SAR图像的检测和分类方法

2005年8月

第28卷第4期

北京邮电大学学报

Journal of Beijing University of Posts and Telecommunications

Aug. 2005Vol. 28No. 4

文章编号:100725321(2005) 0420099204　　

SAR 图像的检测和分类方法

龚　婕, 　杨士元

(清华大学自动化系, 北京100084)

摘要:从理论上分析了图像灰度共生矩阵和灰度共生矩阵的多个统计量. 提出了一种基于灰度共生矩阵的C 2均值聚类算法, 用于对合成孔径雷达(SAR ) 图像的分类. 通过真实的SAR 图像, 在实验中分析了各统计量的性能. 分析表明, 熵、方差、对比度、差平均的性能较好. 采用这几个统计量作为特征量进行分类, 得到了较好的分类结果, 很好地保持了类间距, 同时使类内方差较小.

关　键　词:灰度共生矩阵; 合成孔径雷达; 分类; C 2均值聚类中图分类号:TN957. 52　　　　文献标识码:A

The Detection of the SAR Image

GON G Jie , 　YAN G Shi 2yuan

(Department of Automation , Tsinghua University , Beijing 100084, China )

Abstract :Several statistics of the image gray 2level co 2matrix and gray 2level co 2matrix were first theo 2retically analyzed. Then a novel C 2mean clustering algorithm , which is based on the gray 2level co 2ma 2trix and can be used for synthetic aperture radar (SAR ) image classification , was proposed. The char 2acteristics of different statistics were obtained from experiments. The analysis shows that the entropy , variance , the contrast and mean error will perform better. It is shown that when the statistics , which will maximize the between 2class scatter and minimize the within 2class scatter , is adopted for classifica 2tion , a much higher performance is achieved.

K ey w ords :gray 2level co 2matrix ; synthetic aperture radar ; image classification ; C 2mean clustering al 2gorithm

　　合成孔径雷达(SAR ) 是一种高分辨率的遥感成像雷达. 由于它可以全天候、全天时获取地面信息, 近年来得以快速发展, 被广泛应用于军事和民用以及国民经济的其他领域, 有重大研究价值和非常广阔的应用前景. 美国、俄罗斯、加拿大、中国等国家都已经成功研制出SAR 系统, SAR 图像的分辨力也逐步得到提高. 然而, 制造SAR 系统的根本目的是获取地面信息, 因此SAR 图像的目标识别技术、SAR 图像的分类技术得到了广泛的重视, 并取得了丰硕的研究成果. 本文的研究属于SAR 图像分类

技术. 目前SAR 图像分类技术包括基于统计的分类算法和基于图像纹理的分类算法. 基于统计的分类算法根据不同性质图像区域的统计特性差异进行分类[1,2]. 由于统计方法忽略了图像的空间分布特性, 所以往往得不到满意的分类结果. 近年来出现了一些基于纹理特征的分类算法, 如灰度共生矩阵、小波能量[3]、分维数特征[4]等. 本文对灰度共生矩阵做了分析, 这是一种较好地刻画图像纹理的手段. 在研究了灰度共生矩阵各种统计量的基础上, 提出了基于灰度共生矩阵的SAR 图像分类算法. 实验

收稿日期:2005204210

) , 女, 博士生, E 2mail :[email protected]. edu. cn. 作者简介:龚　婕(1977—

100北京邮电大学学报　　　　　　　　　　　　　　　　　第28卷

结果证明这是一种效果较好的SAR 图像分类算法. 定义为

1　灰度共生矩阵及其统计量

111　灰度共生矩阵

∑∑{P (i , j |

i

j

) }d , θ

2

(2)

空间灰度层共生矩阵方法, 是建立在估计图像的二阶矩组合条件概率密度函数基础上的. 该方法

是当前公认的一种重要的纹理分析方法, 其基本原理如下.

假定待分析的纹理图像为一矩形图像, 水平和垂直方向上各有N c 和N r 个像元, 将每个像元上出现的灰度量化为N q 层. 灰度共生矩阵的定义为

P ij =

d , θ

它是图像灰度分布均匀性或平滑性的度量. 当灰度

) 的数值分布较集中于主对角线共生矩阵中P (d , θ

附近时, 说明从局部领域范围观察图像的灰度分布是较均匀的, 即图像呈现较粗的纹理, 其相应的ASM 值较大. 反之, ASM 值较小.

②对比度(con ) 定义为

∑∑(i -i

j

) j ) P (i , j |d , θ

2

(3)

p d , L

θ

(1)

p ∑

i , j

i , j

d , θ

P i , j 为灰度i 和j 共现的频率, d , 方向角θ决定. d θi 和j 、

对数目.

灰度共生矩阵是描述在θ方向上, 相隔d 像元距离的一对像元分别具有灰度层i 和j 的出现概

) . 当θ和d 被选定率, 其元素可记为P (i , j/d , θ

时, 可简记为P ij . 显然灰度层共现矩阵是一个对称

矩阵, 其阶数由图像中的灰度层数决定. 这个矩阵是距离和方向的函数, 在规定的计算窗口或图像区域内统计符合条件的像元对数.

显然, 灰度共现矩阵对角线上的元素是检测区域里相距(Δx , Δy ) 而具有相同灰度值档的象素点对出现的次数; 而非对角线上的元素是检测区域里相距(Δx , Δy ) 具有不同灰度值档的象素点对出现的次数, 离对角线越远, 象素点对的灰度值差别越大. 因此对于粗纹理, 对角线上的元素值较大; 对于细纹理, 远离对角线的元素值较大. 纹理的方向性, 决定了共现矩阵中较大数值偏离对角线的程度与(Δx , Δy ) (即d 和θ的取值) 有关, 所以, 灰度共生矩阵是对区域纹理性质的一种描述. 112　灰度共生矩阵的统计量

) 对于粗纹理, P (d , θ

近, 此时, (i -j ) , con 值也con 值. .

(cor ) 定义为

　

∑∑(i -i

j

i

μx ) (j -μy ) P (i , j |d , θ) σσx y

(4)

i ∑P (i , j |d , θ) ; μ=∑j ・∑

) ; σ=∑(i -u ) 2∑) ; P (i , j |d , θP (i , j |d , θ∑

σ=∑(j -u ) 2∑) . P (i , j |d , θ

其中, μx =

i

y

j j

x x

i j

y j

j i

) 矩阵中行(或列) 元素此统计量是用来描述P (d , θ

之间相似程度的, 它是灰度线性关系的度量.

④熵(ent )

定义为

∑∑P (i , j |

i

j

) log P (i , j |d , θ) d , θ(5)

它给出了一个图像内容随机性的度量. 当灰度共现

) 的数值均相等时, 熵值最大. 反之, 矩阵中, P (d , θ

) 的数值之间差别很大时, 熵值较小. 因此, P (d , θ

熵也是反映纹理特性的度量.

除此之外还有方差逆差矩、和平均、和方差、和熵、差平均、差方差、差熵、惯性、集群荫等各种统计量.

灰度共生矩阵反映了图像灰度关于方向、特定间隔、变化幅度的综合信息. 它是分析图像的局部模式和它们排列规则的基础, 从它出发, 可进一步提取描述图像纹理的一系列特征. 常用的统计量有以下4个[5].

①二阶矩或称为能量(ASM , angular second moment ) .

2　基于灰度共生矩阵的分类算法

以灰度共生矩阵的统计量为特征量, 采用K 均值聚类算法对SAR 图像进行分类. 分类过程包括特征提取和聚类2个过程. 211　特征提取

首先对待分类SAR 图像进行特征提取, 提取算

第4期　　　　　　　　　　　　　　　龚　婕等:SAR 图像的检测和分类方法101

法如图1所示. 首先将待分类的图像输入, 然后逐步计算每个位置的特征向量R ij . R ij 的计算方法是, 在原图像(i , j ) 处取预定窗口大小的数据, 然后进行16级灰度再量化, 再计算0°,45°,90°,135°步长为d 的灰度共生矩阵, 最后根据灰度共生矩阵各统计量的计算公式算出特征向量R ij .

计算过程中采用再量化的目的是:①节省存储空间和计算量. 灰度共生矩阵的大小与灰度级相同, 原图像灰度级为65536级, 如果不采用灰度再量化, 灰度共生矩阵大小为65536×65536; 而采用灰度级量化后灰度共生矩阵大小为16×16. 大大减小了所需存储空间和统计量计算时的计算量. ②减轻噪声影响. SAR 图像固有的相干斑噪声将使图像灰度起伏, 减小量化级数有利于减轻噪声对灰度共生矩阵的影响

.

R , ; 如此重复循

, , 如果

误差函数不改变, 则计算结束, 得到分类结果.

3　实验结果及分析

采用灰度共生矩阵的单一统计量为特征进行分类, 得到分类结果, 计算出各类间距和各类的类内方差, 从而从实验上得到各个统计量的性能情况, 然后采用其中较好的特征量进行组合得到新的特征向量, 利于新的特征向量进行分类实验. 311　各统计量性能分析

表1给出了单一统计量进行分类得到的类内方差值, 其中DV 为差方差,IDM 为逆差矩. 从表1可以看出, 对于陆地, 熵和方差(var ) 的聚类效果最好;

图1　基于灰度共生矩阵的特征向量提取算法框图

212　聚类算法

采用C 均值聚类算法进行聚类[6], 其算法框图如图2所示. 在C 均值聚类算法中, 采用的特征向量R ij 由灰度共生矩阵的多个统计量组成. 首先将

11

样本随机分类, 计算出各类均值μ11, μ2, …, μc 和误差函数J e ; 然后逐个将样本值R ij 与类均值比较,

将　　

对于河流, 方差和相关的聚类效果最好; 对于人造目标, 熵和相关的聚类效果最好.

表2给出了单一统计量进行分类得到的类间距. 可以看出, 对于陆地和河流的分类, 和方差和熵的分类效果最好; 对于河流和人造目标, 对比度、和方差(SV ) 以及差平均(DA ) 的分类效果最好; 而对于陆地和人造目标, 则是对比度、相关和差平均的分类效果最好.

表1　各统计量进行分类的类内方差值

con 0. 00670. 00700. 0205

var 0. 00170. 00250. 0106

IDM 0. 00240. 00340. 0142

ent 4. 54e -0040. 01645. 34e -004

cor 0. 00420. 00600. 0092

SV 0. 01450. 01640. 0640

DV DA 0. 00380. 00450. 0168

陆地河流人造目标

0. 01200. 01500. 0513

102北京邮电大学学报　　　　　　　　　　　　　　　　　第28卷

表2　各统计量进行分类的类间距(各列数据同表1)

DV

DA 0. 17100. 36000. 2022

con 0. 19400. 41210. 2119

var 0. 13430. 33110. 1898

IDM 0. 15780. 35120. 1876

ent 0. 21120. 15670. 0454

cor 0. 05350. 24530. 2011

SV 0. 25340. 34570. 1095

陆地—河流河流—人造目标陆地—人造目标

0. 17220. 02550. 1900

　　由于原始SAR 图像中河流的灰度分布较均匀,

而陆地以及人造目标等灰度分布不均匀, 所以提取纹理特征熵后, 陆地信息量大, 熵值大. 而河流不确定性信息量小, 熵值小, 因此熵是区分河流的最好统计量. 但陆地与人造目标则主要是对比度的差别, 由于人造目标常常形成多个强散射区, 所以图像灰度起伏较大, 对比度大, 陆地则相对较小. 312　按最优统计量进行分类

根据前面的实验结果及分析, 最后选取熵差、对比度、, 分类结果如表3. , 统计量进行组合, , 同时控制了类内方差, 从而得到了较好的分类结果.

表3　采用组合统计量分类后的类内方差和类间距表

类内方差

陆地河流人造目标

0. 01310. 01500. 0237

4　结束语

本文采用了灰度共生矩阵的统计量作为衡量

SAR 图像纹理的特征量, 将灰度共生矩阵与C 均值聚类方法相结合, 得到了完整的分类算法. 通过对各统计量的分析, 得到的熵、、对比度、差平均能. , . 参考文献:

[1]　C éline Tison , Jean 2Marie Nicolas , Florence Tupin , et al.

A new statistical model for Markovian classification of ur 2ban areas in high 2resolution SAR images[J].IEEE Trans G eoscience and Remote Sensing , 2004, 42(10) :204622057.

[2]　Dekker Rob J. Texture analysis and classification of ERS

SAR images for map updating of urban areas in the Netherlands [J ].IEEE Trans G eoscience and Remote Sensing , 2003,41(9) :195021958.

[3]　Dekker Rob J. Texture analysis of urban areas in ERS

SAR imagery for map updating [J].IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Uur 2ban Areas , 2001, 2262230.

[4]　Stewart C V , Moghaddam B , Hintz K J , et al. Fractal

brownian motion models for synthetic aperture radar im 2agery scene segmentation[A].Proceedings of IEEE[C].1993. 151121522.

[5]　Baraldi A , Parmiggian F. An investigation of the texture

characteristics associated with gray level co 2occurrence matrix statistical parameters [J].IEEE Trans on G eo 2science and Remote Sensing , 1995, 33(2) :2932303. [6]　边肇祺, 张学工. 模式识别[M ].北京:清华大学出版

类间距

陆地—河流河流—人造目标陆地—人造目标

0. 42980. 44320. 2143

图3给出了灰度共生矩阵的较优统计量组合进

行C 均值聚类的结果. 可以看出, 本文的分类方法能较好地区分河流、陆地和人造目标

.

(a ) 原始图像(b ) 分类结果

图3　组合分类结果图

社,2000. 2352237.