亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        面向圖像分類的SAR與可見光圖像融合

        2013-10-25 05:26:14楊風(fēng)暴王志社紀(jì)利娥
        激光與紅外 2013年11期
        關(guān)鍵詞:紋理遺傳算法灰度

        陳 磊,楊風(fēng)暴,王志社,紀(jì)利娥

        (中北大學(xué)信息與通信工程學(xué)院,山西太原030051)

        1 引言

        近年來,隨著航天技術(shù)的迅猛發(fā)展,SAR(合成孔徑雷達(dá))越來越受到人們的關(guān)注,SAR能夠穿透云層和雨區(qū),具有全天時(shí)、全天候的工作特性,而且SAR還可以深入地表、穿透植被,改變 SAR的波長可以得到植被上層甚至地下的圖像信息[1]。SAR通過物體的幾何特性和介電特性得到圖像信息,由于不同目標(biāo)的微波反射特性受頻率、反射角和極化方式的影響而不同,使得在SAR圖像上呈現(xiàn)較多的地物紋理特征[2]。而可見光圖像對(duì)目標(biāo)的物理和化學(xué)屬性更為敏感,所以圖像主要反映不同地物的輪廓和光譜信息。因此將SAR圖像與可見光圖像進(jìn)行融合,充分利用兩者的互補(bǔ)信息,在保持圖像紋理信息的同時(shí),盡可能地增加光譜信息,以便于后續(xù)的目標(biāo)識(shí)別等。

        SAR與可見光圖像融合算法,目前主要是基于灰度調(diào)制和多分辨率融合框架的。文獻(xiàn)[3]提出基于灰度調(diào)制的融合方法,將可見光圖像經(jīng)IHS變換提取的I分量與SAR低頻信息的比率進(jìn)行調(diào)制,以加入SAR圖像的紋理細(xì)節(jié)信息。該方法在比率調(diào)制時(shí)有可能會(huì)使計(jì)算值超出顯示的動(dòng)態(tài)范圍,引起失真。文獻(xiàn)[4]、[5]通過小波變換對(duì)SAR和可見光圖像進(jìn)行融合,對(duì)分解后的低頻成分簡單的加權(quán)平均或直接取SAR圖像的低頻。該方法充分利用了SAR圖像紋理信息和可見光的光譜信息的互補(bǔ)性,但低頻加權(quán)系數(shù)的選取過于隨機(jī)。文獻(xiàn)[6]、[7]提出鄰域特征自適應(yīng)加權(quán)對(duì)低頻進(jìn)行融合,從一定程度上克服了低頻加權(quán)系數(shù)的隨機(jī)選擇,但是由于統(tǒng)計(jì)特性各自具有不同的取值范圍,可能導(dǎo)致某個(gè)統(tǒng)計(jì)特性完全掩蓋了其他特性的特征。而且上述方法獲得的融合圖像往往是在某些特性上強(qiáng)于單一圖像,不能保證在圖像的目標(biāo)分類和識(shí)別上取得良好的效果。因此,本文面向圖像分類,在NSCT融合框架下利用遺傳算法搜索最優(yōu)的低頻加權(quán)系數(shù)對(duì)SAR和可見光圖像進(jìn)行融合,這樣既避免了低頻加權(quán)系數(shù)選擇的隨機(jī)性,且通過遺傳算法對(duì)足夠多的樣本進(jìn)行訓(xùn)練又使融合圖像具有良好的分類效果。為方便起見,本文所用可見光圖像為灰度可見光圖像,SAR圖像經(jīng)過相干斑噪聲抑制,并與可見光圖像嚴(yán)格配準(zhǔn)。

        2 SAR圖像分類

        目前,SAR圖像處理的研究熱點(diǎn)主要集中在提高圖像質(zhì)量、特征提取、目標(biāo)分類和識(shí)別等,其中目標(biāo)分類對(duì)于目標(biāo)的解譯起了至關(guān)重要的作用[8]。SAR圖像的分類特征包括灰度特征和紋理特征,從SAR圖像的成像特性上來看,具有相同或相近后向散射特性的不同目標(biāo)在SAR圖像上表現(xiàn)為相同或相近的灰度值,這就使得僅利用灰度值對(duì)SAR圖像進(jìn)行分類不可能取得良好的效果。本文結(jié)合文獻(xiàn)[9]~[12]、[15]提出一種結(jié)合局域灰度均值和四種紋理特征的分類方法,實(shí)驗(yàn)結(jié)果證明,能夠取得較好的分類效果。

        2.1 基于灰度共生矩陣的紋理特征提取

        灰度共生矩陣反映圖像灰度關(guān)于方向、相鄰間隔、變化幅度等綜合信息,是分析圖像局部特征和排列規(guī)律的基礎(chǔ)?;叶裙采仃嚨慕⒎椒ㄊ?設(shè)圖像某一區(qū)域有N個(gè)灰度值,則對(duì)應(yīng)該區(qū)域的灰度共生矩陣是一個(gè) N×N階矩陣,在矩陣中位置(i,j)(1,…i,N;1…j,N)處元素是從灰度i的像元離開某個(gè)固定位置δ=(DX,DY)像元為j這種現(xiàn)象出現(xiàn)的概率[11]。

        Haralick[12-14]提出了由灰度共生矩陣計(jì)算出的14個(gè)統(tǒng)計(jì)量來表征圖像的紋理特征,隨后Baraldi[13]通過大量實(shí)驗(yàn)驗(yàn)證,對(duì)于SAR圖像來說,這14中統(tǒng)計(jì)量中的熵、同質(zhì)區(qū)、非相似度和角二階矩對(duì)圖像分類效果最好,其計(jì)算方法如下:

        式中,P( i,j)表示灰度共生矩陣在(i,j)處的值,本文計(jì)算每一像元在其鄰域內(nèi)的4個(gè)灰度共生矩陣,并取這四個(gè)灰度共生矩陣的平均值作為局部圖像該像元位置的灰度共生矩陣,通過式(1)~(4)計(jì)算其紋理特征。

        2.2 圖像分類算法

        設(shè) f( i,j)為圖像在(i,j)處的灰度值,w 為一個(gè)n×n的窗口,則在窗口w內(nèi)圖像灰度區(qū)域均值為:

        本文結(jié)合每一像元處的四個(gè)紋理特征即熵、同質(zhì)區(qū)、非相似度、角二階矩和灰度特征局域灰度均值,組成一個(gè)新的特征向量,利用K均值聚類算法對(duì)圖像進(jìn)行分類,具體算法如下:

        (1)以每個(gè)像元為中心,取5×5的窗口,計(jì)算這個(gè)窗口圖像的四個(gè)方向灰度共生矩陣的均值作為該像元的灰度共生矩陣,根據(jù)公式(1)~(4)計(jì)算紋理特征。

        (2)利用公式(5),計(jì)算以每個(gè)像元為中心的5×5窗口內(nèi)的灰度局域均值作為圖像的灰度特征。

        (3)將步驟(1)和(2)中計(jì)算的紋理特征和灰度特征組合成像元的特征向量。

        (4)對(duì)所有像元的特征向量進(jìn)行K均值聚類,得到最終的分類結(jié)果。

        為驗(yàn)證分類算法的有效性,采用文獻(xiàn)[11]中的SAR圖像進(jìn)行仿真,結(jié)果如圖1所示。

        可以看出本文SAR圖像分類算法能夠取得良好的效果。

        圖1 SAR圖像分類實(shí)驗(yàn)

        3 圖像融合

        3.1 NSCT 變換

        目前基于多尺度變換的融合算法成為圖像融合的研究熱點(diǎn),常用的多尺度變換方法有小波變換,曲波變換,輪廓波變換和NSCT等。NSCT作為最近發(fā)展起來的一種多尺度變換方法,其不僅具有小波變換的多尺度和時(shí)頻局部特性,同時(shí)也具有高度的方向性和各向異性,能很好的“捕捉”二維圖像的幾何結(jié)構(gòu),而且NSCT還避免了輪廓波變換的上采樣和下采樣操作,使得NSCT分解得到的子帶圖像與源圖像大小相同,從而容易找到各子帶圖像間的對(duì)應(yīng)關(guān)系,有利于制定融合規(guī)則,因此這里采用NSCT對(duì)SAR和可見光圖像進(jìn)行融合。

        3.2 遺傳算法

        遺傳算法是通過模擬生物進(jìn)化過程來探索最優(yōu)解,即通過選擇與與染色體之間的交叉變異來完成,本文中采用遺傳算法獲得最優(yōu)的低頻加權(quán)融合系數(shù)。

        設(shè)用NSCT對(duì)已配準(zhǔn)的SAR和可見光圖像進(jìn)行分解,分解層數(shù)為j且每層的分解方向?yàn)閗,則得到各自的分解系數(shù)和,其中 LS表示SAR圖像分解后的低頻系數(shù),表示 SAR 圖像分解后第j層第k方向的高頻系數(shù)。則融合后的低頻系數(shù)為:

        式中,LF表示融合后的低頻系數(shù);α為加權(quán)系數(shù),遺傳算法的主要任務(wù)就在[0,1]區(qū)間內(nèi)搜索最優(yōu)的α使得融合后的圖像分類效果最好。圖2是遺傳算法流程圖。

        圖2 遺傳算法流程圖

        確定適應(yīng)度函數(shù)是遺傳算法最優(yōu)化搜索的核心,適應(yīng)度函數(shù)是根據(jù)待解決問題的目標(biāo)函數(shù)確定的,用于區(qū)分群體中個(gè)體好壞的標(biāo)準(zhǔn),是算法演化過程的驅(qū)動(dòng)力,也是進(jìn)行自然選擇的唯一依據(jù)。這里以圖像的分類精度K作為適應(yīng)度函數(shù),K的計(jì)算為:在圖像中隨機(jī)選取N個(gè)點(diǎn),查閱資料和相關(guān)數(shù)據(jù)確定其所屬類別,通過上面的分類算法對(duì)圖像進(jìn)行分類,得到這N個(gè)樣本點(diǎn)中被正確分類的點(diǎn)數(shù)n,則分類精度為:

        所以用遺傳算法搜尋最優(yōu)α的具體實(shí)現(xiàn)步驟為:

        第一步生成初始種群,這里采用實(shí)數(shù)編碼,染色體長度設(shè)為16位,在[0,1]范圍內(nèi)隨機(jī)均勻分布的種群 {α1,α2,…,αN},N為種群規(guī)模,本文采用N=60,選擇優(yōu)化的過程就是從這N個(gè)染色體中選擇出1個(gè),使得融合后的圖像分類精度最大化。

        第二步確定遺傳算子,遺傳算子主要包括選擇算子、交叉算子和變異算子。選擇是一個(gè)復(fù)制的過程,它根據(jù)每一個(gè)個(gè)體的適應(yīng)度即融合后圖像的分類精度,按照從大到小的順序選擇出M個(gè)(M<N)作為母體進(jìn)行交叉操作。交叉是模擬有性繁殖的基因重組操作,它對(duì)選擇出的每一個(gè)個(gè)體,以一定的交叉概率Pc交換它們之間的部分基因。變異是模擬基因突變的操作,它以一定的變異概率Pm改變某一個(gè)或某一些基因位上的基因值。本文中M=40,Pc=0.8,Pm=0.03。

        第三步終止檢驗(yàn),當(dāng)適應(yīng)度達(dá)到最大值或設(shè)定的循環(huán)次數(shù)T到達(dá)時(shí),滿足終止準(zhǔn)則,則輸出種群中具有最大適應(yīng)度的個(gè)體作為最優(yōu)解,終止計(jì)算,否則返回第二步。

        3.3 融合算法

        圖像融合算法的具體步驟如下:

        (1)分別對(duì)SAR和可見光圖像進(jìn)行NSCT分解,分別得到各自的低頻系數(shù)圖像和高頻系數(shù)圖像。

        (2)采用一定的融合規(guī)則融合SAR和可見光圖像的低頻系數(shù)和高頻系數(shù),得到融合的低頻和高頻系數(shù)圖像。

        (3)NSCT逆變換,得到最終的融合圖像。

        其中(2)融合規(guī)則的確定是算法的核心,低頻系數(shù)的融合規(guī)則采用如式(6)的加權(quán)平均,利用上面的遺傳算法來確定加權(quán)系數(shù)。

        由于空間頻率能反應(yīng)窗口內(nèi)灰度變化的趨勢(shì),空間頻率較大者對(duì)應(yīng)著一些突變,如圖像的邊緣、紋理等重要信息,因此高頻系數(shù)選擇以空間頻率為度量標(biāo)準(zhǔn),選擇兩個(gè)窗口內(nèi)空間頻率較大的作為融合圖像的高頻信息:

        式中,SFS表示SAR圖像高頻系數(shù)中以(m,n)為中心的窗口內(nèi)的空間頻率;表示 SAR 圖像分解的第j層第k方向在點(diǎn)(m,n)處的高頻系數(shù)。圖像區(qū)域F的空間頻率SF的計(jì)算為:

        式中,RF表示行頻率,定義為:

        CF表示列頻率,定義為:

        M是圖像區(qū)域F的行數(shù),N是圖像區(qū)域F的列數(shù)。

        4 融合實(shí)驗(yàn)及其分析

        這里與文獻(xiàn)[6]所用方法得到的融合圖像進(jìn)行分類效果對(duì)比,圖3為圖像融合試驗(yàn)結(jié)果。圖3(a)是分辨率為3 m的可見光源圖像,含有豐富的光譜信息。圖3(b)是分辨率為10m的SAR圖像,兩幅圖像經(jīng)過配準(zhǔn)后尺寸大小為292×278。圖3(c)是文獻(xiàn)[6]方法得到的SAR與可見光融合圖。圖3(d)為本文方法得到的融合圖像。在圖像中每類隨機(jī)選取50個(gè)樣本共計(jì)150個(gè),通過與土地利用現(xiàn)狀及部分現(xiàn)有資料進(jìn)行分析,確定樣本的所屬類別,并通過公式(7)得到圖像的分類精度,表1為計(jì)算結(jié)果。

        圖3 圖像融合試驗(yàn)結(jié)果

        由表1可以看出,使用本文算法得到融合圖像的分類精度達(dá)到84%,比文獻(xiàn)[6]算法有了很大的提高。由此可見,本文算法能夠取得較好的融合分類效果。

        表1 融合圖像分類精度

        5 結(jié)論

        由于SAR和可見光圖像反映的地物特征不同,將其進(jìn)行融合不僅有利于人的視覺觀察,對(duì)于后續(xù)的圖像識(shí)別等也具有重要作用。本文基于NSCT變換,利用遺傳算法選取低頻圖像的加權(quán)系數(shù),直接面向圖像分類,使得融合圖像能夠具有良好的分類效果,更加有利于后續(xù)的圖像識(shí)別等。在本文方法中,分類算法的選取至關(guān)重要,如何得到一種更加快速、有效的分類算法,進(jìn)一步提高融合效果還有待深入研究。

        [1] Cheng Jian.Research on the algorithm of SAR and optimal image fusion[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2008.(in Chinese)程堅(jiān).SAR與可見光圖像融合算法研究[D].南京:南京航空航天大學(xué),2008.

        [2] Jin Xing,Li Huihui,Shi Pili.SAR and multispectral image fusion algorithm based on pulse coupled neural networks and non-subsampled Contourlet transform[J].Journal of Image and Graphics,2012,17(9):1188 -1195.(in Chinese)金星,李暉暉,時(shí)丕麗.非下采樣 Contourlet變換與脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的SAR與多光譜圖像融合[J].中國圖象圖形學(xué)報(bào),2012,17(9):1188 -1195.

        [3] AIParone L,F(xiàn)aeheris L,Baronti S,et al.Fusion of multispectral and SAR images by intensity modulation[C].The 7th International Conference on Information Fusion,2004:637-643.

        [4] Lu YaNing,Guo Lei,Li Huihui.Remote sensing image fusion using edge information and features of SAR image based on curvelet transform[J].Acta Photonica Sinica,2012,41(9):1118 -1123.(in Chinese)路雅寧,郭雷,李暉暉.結(jié)合邊緣信息和圖像特征信息的曲波域遙感圖像融合[J].光子學(xué)報(bào),2012,41(9):1118-1123.

        [5] Dipti Patra,Bagadi Kala Praveen.A new method for multi sensor image fusion of remotely sensed images[C].2010 International Conference on Industrial Electronics,Control and Robotics,2010:206 -210.

        [6] Zhai Juntao,Na Yan.Fusion algorithm of multispectral and panchromatic images based on Un-subsampled contourlet transform[J].Laser & Infrared,2008,38(3):282 -284.(in Chinese)翟軍濤,那彥.基于NSCT的多光譜和全色圖像的融合[J].激光與紅外,2008,38(3):282 -284.

        [7] Liu Zhenhua,Zhang Bing,Yu Wenzhen.Image fusion algorithm of SAR image and other source images[J].Modern Radar,2007,29(2):56 -59.(in Chinese)劉振華,張冰,于文震.SAR圖像與其他源圖像融合算法[J].現(xiàn)代雷達(dá),2007,29(2):56 -59.

        [8] Liu Songtao,Shen Tongshen,Yang Shaoqin.Evaluation methods on effect of image fusion for target recognition[J].Laser& Infrared,2007,37(7):593 -597.(in Chinese)劉松濤,沈同圣,楊紹清.面向目標(biāo)識(shí)別的圖像融合效果評(píng)價(jià)方法[J].激光與紅外,2007,37(7):593 -597.

        [9] Yuan Lihai,Song Jianshe,Xue Wentong.SAR image classification using grey and texture features[J].Electronics Optics & Control,2007,14(4):58 -62.(in Chinese)袁禮海,宋建社,薛文通.利用灰度和紋理特征的SAR圖像分類研究[J].電光與控制,2007,14(4):58 -62.

        [10] Krzysztof Kulpa,Mateusz Malanowski,et al.Radar and optical images fusion using stripmap SAR data with multilook processing[J].Intl Journal of Electronics And Telecommunications ,2011,57(1):37 -42.

        [11] Hu Zhaoling,Li Haiquan,Du Peijun.Study on the extraction of texture features and its application in classifying SAR images[J].Journal of China University of Mining &Technology,2009,38(3):422 -427.(in Chinese)胡召玲,李海權(quán),杜培軍.SAR圖像紋理特征提取與分類研究[J].中國礦業(yè)大學(xué)學(xué)報(bào),2009,38(3):422-427.

        [12] Wang Shixi.Research on the key technologies for target classification in SAR imagery[D].Changsha:National U-niversity of Defense Technology,2008.(in Chinese)王世晞.面向SAR圖像目標(biāo)分類的關(guān)鍵技術(shù)研究[D].長沙:國防科技大學(xué),2008.

        [13] Xue Xiaorong,Zeng Qiming,Zhao Rongchun.A fast method of SAR image classification[J].Computer Science,2007,34(5):222 -224.(in Chinese)薛笑榮,曾琪明,趙榮椿.一種快速的SAR圖像分類方法[J].計(jì)算機(jī)科學(xué),2007,34(5):222 -224.

        [14] HARALICK R,SHANMU G K,DINSTEIN I.Texture features for image classification[J].IEEE Transactions on Systems Man Cybernet,1973,3(6):610 -621.

        [15] Baraldi A,Parmiggian F.An investigation of the texture characteristics associated with gray level Co-occurrence matrix statistical parameters[J].IEEE Transaction on Geoscienceand RemoteSensing,1995,33(2):293-303.

        猜你喜歡
        紋理遺傳算法灰度
        采用改進(jìn)導(dǎo)重法的拓?fù)浣Y(jié)構(gòu)灰度單元過濾技術(shù)
        基于灰度拉伸的圖像水位識(shí)別方法研究
        基于BM3D的復(fù)雜紋理區(qū)域圖像去噪
        軟件(2020年3期)2020-04-20 01:45:18
        使用紋理疊加添加藝術(shù)畫特效
        基于自適應(yīng)遺傳算法的CSAMT一維反演
        TEXTURE ON TEXTURE質(zhì)地上的紋理
        Coco薇(2017年8期)2017-08-03 15:23:38
        一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
        基于最大加權(quán)投影求解的彩色圖像灰度化對(duì)比度保留算法
        基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)
        基于灰度線性建模的亞像素圖像抖動(dòng)量計(jì)算
        91精品国产无码在线观看| 人人妻人人爽人人澡人人| 蜜臀aⅴ国产精品久久久国产老师| 亚洲高潮喷水中文字幕| 亚洲一区二区三区亚洲| 草草影院ccyy国产日本欧美| 亚洲精品无码久久久久牙蜜区| 久久香蕉成人免费大片| 亚洲黄色一插一抽动态图在线看| 国产亚洲人成在线观看| 亚洲av无码久久精品狠狠爱浪潮 | 一本色综合网久久| 亚洲国产精品福利片在线观看| 高清无码精品一区二区三区| 国产黄色三级三级三级看三级| 国产精品亚洲精品日韩已方| 少女高清影视在线观看动漫| 午夜免费福利一区二区无码AV| 在线不卡av一区二区| 日本少妇春药特殊按摩3| 狠狠人妻久久久久久综合| 久久精品国产亚洲av热明星| 青青草国产手机观看视频| 国产免费av片在线播放| 久久久精品国产亚洲AV蜜| 国产精品日本一区二区三区在线| 极品粉嫩嫩模大尺度无码视频| 欧美性xxxx狂欢老少配| 亚洲AV色欲色欲WWW| 国产三级国产精品国产专区50| 久久成人国产精品免费软件| 亚洲AV无码精品呻吟| 国产高清大片一级黄色| 午夜成人理论福利片| 18级成人毛片免费观看| 99久久国产一区二区三区| 蜜桃视频免费进入观看| 8ⅹ8x擦拨擦拨成人免费视频| 大伊香蕉精品视频一区| 青青草小视频在线观看| 97色伦综合在线欧美视频|