[发明专利]一种弱监督的SAR图像分类方法

说明书

技术领域

本发明涉及图像分类领域，更具体地涉及一种弱监督的SAR图像分类方法。

背景技术

在过去的十年内，我们目睹了大量的星载和机载SAR系统的诞生和发展。大量的高分辨率SAR图像可以被用来支持精确的地表观测和制图应用。然而，如何利用计算机有效的处理这些大量的数据仍然是一个未被解决的难题。现有的很多SAR图像分类算法都需要精确的手动标注数据来进行训练，这些方法往往需要大量的人力物力，并且很难扩展到新的数据，新的类别和新的应用中。

语义模型最初是用来描述和分析文本的产生过程。语义模型采用多个(K个)“隐变量”或者“主题”，来描述文本和单词之间的关系。在很多应用中，这些语义变量是通过一些诸如聚类的非监督方法获得的。在图像处理应用中，文本则变成了图像或者子图像，单词则变成了“视觉单词”，也就是局部特征的聚类量化中心。通常这些“视觉单词”是通过一些像K-means的聚类算法对图像中的局部特征进行聚类获得的。尽管子图像级的语义信息被引入，单一尺度上的特征表示对高分辨率SAR图像分类任务来说仍然是不够的。多尺度信息可以有效的解决一些局部的分类歧义并且可以在较大的尺度上传播这种语义信息。

虽然SAR图像监督分类算法可以取得不错的分类效果。但是在实际应用中，人们往往发现获取真实的全标注训练数据是非常困难的。因此，研究一个可以直接从关键词标注的训练数据中学习的弱监督SAR图像分类算法是很有必要的。

发明内容

本发明目的是针对现有图像分类技术的不足和缺陷，提出了一种弱监督的SAR图像分类方法。

本发明提供的弱监督SAR图像分类方法包括以下具体步骤：

步骤1，分割图像，即先将SAR图像分割成多个子图像，然后将各子图像格网划分成互不重叠的矩形区域；

步骤2，建树，即将每个矩形区域采用一个建立在多尺度信息上的局部四叉树描述，局部四叉树的叶子节点为矩形区域中的一个图像块；

步骤3，建模，即通过建立分级的马尔科夫主题模型，一个子图像中的所有矩形区域被它们共享的语义模型联系在一起，这些语义模型将子图像作为一个整体来描述其地物分类概率；步骤4，训练与推理，即根据对步骤1中所得的子图像中一部分的预先关键词标注，基于步骤3构建的分级马尔科夫主题模型进行学习训练，然后用训练后所得分级马尔科夫主题模型对剩下的子图像进行语义标注。

本发明技术方案能同时利用图像的数据信息，图像与图像之间的相关性息和图像在多个尺度上的相关信息，因而很好的克服了SAR图像分类中的一些局部不确定性问题。另一方面，该方法可以从少量的弱信息，即从关键词标注的训练数据中学习SAR图像的分类模型，可以大幅度的减少获取精确训练数据的难度。

附图说明

图1为实施例的弱监督SAR图像分类流程。

图2为实施例的TerraSAR-X图像分类精度随训练数据比例变化而变化的曲线图。

具体实施方式

下面对弱监督的SAR图像分类方法的基本原理和相关概念加以说明。

(1)语义模型

语义模型最初是用来描述和分析文本的产生过程。语义模型采用多个(K个)“隐变量”或者“主题”，z＝{1，...，K}，来描述文本和单词之间的关系。在很多应用中，这些语义变量是通过一些诸如聚类的非监督方法获得的。这里，我们通过将这些隐变量和地物场景类别的等价使得我们可以以一种监督的方式来训练语义模型。令D＝{d₁，...，d_N}为文本集合，则基本的语义模型假设每一个文本d_i中的每一个词语w_j都拥有一个关联的隐语义模型z_j，而且此文本可以通过从一个文本相关的混合分布P(z|d_i)中采样隐语义变量z_j，又从这些隐语义变量z_j和单词之间的概率分布P(w|z)中采样每一个单词来产生整个文本。基于此，每个文本都可以被看做是一组从下式中采样而来的，词与词之间相互独立的单词包：