基于局部重要性采样的SAR图像纹理特征提取方法

第40卷第2期自动化学报Vol.40,No.2 2014年2月ACTA AUTOMATICA SINICA February,2014
基于局部重要性采样的SAR图像纹理特征提取方法
何楚1尹莎1许连玉1廖紫纤1
摘要合成孔径雷达(Synthetic aperture radar,SAR)图像因为相干斑现象和目标响应的空间变化呈现出一种纹理特性,局部二进编码等局部图像特征在光学纹理描述中获得较好的结果,但光学纹理特征在描述SAR图像纹理特性中因为相干成像特性往往失效.本文在前期工作纹理特征框架的基础上,提出了一种局部重要性采样二进编码的SAR图像纹理特征(Feature extraction based on local important sampling binary,LISBF)描述方法:首先,利用样本图像对局部采样位置进行随机自适应采样,基于重要性采样(Important sample,IS)方法输出递归学习位置结果;然后,利用学习出的纹理重要采样点对进行二进特征编码;最后,通过映射和统计生成描述算子.该特征较固定位置采样能够获取更大范围信息,同时能通过采样避免特征维数的急剧增大;通过自适应学习重要性关键点较随机采样更容易捕捉纹理固有信息;较好地适应了SAR图像极低信噪比和斑点现象的纹理.本文将该特征用于真实图像和标准纹理库的分类研究,实验结果证明了该特征的有效性.
关键词纹理特征,合成孔径雷达,局部二进编码,重要性采样
引用格式何楚,尹莎,许连玉,廖紫纤.基于局部重要性采样的SAR图像纹理特征提取方法.自动化学报,2014,40(2): 316−326
DOI10.3724/SP.J.1004.2014.00316
Feature Extraction of SAR Image Based on Local Important
Sampling Binary Encoding
HE Chu1YIN Sha1XU Lian-Yu1LIAO Zi-Xian1
Abstract Synthetic aperture radar(SAR)image presents properties of texture because of speckle and the spatial variability of target response.Methods of feature extraction based on local binary encoding have achieved good results and are popular with texture description in recent studies.In this paper,we make use of the framework of texture feature and propose an approach of feature extraction based on local important sampling binary encoding representation(LISBF) for SAR image classification.Firstly,use some images to sample local key points randomly and adaptively,and output the recursive learning position which is based on the important sampling method.Then,we use the learning position to form binary code.Finally,we develop the feature descriptor by mapping and statistics.This feature an provide a wider range of information thanfixed location sampling and avoid the feature dimension increasing sharply by pared with random sampling,this feature is easier to capture the texture information via adaptive learning and morefits the very low SNR and speckle of SAR image.This paper applies this feature to the classification of real SAR image and standard texture library.The effectiveness of this feature is tested and verified by the experiment results.
Key words Texture feature,synthetic aperture radar(SAR),local binary code,important sample(IS)
Citation He Chu,Yin Sha,Xu Lian-Yu,Liao Zi-Xian.Feature extraction of SAR image based on local important sampling binary encoding.Acta Automatica Sinica,2014,40(2):316−326
合成孔径雷达(Synthetic aperture radar,收稿日期2012-06-25录用日期2012-10-22
Manuscript received June25,2012;accepted October22,2012国家重点基础研究发展计划(973计划)(2013CB733404),国家自然科学基金(41371342,61331016),中国博士后基金,测绘遥感信息工程国家重点实验室专项科研经费资助
Supported by National Basic Research Program of China(973 Program)(2013CB733404),National Natural Science Founda-tion of China(41371342,61331016),China Postdoctoral Science Foundation Funded Project,and Laboratory of Information En-gineering in Surveying,Mapping and Remote Sensing(LIES-MARS)Special Research Funding
本文责任编委刘一军
Recommended by Associate Editor LIU Yi-Jun
1.武汉大学电子信息学院信号处理实验室武汉430079
1.Signal Processing Laboratory,School of Electrical Informa-tion,Wuhan University,Wuhan430079SAR)图像包含丰富的地表信息,具有全天时、全天候、分辨率高的特点;同时,由于SAR的相干成像机理和极低信噪比也使得SAR图像解译成为研究难点.
SAR成像是通过对地表相干波照射和对后散射信号相干检波获得方位向的高分辨率图像,从地表后向散射回来的全部信号是地面散射中后向散射信号的相干总和[1].后向散射的物理特性是平稳的,在SAR图像中呈现为明暗相间,类似于斑点一样的“噪声”,即相干斑(Speckle)现象;另一方面,由于不同地表如森林、山地、工业区、农田等区域在SAR图像中会表现它们在空间变化的强度起伏[2].
2期何楚等:基于局部重要性采样的SAR图像纹理特征提取方法317
图像纹理是图像灰度或色彩在空间上的变化或重复,是图像区域与物理表面相对应的特征.纹理一般具有纹理基元和基元排列规则两个要素,基元的形态表现为图像色彩或灰度模式,基元的排列规则可能具有某种规律性,也可能为随机性[3].如前所述, SAR的相干斑统计和目标响应的空间变化共同体现出了图像纹理特性,因此,通过纹理特征描述方法研究SAR图像表达成为研究热点.
纹理特征表征图像灰度或色彩内在空间的规律性变化或重复,是场景结构与目标对象的重要描述方法.经典纹理分析方法有:基于统计的方法,如矩阵方法;基于模型的方法,如随机场模型方法;基于结构的方法,如句法纹理的方法;基于变换的方法,如小波变换法等[4].近年来,局部图像特征成为纹理描述算子的主流,如尺度不变特征变换算法(Scale-invariant feature transform,SIFT)、局部二进编码(Local binary pattern,LBP)、LZ算子等,其中,以LBP为代表的二进编码特征是纹理描述的一个强有力的手段,并因其简单和实用的特点得到越来越广泛的关注[5−7].很多文献提出了LBP 的各类扩展算法[8−14]:如LBPHF(LBP histogram fourier)、CSLBP(Center-symmetric LBP)、CLBP (Completed LBP)、LBPV(LBP variance),LBP (Extended LBP)、BLBP(Bayesian local binary pattern)、Multi-angle LBP等.针对LBP仅对邻域采样在信息收集上的局限性,Calonder提出了BRIEF(Binary robust independent elementary features)[15]特征,通过随机采样解决了更大区域采样和计算量上的矛盾.可以看出,这些纹理特征针对某些数据集都能取得一定的效果,但没有能在所有场合都获得最优效果的特征,因此,在一个统一背景基础上探索这些特征的理论基础发展新特征成为人们研究的一个方向.在之前的工作中[13],我们提出了一个包括信息收集、聚类和统计三个模块的统一框架,并分析了这三个模块的完备性和有效性,也将LBP等主流特征在这个框架上进行了统一的解译,该框架能成为特征扩展的一个很好的基础.
SAR图像的相干成像和纹理基元排列的随机性特点使得光学图像特征在SAR图像上往往失效.基于上述特征框架,我们发现,特征框架中的信息收集模块可以通过采用不同策略而体现SAR图像和光学图像各自特点,并使得后续聚类和统计模块在SAR图像上发挥通用效果.在光学图像信息收集模块策略的采样方式上,无论是LBP的固定邻域采样还是BRIEF的随机采样方式,针对的都是局部信息比较稳定的光学图像,而用于信噪比极低和相干斑现象严重的SAR图像上都存在不足.因此,本文希望通过引入局部重要性采样提出一种新的适合SAR 图像特点的基于学习的采样思路,通过重要性采样自适应地学习关键点位置,以达到提高对关键信息采样准确性和自适应性的目的,进而通过结合后续聚类和统计模块实现一种SAR图像纹理特征提取方法.
本文贡献如下:1)针对固定采样的不足,提出了一种局部重要性采样二进编码纹理特征(Local important sampling binary encoding representa-tion,LISBF)提取方法;2)基于该特征设计并实现了一种SAR图像分类方法;3)将其用于SAR图像和Brodatz光学纹理实验,获得了较好的实验结果.本文的结构安排为:第1节主要介绍纹理特征原理及其发展;第2节概述了文中局部二进编码特征方法的基础;第3节重点描述本文提出的局部重要性采样二进编码纹理特征;第4节为相关实验、结果与分析;最后,总结和展望.
1二进编码类纹理特征描述方法概述LBP和BRIEF是本文工作的基础,代表了固定关键点和随机关键点的两类重要思想.这两类特征提取的过程一般为:1)图像分块,确定关键点邻域;2)根据特征计算准则,利用关键点,对图像Patch计算特征;3)统计Patch特征获得图像特征.本文所涉及的基于局部二进编码的特征具体描述为:假设图像Patch大小为n×n,邻域内关键点个数为P,不同方法对P和n设置可不同.
利用关键点对每个Patch计算二进编码特征: P BF P,n(x,y)=
i=P−1
i=0
s(p i−p c)2i(1)
其中,p i和p c分别表示Patch内关键点和中心点的信息,不同特征代表的信息含义可不同.s(z)为阈值函数:
s(z)=
1,z≥0
0,z<0
(2)
一般,纹理特征由统计直方图表示图像特征:
H P BF(j)=
x,y
δ{j,P BF P,n(x,y)},
j=0,···,2P−1(3)不同特征统计特征的维数j可以不同,其中δ是Kronecker delta:
δ(i,j)=
1,i=j
0,i=j
(4)
LBP描述是纹理特征提取的一种强有力的手段,具有灰度不变性和旋转不变性,且计算复杂度
318自动化学报40卷
低.通常,基本LBP中n=3,P=8,即该8邻域的固定点为关键点,二进编码特征中,式(1)的p i和p c分别表示Patch内关键点和中心点的像素值,式(3)统计直方图特征维数j为256.采样模式与特征计算原理见图1(a).LBP中Patch可为不同尺寸, Patch也可以是环形,利用双线性插值可扩展为任意半径、任意邻域像素个数模式.图1(b)给出一种LBP扩展模式与原理图.
BRIEF描述是一种依靠像素强度差进行二进编码的特征法.该特征扩展了Patch尺寸,建议取值为5×5、7×7、9×9等奇数窗,对Patch 内的点进行随机的均匀采样,如本文中n=9, P=8,即在9×9的Patch内随机采样8个关键点,式(1)中p i和p c分别表示Patch内采样的关键点和中心点的像素强度,式(3)统计直方图特征维数j为256.采样模式与特征计算原理见图1(c).
本文基于局部二进编码特征统计过程见图2.
图1LBP固定采样与BRIEF随机采样模式说明图
Fig.1Patterns of LBPfixed sample and BRIEF random sample
图2基于局部二进编码特征统计过程说明
Fig.2The statistical process of local binary encoding features
2期何楚等:基于局部重要性采样的SAR图像纹理特征提取方法319 2局部重要性采样二进编码特征
LBP对Patch尺寸扩大,理论上更有利于信息
收集,但其采用固定选择关键点,若保持关键点数不
变,可能会产生信息的丢失,相应地增加关键点数,
由式(3)知,特征维数会急剧增加,同时也会带来特
征计算速度和存储空间的增加.BRIEF对扩大的
Patch内随机采样关键点,克服了LBP固定采样带
来的速度和维数等问题,但该特征对关键点的随机
采样毫无先验指导,分类效果波动范围大,特征稳定
性不够好.本文基于重要性采样原则设计了一种自
适应采样分布的学习方法,并介绍了后续采样编码
与直方图表示的结构,最后论述了本文提出的局部
重要性采样二进编码纹理特征提取方法.
2.1重要性采样依据和采样分布学习
重要性采样(Important sampling,IS)是
Monte Carlo算法中经常使用的技术之一[16].假
设p(x)表示采样空间χ中概率分布函数,在计算充
分统计时,期望值E p[f(x)]可表示为
E p[f(x)]=
χ
f(x)p(x)d x(5)
假设q(x)是一个关于p(x)绝对连续的分布,称
为重要性密度函数,式(5)可表示为
E p[f(x)]=
χ
f(x)ω(x)q(x)d x
χ
ω(x)q(x)d x
ω(x)=¯p(x)
q(x)
(6)
式(6)的分母通过权值函数ω(x)间接地定义了未知的归一化常量.给定L个来自密度函数q(x)的独立样本{x(l)}L
l=1
,期望值可近似为
E p[f(x)]≈
L
i=1
ω(l)f(x(l))
ω(x)=
ω(x(l))
L
m=1
ω(x(m))
(7)
重要性采样是通过密度函数q(x)的加权样本{x(l),ω(l)}L
l=1
集合来估计目标期望值.重要性采样严格依赖于所选的重要性密度函数[17].当q(x)将可能为目标采样空间的区域赋以低概率时,得到的重要性估值将会不准确,重要性密度函数也影响着计算时间.
本文局部重要性采样二进编码纹理特征利用重要性采样原理,假设式(7)中f(x)为均匀分布函数, q(x)密度函数为高斯分布,对每个图像Patch进行随机采样,利用关键点与图像块中心点的相关性影响q(x),即通过采样与计算改变重要性采样密度函数.该学习过程中不断加强重要信息的学习,提高了关键信息采样的准确性.重要性采样分布学习过程见图3,具体说明如下:
1)从训练样本中随机抽取M幅图像T k学习分布,k的取值为1,2,···,M,训练图像T k的大小为N×N;对像素p r进行采样时,以像素p r为中心点的图像块Patch大小为n×n,r的取值为1,2,···,(N−n+1)×(N−n+1),Patch内共有n2个点,以中心点p r为起点,按照从内到外、从上到下的顺时针螺旋方式标号为0,1,2,···,2m, m=(n×n−1)/2;设k=1,r=1,初始重要性采样密度函数为标准的高斯分布Gaussian(0,1),将分布的原始范围[−m,m]记作[0,2m].
2)将当前的采样分布的零点对应训练图像T k 的Patch中心点,距采样分布中零点近的点对应训练图像T k的图像块内距中心点近的点.
3)在当前的采样分布的范围[0,2m]内2m+1个点中,随机采样出P个点,对应地采样训练图像T k的图像块中标号为[l1,l2,···,l P]的P个点[p l
1
,p l
2
,···,p l
P
],作为第k次采样所得的关键点,将标号l1,l2,···,l P保存到采样位置矩阵G的第r 行.
4)求步骤3)所得关键点[p l
1
,p l
2
,···,p l
P
]的像素值分别与Patch中心点的像素值之间差值的绝对值,并按从小到大的顺序排列,将绝对值小的关键点在当前的采样分布中的纵坐标点数增加,将绝对值大的关键点在当前的采样分布中的纵坐标点数减少,增加的纵坐标总点数和减少的纵坐标总点数相等,形成新的采样密度函数.
5)设r=r+1,以步骤4)所得采样分布为当前的采样分布,返回步骤2)对下一像素执行采样,直到r=(N−n+1)×(N−n+1),得到共有(N−n+1)×(N−n+1)行的采样位置矩阵G,进入步骤6);
6)设k=k+1,r=1,以最近一次执行步骤4)所得采样密度函数为当前的采样分布,返回步骤2)利用下一幅样本图像继续采样,不断学习采样分布并更新采样位置矩阵G,直到k=M,训练集中的M幅训练图像被学习完,得到一个最新采样位置矩阵G.
2.2特征编码与直方图表示
局部重要性采样二进编码纹理特征包含两部分:基本LBP编码和自适应采样编码.
首先,对图像的每个Patch进行基本LBP编码统计,本文实验Patch大小为9×9,关键点的个数
320自动化学报40卷
P =8.由式(1)和(3)可计算出256维的LBP 特
征直方图.
其次,利用自适应学习分布中的采样矩阵[p l 1,p l 2,···,p l P ],l i 表示采样标号,P l i 表示该标号点对应的像素值.对图像Patch 进行特征标号的计算,式(1)的p i 表示Patch 内采样关键点与中心点的像素差值:p i =|P (l i )−P (l c )|,p c 表示所求像
素差值的均值:p c =1
N N −1i =0p i .式(3)统计直方图特征维数j 为256.采样模式见图1(c).
最后,将基本LBP 编码和自适应采样编码串联组合,得到512维的统计直方图特征,即局部重要性
采样二进编码纹理特征,过程说明见图4.公式表示为
H LISBF (i )= p δ{j,LBP P,n (p )},j =0,1,···,2P −1,i =0,1,···,2P −1
p δ{j,LISBF P,n (p )},j =0,1,···,2P −1,i =2P ,2P +1,···,2P +1−1
(8)
图3
重要性采样密度函数的学习和采样过程说明图
Fig.3
The learning and sampling process of important sampling density function
图4基于局部二进编码特征统计过程说明
Fig.4
Coding and the histogram statistical process of texture feature based on
local importance sampling binary encoding
2期何楚等:基于局部重要性采样的SAR图像纹理特征提取方法321
2.3局部重要性采样二进编码纹理特征的提取与分
类
基于多种局部二进编码特征的方法,本文提出了一种新的纹理特征提取方法:
步骤1.利用训练集的部分样本图像学习采样分布,得到自适应采样矩阵G;
步骤2.对训练图像和测试图像计算LBP特征,图像Patch大小为9×9,关键点数P=8;
步骤3.利用步骤1所得自适应采样矩阵G对训练图像和测试图像计算相应的二进编码特征;
步骤4.对训练图像和测试图像,将步骤2中所得的LBP特征与步骤3中所得的二进编码特征串联组合,得到相应的训练图像和测试图像的局部重要性采样二进编码纹理特征(LISBF).
基于该特征,本文利用K最近邻(K-Nearest neighbor,KNN)(K=1)分类法对SAR图像和Brodatz数据集分别进行图像分类和归档检测实验,证明了本文基于局部重要性采样二进编码特征的可行性和优越性.
3实验
3.1实验数据
实验的数据集包含两部分:SAR图像和光学纹理图像.
实验中采用的SAR图像是广东省某区域的TerraSAR图像,数据获取时间为2008年5月24日,数据极化通道为VV,图像分辨率为1.25m.如图5所示,该数据集包含了城区、农田等丰富的地物信息.分类图像集是从该TerraSAR图像中截取的图像块,共含森林、山地、工业区、农田、池塘、河流和居民区7类地物,每一类包含160幅图像,大小均为64×64.
图5TerraSAR图像,相对应的光学图像、地理位置及从中提取的7种地物样图
Fig.5TerraSAR image,corresponding optical image,geographic location and seven samples
322自动化学报40卷
实验中采用的光学纹理图像库为Brodatz纹理库,是目前应用最为广泛的测试纹理分析算法的纹理图像库[18].如图6所示,该数据集包含111类,将每幅512×512的图像分成9个非重叠的子图像,即每类含9幅图像,共999幅纹理图像,图像大小为215×215.
3.2实验设置
为验证本文局部重要性采样二进编码纹理特征描述法的有效性,首先针对SAR图像集进行分类实验,并进一步将该特征方法映射到标准数据库Bro-datz数据集进行验证,比较特征如表1所示,说明如下:
LBP:实验图像块Patch为n×n,模式为No,得到传统LBP特征H LBP.
LBPHF:实验图像块Patch为n×n,模式为No,得到传统LBP特征H LBP,再对H LBP进行傅里叶变换:
H LBPHF=
r=P−1
r=0
H LBP e−i2πµr(9)
BRIEF:实验图像块Patch为n×n,模式为No,得到传统LBP特征H LBP,再对Patch随机选取P个关键点,比较关键点与中心点像素强度,得到二进编码特征,将其与H LBP串联获得BRIEF. CLBP:实验图像块Patch为n×n,模式为No,得到传统LBP特征H LBP,对图像块邻域点与中心点计算像素差值,将差值的平均值作为图像块中心点,
图6Brodatz纹理库样图
Fig.6Samples of Brodatz texture library
表1实验中各类比较特征的说明
Table1Explanation of all compared features
采样方式特征描述特征表示维数对原始图像,将离中心点最近一圈的8个点比较LBP256
对图像得到基本LBP特征后,再进行傅里叶变换LBPHF256
对基本LBP特征添加幅值差的信息,利用幅值差
CLBP512固定采样
及其均值的比较进行二进编码,再与基本LBP串联
对基本LBP特征添加方差信息,在图像块内将邻
域点像素差均值作为中心点,对邻域点与中心点LBPV512
的差值的平方求和,统计方差信息计算LBP特征
对图像得到基本LBP特征后,对图像Patch随机采
BRIEF512样进行二进编码,再将其与基本LBP串联
在n×n图像块中,基于利用训练图像学习后的分布
随机采样随机采样,通过像素幅值差比较获得二进编码,再与LISBF512
基本LBP串联
2期何楚等:基于局部重要性采样的SAR图像纹理特征提取方法323
像素差值作为图像块邻域点,计算类似LBP特征,
串联获得CLBP:
CLBP(i)=
δ{j,
N−1
i=0
s(p i−p c)2i},
j=0,1,···,2N−1,
i=0,1,···,2N−1
δ{j,
N−1
i=0
s(p
i
−p
c
)2i},
j=0,1,···,2N−1, i=2N,2N+1,···,2N+1−1
(10)
LBPV:实验图像块Patch为n×n,模式为No,得到传统LBP特征H LBP,再将图像块邻域点求均值作为新的中心点,并求邻域点与该中心的方差,将相同LBP点的方差求和,串联得LBPV:
LBPV(i)=
δ{j,
N−1
i=0
s(p i−p c)2i},
j=0,1,···,2N−1,
i=0,1,···,2N−1
ψ{j,
N−1
i=0
s(p i−p c)2i},
j=0,1,···,2N−1, i=2N,2N+1,···,2N+1−1
(11)
其中
ψ{j,N−1
i=0
s(p i−p c)2i}=
V AR j,
j=
N−1
i=0
s(p i−p c)2i
0否则
(12)
V AR j=1
N
N−1
i=0
(p i−n c)2,n c=
1
N
N−1
i=0
p i(13)
实验采用的最KNN分类法的距离测量为卡方χ2距离:
d(i,j)=
N (µ
i
−µ
j
)2
µ
i
+µ
j
(14)
µi ,µ
j
分别表示待分类图像和训练集中图像的特征
向量,N是特征向量的维度.
本文分别对SAR图像和Brodatz图像集进行了分类和归档检测实验,利用两个平台进行实验:平台I将每类分为两部分,对每类随机抽取20幅作训练集,随机抽取100幅作为测试集,两个集合的图像不重复.平台II对每类图像随机抽取9幅,1幅图像训练,8幅图像测试.两个平台测试方法为KNN(K =1)分类法,其中,平台I用于SAR图像集分类实验,平台II用于光学纹理图像集检测实验.
3.3实验结果
实验首先利用LISBF特征和对比特征对SAR 纹理图像进行分类实验,验证了本文方法的有效性.特别地,图像Patch大小是LISBF特征的一个重要参数,因此对SAR图像进行了Patch选择实验以便选择合适的Patch尺寸;其次,因为本文的学习算法理论上不仅仅针对难以目视解译的SAR图像,在光学图像上也应该可以学习出较好的位置,只是由于在图像较为稳定的情况下,学习的优越性不一定能够体现,但应该不会差于随机采样和固定采样的传统方案,所以本文也同样在Bodatz标准纹理库上进行了LISBF与对比特征的实验,进一步验证了本文方法的适应性.
3.3.1图像块大小的影响
图像Patch的n取值一般建议为5、7、9等奇数,本文实验将图像块取5×5、7×7、9×9、11×11、13×13共5组,利用随机采样特征LISBF 对SAR图像进行实验:测试图像为20幅,训练图像为100幅,分类方法为KNN.实验结果见图7(a),分析知,Patch尺寸对分类结果有影响,因为图像窗尺寸太大或太小,都不利于关键信息的提取,从本文实验中可观察知,一般Patch大小取9×9时,分类精度较其他窗口的分类精度高,为实验方便,本文在后续实验中均采用9×9的图像块提取局部重要性采样二进编码纹理特征.
3.3.2SAR图像库实验结果
首先,从SAR图像集随机抽取10幅图像进行分布学习.根据对图像Patch大小的实验,取n=9,利用高斯分布进行均匀采样,学习出多个分布,同时学习出多个位置采样矩阵.再利用位置矩阵对SAR 图像集计算重要性采样理特征,然后,与基本LBP 串联,得到LISBF特征,观察实验分类结果,找出适用于该数据集的最佳学习矩阵.结果如图7(b)所示,对SAR图像集,学习的第23个采样位置效果明显优于其他采样位置,说明该位置矩阵与图像的真实关键点接近,故分类效果好.因为SAR图像具有极低信噪比、相干斑现象严重等特点,分布随机性明显,所以重要性采样学习的作用突出.
本文对SAR使用KNN分类方法,其中K=1,实验中所有特征进行归一化处理,阈值大于0,编码为1,各类地物的正确率和总分类率如表2所示.由
324自动化学报40卷
(a)Patch大小与SAR分类准确率图(a)Classification accuracy and the size of
sampling patch
(b)SAR数据集
(b)SAR date set
(c)Brodatz数据集
(c)Brodatz date set
图7LISBF采样窗口大小、学习位置与准确率的关系图Fig.7Relationship of the size of sampling patch,
LISBF s sampling learning position and accuracy
图表知,本文LISBF特征对地物的分类准确率明显优于其他方法,较LBP特征的总分类准确率提高了20%左右,较BRIEF特征提高了15%左右.本文方法与其他对比特征相比,主要提高了农田、池塘和居民区三类地物的分类准确率.
3.3.3Brodatz图像库实验结果
从Brodatz数据集中随机抽取10幅图像进行采样学习,图像Patch与SAR图像Patch一致,即n=9,通过学习不同采样矩阵计算图像的LISBF
表2SAR图像集实验结果比较
Table2Comparison of classification accuracy in SAR image set
特征方法
各类地物分类准确率
加权平均森林山地工业区农田池塘河流居民区
LBP0.240.340.230.630.730.90.690.5371 LBPHF0.280.390.30.50.420.920.50.4729 CLBP0.290.530.250.670.690.930.870.6049 LBPV0.720.630.290.430.560.980.730.62 BRIEF0.440.530.180.60.630.990.720.5843 LISBF0.570.370.40.950.950.990.950.74
表3光学图像Brodatz集实验结果比较
Table3Comparison of classification accuracy in Brodatz image set
特征方法首幅图检测率前8幅图检测率
LBP0.808430.90278
LBPHF0.676170.81028
CLBP0.826570.91138
LBPV0.801300.89292
BRIEF0.815190.90460
LISBF0.851720.92553
2期何楚等:基于局部重要性采样的SAR图像纹理特征提取方法325
特征.实验中部分学习采样矩阵的分类结果如图7(c)所示,对Brodatz数据集学习结果发现,第9个采样位置准确率最高.说明该位置对关键信息的采样更为准确,因此,对Brodatz图像分类采用学习的第9个位置矩阵.
对Brodatz纹理图像,利用平台II进行归档检测实验.特征设置阈值大于0,编码为1,并进行归一化处理.实验结果用第1幅图像检测率和前8幅图的检测率表示,见表3.由表3知,本文LISBF特征的检测率最高,归档图像首幅检测率较基本LBP 特征提高了5%左右,较BRIEF特征提高了4%左右,在归档图像前8幅图平均检测上,LISBF特征较LBP和BRIEF特征有2%的提高,说明了本文特征重要性采样的有效性和自适应学习的可行性,先验知识对随机采样有一定指导作用.由于光学纹理图像较为稳定、信噪比较高,所以LISBF特征学习的优势不如对SAR图像那样明显,也就是说,本特征应该在这种情况下至少退化为传统光学纹理采样方式.对Brodatz图像库的分类精度在保持原有效果的基础上取得一定提高,显示了本文新特征较好的适应性.
4结论
本文提出了一种局部重要性采样二进编码纹理特征.该特征扩大采样范围,增加了关键信息提取概率,通过自适应学习获取纹理固有结构信息,并且通过基于先验知识指导下的学习策略进行随机采样,有效抑制了特征维数的急剧增加,提高了该特征方法的稳健性与可靠性.本文将该特征用于SAR纹理图像和标准纹理库Brodatz的分类,在分类精度上有2%∼20%的提高,验证了该特征的有效性和适应性.
本文将来的工作是进一步讨论重要性采样中分布学习的速度改进问题,并将针对性地设计SVM中的核函数以实现与其他特征的结合.
References
1Collins M J,Allan J M.Modeling and simulation of SAR im-age texture.IEEE Transactions on Geoscience and Remote Sensing,2009,47(10):3530−3546
2Fukuda S.Relating polarimetric SAR image texture to the scattering entropy.In:Proceedings of the2004IEEE Inter-national Geoscience and Remote Sensing Symposium.An-chorage,AK:IEEE,2004,4:2475−2478
3Tuceryan M,Jain A K.Texture Analysis.Singapore:World Scientific Publishing Co.,1998.207−248
4Zeng Hui,Mu Zhi-Chun,Wang Xiu-Qing.A robust method for local image feature region description.Acta Automatica Sinica,2011,37(6):658−664
(曾慧,穆志纯,王秀青.一种鲁棒的图像局部特征区域的描述方法.
自动化学报,2011,37(6):658−664)
5Ojala T,Pietikainen M,Maenpaa T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns.IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971−987
6Ahonen T,Hadid T,Pietikainen M.Face description with local binary patterns:application to face recognition.IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006,28(12):2037−2041
7Zhao G Y,Pietikainen M.Dynamic texture recognition us-ing local binary patterns with an application to facial expres-sions.IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6):915−928
8Zhao G Y,Ahonen T,Matas J,Pietikainen M.Rotation-invariant image and video description with local binary pat-tern features.IEEE Transactions on Image Processing,2012, 21(4):1465−1477
9Heikkil´a M,Pietik´a inen M,Schmid C.Description of inter-est regions with center-symmetric local binary patterns.In: Proceedings of the2006Computer Vision,Graphics and Im-age Processing Lecture Notes in Computer Science.Berlin Heidelberg:Springer-Verlag,2006,4338:58−69
10Guo Z H,Zhang L,Zhang D.A completed modeling of lo-cal binary pattern operator for texture classification.IEEE Transactions on Image Processing,2010,19(6):1657−1663
11Guo Z H,Zhang L,Zhang D.Rotation invariant texture clas-sification using LBP variance(LBPV)with global matching.
IEEE Transactions on Pattern Analysis and Machine Intel-ligence,2010,43(3):706−719
12Huang X S,Li S Z,Wang Y S.Shape localization based on statistical method using extended local binary pattern.In: Proceedings of the3rd International Conference on Image and Graphics.Hong Kong,China:IEEE,2004.184−187
13He C,Ahonen T,Pietik´a inen M.A Bayesian local binary pattern texture descriptor.In:Proceedings of the19th International Conference on Pattern Recognition.Tampa, Florida:IEEE,2008.1−4
14Zhao Hai-Ying,Yang Yi-Fan,Xu Zheng-Guang.3D facial gender classification based on multi-angle LBP feature.Acta Automatica Sinica,2012,38(9):1544−1549
(赵海英,杨一帆,徐正光.基于多角度LBP特征的三维人脸性别分类.自动化学报,2012,38(9):1544−1549)。