杂志上的文章《SARimagesegmentationbasedonhierarchicalvisualsemanticandadaptiveneighborhoodmultinomiallatentmodel，基于层次视觉语义和自适应邻域多项式隐模型的SAR图像分割方法》中所提出的模型对SAR图像进行分割。分割结果中具有相同标记的区域为分割区域R＝{Ri},i∈{1,2,...,m}，m代表分割区域的总个数，Ri代表第i个分割区域。步骤2，根据SAR图像的分割结果，构建图像灰度和目标种类之间的对应关系。(2a)计算分割区域Ri内的平均灰度Ai：其中，Ni是分割区域Ri内的像素总个数，ys是分割区域Ri内第s个像素，s∈{1,2,...,Ni}；(2b)根据计算的平均灰度Ai，将分割区域Ri划分成3个灰度区间，如果平均灰度Ai∈[0,50)，则分割区域Ri是低灰度区间；如果平均灰度Ai∈[50,175)，则分割区域Ri是中灰度区间；如果平均灰度Ai∈[175,255]，则分割区域Ri是高灰度区间；(2c)设低灰度区间对应的是道路、水域、湿地和阴影4种目标，中灰度区间对应的是陆地和农田2种目标，高灰度区间对应的是森林和规则的人工目标群2种目标，如图2所示。步骤3，根据图像灰度和目标种类之间的对应关系，构建贝叶斯网络。(3a)根据Jie-Wu和Fang-Liu等人于2014年发表在IEEETransactionsonGeoscienceandRemoteSensing杂志上的文章《LocalmaximalhomogenousregionsearchforSARspecklereductionwithsketch-basedgeometricalkerne本文档来自技高网...

【技术保护点】
基于贝叶斯网络的SAR图像识别方法，包括：(1)采用基于层次视觉语义和自适应邻域多项式隐模型的方法，对SAR图像进行分割，得到分割区域R＝{R

【技术特征摘要】
1.基于贝叶斯网络的SAR图像识别方法，包括：(1)采用基于层次视觉语义和自适应邻域多项式隐模型的方法，对SAR图像进行分割，得到分割区域R＝{Ri},i∈{1,2,...,m}，m代表分割区域的总个数，Ri代表第i个分割区域；(2)根据SAR图像的分割结果，构建图像灰度和目标种类之间的对应关系：(2a)计算分割区域Ri内的平均灰度Ai：其中，Ni是分割区域Ri内的像素总个数，ys是分割区域Ri内第s个像素，s∈{1,2,...,Ni}；(2b)根据计算的平均灰度Ai，将分割区域Ri划分成3个灰度区间，如果平均灰度Ai∈[0,50)，则分割区域Ri是低灰度区间；如果平均灰度Ai∈[50,175)，则分割区域Ri是中灰度区间；如果平均灰度Ai∈[175,255]，则分割区域Ri是高灰度区间；(2c)设低灰度区间对应的是道路、水域、湿地和阴影4种目标，中灰度区间对应的是陆地和农田2种目标，高灰度区间对应的是森林和规则的人工目标群2种目标；(3)根据图像灰度和目标种类之间的对应关系，构建贝叶斯网络；(3a)根据SAR图像素描模型得到SAR图像素描图；(3b)根据SAR图像的素描图，计算分割区域Ri的特征di：其中，bj是方向为j的像素个数，j∈K，K＝{0,1,...,179}代表0度到179度共180个方向；(3c)根据步骤(2c)和(3b)，构建贝叶斯网络的第一层为SAR图像，第二层为SAR图像的目标种类，第三层是SAR图像分割区域的特征di和像素总个数Ni；(4)根据贝叶斯网络，构建分割区域的目标种类的公式：(4a)定义分割区域Ri的目标种类zc为：其中，z＝{zc},c∈{1,2,...,8}，z1,z2,z3,z4,z5,z6,z7和z8分别代表道路、水域、湿地、阴影、陆地、农田、森林和规则的人工目标群8种目标类型；(4b)根据(4a)，获得识别分割区域Ri目标种类的公式：其中，α为归一化的参数，p(di|zc)是特征di的条件概率，p(Ni|zc)是像素个数Ni的条件概率，p(z...

【专利技术属性】
技术研发人员：刘芳，段一平，李婷婷，焦李成，郝红侠，陈璞华，马晶晶，尚荣华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61