基于局部相似性测度的SAR图像多层分割
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): 316−326DOI10.3724/SP.J.1004.2014.00316Feature Extraction of SAR Image Based on Local ImportantSampling Binary EncodingHE Chu1YIN Sha1XU Lian-Yu1LIAO Zi-Xian1Abstract 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2012-10-22Manuscript 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-Jun1.武汉大学电子信息学院信号处理实验室武汉4300791.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−1i=0s(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≥00,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,yδ{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=j0,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 features2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)]=χf(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)]=χf(x)ω(x)q(x)d xχω(x)q(x)d xω(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)}Ll=1,期望值可近似为E p[f(x)]≈Li=1ω(l)f(x(l))ω(x)=ω(x(l))Lm=1ω(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)}Ll=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 l1,p l2,···,p lP],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 l1,p l2,···,p lP]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 =1N 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 −1p 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.3The 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.4Coding and the histogram statistical process of texture feature based onlocal importance sampling binary encoding2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3212.3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 samples322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−1r=0H 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−1i=0s(p i−p c)2i},j=0,1,···,2N−1,i=0,1,···,2N−1δ{j,N−1i=0s(pi−pc)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−1i=0s(p i−p c)2i},j=0,1,···,2N−1,i=0,1,···,2N−1ψ{j,N−1i=0s(p i−p c)2i},j=0,1,···,2N−1, i=2N,2N+1,···,2N+1−1(11)其中ψ{j,N−1i=0s(p i−p c)2i}=V AR j,j=N−1i=0s(p i−p c)2i0否则(12)V AR j=1NN−1i=0(p i−n c)2,n c=1NN−1i=0p 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 (µi−µj)2µi+µj(14)µi ,µj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 ofsampling 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LBP0.808430.90278LBPHF0.676170.81028CLBP0.826570.91138LBPV0.801300.89292BRIEF0.815190.90460LISBF0.851720.925532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.References1Collins M J,Allan J M.Modeling and simulation of SAR im-age texture.IEEE Transactions on Geoscience and Remote Sensing,2009,47(10):3530−35462Fukuda 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,2004,4:2475−24783Tuceryan M,Jain A K.Texture Analysis.Singapore:World Scientific Publishing Co.,1998.207−2484Zeng 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):971−9876Ahonen 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):2037−20417Zhao 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):915−9288Zhao 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):1465−14779Heikkil´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,2006,4338:58−6910Guo 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):1657−166311Guo 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):706−71912Huang 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,2004.184−18713He 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,2008.1−414Zhao 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)。
基于局部多分辨特征的SAR图像自动目标识别(精)
１０５４清华大学学报（自然科学版）（）２０１１，５１８征提取后，送入分类器进行测试，输出分类结果。
原图像大小为５均值１１２×５１２像素，０．８２，方差７５．３０，动态范围６４．０７，等效视数１．５６，辐射分辨率２．目标分割后，虽然目标的重心相对于原５６；但经过分类实验，始ＭＳＴＡＲ切片中心有所偏移，图像中３类６个目标均能实现正确检测和识别，充分证实了本文方法的有效性。
为了进一步测试算法在强噪声下的鲁棒性，向图像相原始图像中加入相干斑噪声。
加入噪声后，关参数如下：均值１０．８３，方差８５．０４，动态范围６５．３１，等效视数１．３８，辐射分辨率２．６７，峰值信噪比３重心计算，目标８．３８。
采用相同的目标检测、），分类结果显示，图６图像中的６个目标切片获取（仍能正确检测和识别，进一步证实了本文特征提取方法的有效性和鲁棒性。
对大场景ＳＭＳＴＡＲ目标切片分类正确率高，ＡＲ图像中的多类、多个目标的分割与自动目标识别也非常有效，并且对相干斑噪声具有较强的鲁棒性。
）参考文献（Ｒｅｆｅｒｅｎｃｅｓ［］Ｗ１ａｎＨＱ，ＳｕｎＦＣ，ＺｈａｏＺＴ，ｅｔａｌ．ＳＡＲｉｍａｅＡＴＲｇｇ［］／／ｕｓｉｎＳＶＭｗｉｔｈａｌｏｗｄｉｍｅｎｓｉｏｎａｌｃｏｍｂｉｎｅｄｆｅａｔｕｒｅＣｇＩｎｔｍｏｓｉｕｍｎｕｌｔｉｓｅｃｔｒａｌｍａｅｒｏｃｅｓｓｉｎｎｄＳｏＭＩＰｙｐｐｇｇａ：，ＰａｔｔｅｒｎＲｅｃｏｎｉｔｉｏｎ．ＷｕｈａｎＳＰＩＥＰｒｅｓｓ２００７：６７８６２Ｊ．ｇ［］Ｓ２ｈｅｎＤＧ．Ｄｉｓｃｒｉｍｉｎａｔｉｖｅｗａｖｅｌｅｔｓｈａｅｄｅｓｃｒｉｔｏｒｓｆｏｒｐｐ］ｒｅｃｏｎｉｔｉｏｎｏｆ２Ｊ．ＰａｔｔｅｒｎＲｅｃｏｎｉｔｉｏｎ，１９９９，ａｔｔｅｒｎｓ［－Ｄｇｐｇ（）：３２２１５１１６５．－［］Ｚ３ｈａｏＱ，ＰｒｉｎｃｉｅＪＣ．ＳｕｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｆｏｒＳＡＲｐｐｐ］ａｕｔｏｍａｔｉｃｔａｒｅｔｒｅｃｏｎｉｔｉｏｎ［Ｊ．ＩＥＥＥＴｒａｎｓｏｎＡｅｒｏｓａｃｅｇｇｐ（）：ＥｌｅｃｔｒｏｎｉｃＳｓｔｅｍｓ，２００１，３７２６４３６５４．ａｎｄ－ｙ［］Ｓ，Ｌ４ｕｎＹＪｉｕＺＰ，ＴｏｄｏｒｏｖｉｃＳ．Ｓｎｔｈｅｔｉｃａｅｒｔｕｒｅｒａｄａｒｙｐ／／ａｕｔｏｍａｔｉｃａｒｅｔｅｃｏｎｉｔｉｏｎｄａｔｉｖｅｏｏｓｔｉｎＣ］ｔｒａｂｇｇｐｇ［Ｐｒｏｃｅｅｄｉｎｓｆｈｅ００５Ｉｎｔｅｒｎａｔｉｏｎａｌｏｃｉｅｔｔｉｃａｌｏｔ２ＳｇｙｐＯ：，ＤｉｅｏＳＰＩＥＰｒｅｓｓ２００５：２８２２９３．Ｅｎｉｎｅｅｒｉｎ．Ｓａｎ－ｇｇｇ［］Ｌ５ｏｗｅＤＧ．Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅｉｎｖａｒｉａｎｔ－ｇ］（）：ｋｅｏｉｎｔｓ［Ｊ．ＩｎｔＪＣｏｍｕｔＶｉｓｉｏｎ，２００４２９１１１０．－ｙｐｐ［］Ｍ６ｉｋｏｌａｃｚｋＫ，ＳｃｈｍｉｄＣ．Ａｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎｏｆｌｏｃａｌｊｙｐ］ｄｅｓｃｒｉｔｏｒｓ［Ｊ．ＩＥＥＥＴｒａｎｓｏｎＰａｔｔｅｒｎＡｎａｌｓｉｓａｎｄｐｙ（）：Ｉｎｔｅｌｌｉｅｎｃｅ，２００５，２７１０１６１５１６３０．Ｍａｃｈｉｎｅ－ｇ［］Ｖ７ａｎｉｋＶＮ．ＴｈｅＮａｔｕｒｅｏｆＳｔａｔｉｓｔｉｃａｌＬｅａｒｎｉｎＴｈｅｏｒｐｇｙ［：，Ｍ］．ＮｅｗＹｏｒｋＳｒｉｎｅｒＰｒｅｓｓ１９９９．ｐｇ［］Ｏ，Ｗ８ｎＣＳ，ＳｍｏｌａＡＪｉｌｌｉａｍｓｏｎＲＣ．Ｌｅａｒｎｉｎｔｈｅｋｅｒｎｅｌｇｇ］ｗｉｔｈｅｒｋｅｒｎｅｌｓ［Ｊ．ＪｏｕｒｎａｌｏＭａｃｈｉｎｅＬｅａｒｎｉｎｈｙｐｆｇＲｅｓｅａｒｃｈ，２００５，６：１０４３１０７１．－［］Ｓ９ｏｎｎｅｎｂｕｒＳ，ＲｔｓｃｈＧ，ＳｃｈｆｅｒＣ，ｅｔａｌ．Ｌａｒｅｓｃａｌｅｇｇ］ｍｕｌｔｉｌｅｋｅｒｎｅｌｌｅａｒｎｉｎＪ．ＪｏｕｒｎａｌｏＭａｃｈｉｎｅＬｅａｒｎｉｎｐｇ［ｆｇＲｅｓｅａｒｃｈ，２００６，７：１５３１１５６５．－［］Ｋ１０ｉｎｓｂｕｒＮ，ＴａＤＢＨ，ＰａｌａｎｉｓｗａｍｉＭ．Ｍｕｌｔｉｓｃａｌｅ－ｇｙｙ／／Ｐｋｅｒｎｅｌｍｅｔｈｏｄｓｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］ｒｏｃｅｅｄｉｎｓｏｆＩＥＥＥｇＷｏｒｋｓｈｏｏｎａｃｈｉｎｅｅａｒｎｉｎｏｒｉｎａｌｒｏｃｅｓｓｉｎ．ＭＬＳＰｐｇｇｇｆ图６加入相干斑噪声的多目标场景图像ＡＴＲ仿真４结论受感受野模型与多分辨分析的启发，提出了一种从图像局部点出发，对图像进行多分辨分析的图并应用于ＭＳ像处理方法，ＴＡＲ数据集中的ＳＡＲ图像目标的特征提取。
基于相似性准则的SAR图像分割方法
基于相似性准则的SAR图像分割方法
郦苏丹;张翠;王正志
【期刊名称】《遥感学报》
【年(卷),期】2003(007)002
【摘要】提出一种以似然差函数作为相似性衡量标准的SAR图像分割方法.首先根据SAR图像的强度分布特性,通过仿真,发现两个具有相同分布的均匀区域合并成一个区域后,它们的似然差函数近似与区域的大小和均值无关,而仅与SAR图像的视数有关.在此基础上对两个相邻区域的似然差函数进行简化,获得它的概率密度函数的解析形式.选取一定的虚警率,计算出两个相邻区域之间存在边界的似然差函数的阈值.然后根据似然差函数和区域的形状约束建立融合代价,使得所有可以融合的区域按照一定的顺序融合.当没有区域可以进一步融合时,就获得SAR图像的最终分割结果.
【总页数】7页(P118-124)
【作者】郦苏丹;张翠;王正志
【作者单位】国防科技大学,自动控制系,长沙,410073;国防科技大学,自动控制系,长沙,410073;国防科技大学,自动控制系,长沙,410073
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于区域相似性与相异性的数字图像分割方法 [J], 李楠;徐书文
2.基于区域相似性的活动轮廓SAR图像分割 [J], 孔丁科;汪国昭
3.基于相似性的中智学图像分割方法 [J], 赵鑫;王士同
4.基于彩色通道相似性图像分割方法的植物叶面积计算 [J], 韩殿元;黄心渊;付慧
5.基于MPM准则的无监督SAR图像分割 [J], 曹永锋;孙洪;杨文;徐新
因版权原因，仅展示原文概要，查看原文内容请购买。
基于局部相似性测度的SAR图像多层分割
= 1 H
H h= 1
d( x i , x i h )
.
( 3)
第6期
刘汉强等 : 基于 局部相似性测度的 SA R 图像多层分割
1073
将 x i 到 x j 的距离记为 d ( x i , x j ) / i , 同理, 从 x j 到 x i 的距离为 d ( x j , x i ) / j . 因此像素点 x i 和 x j 的相似性可 以按照下式计算 : S ij = exp - d ( x i , x j ) / ( 其中 ,
[ 1] [ 2] [ 3 4]
1072
西 安电子科技大学学报 ( 自然科学版 )
第 37 卷
关系构造相似性矩阵 , 通过对该矩阵的特征向量聚类得到原始数据的聚类结果 , 获得了聚类准则在放松的连 续域中的全局最优解 . 与传统聚类方法相比, 谱聚类算法不仅思想简单、 易于实现, 而且具有识别非高斯分布 的能力 , 非常适合于许多实际问题. 尽管谱聚类方法在图像分割中取得了很好的效果 [ 5] , 但当图像很大时 , 邻 接矩阵就会非常庞大 , 相似性矩阵的存储和相应特征向量的求解是很困难的. 另外, 将该方法应用到 SAR 图 像分割中 , 需要考虑 SAR 图像本身的特点以及构造合适的相似性测度. F ow lkes 等人为了解决谱聚类算法 不易处理大规模数据的问题, 提出了采用逼近技术来解决大规模数据集的 Nystr m 算法[ 6] , 但是此方法容 易受初始随机采样点和相似性测度的影响, 具有一定的不稳定性 . 笔者针对 SAR 图像的特点, 首先统计图像中每个像素点在其纹理特征空间中的局部邻接信息, 设计了 一种基于局部相似性测度的稀疏邻接矩阵构造方法, 然后根据最近邻规则对此稀疏邻接矩阵进行逐层合并, 接着进行基础聚类和逐层细化实现像素点聚类, 最终得到图像的分割结果 . 此方法既避免了邻接矩阵过大带 来的存储问题, 也不需要对邻接矩阵进行特征分解 . 为了验证新方法的性能 , 在两幅人工纹理图像和两幅 SAR 图像上进行了仿真实验, 取得了较为理想的分割结果.
基于区域相似性的活动轮廓SAR图像分割
关键 词 ：合 成孔 径雷 达 ； 像 分 割 ； 动 轮 廓 模 型 ； 图 活 区域 相 似 性 ； 分 割 过
中 图 法分 类 号 ：ＴＰ ９ ３１
Ｒｅ ｉ ｎ Ｓ ｍ ｉａ ｉｙ Ｂａ ｅ ｔｖ ｎｔ ｕ ｏ ｌｆ ｒ Ｓ ｇ ｏ ｉ ｌ ｒ ｔ ｓ ｄ Ａｃ ｉ ｅ Ｃｏ ｏ ｒ Ｍ ｄｅ ｏ ＡＲ ｍ ａ ｅ Ｓ ｇ ｅ ｔ ｔｏ Ｉ ｇ ｅ ｍ ｎ ａｉｎ
Ｓｅ ． ２Ｏ ｐ １０
基于 区域 相似 性 的活 动轮廓 Ｓ ＡＲ 图像分 割
孔丁科， 汪国昭
（ 江 大 学 数 学 系计 算 机 图 象 图 形研 究 所 浙
（ ｉｃ ｏ ｇ ｇ ｉ ｃ ｒ ）Leabharlann ｄｎ ｋ ｎ ＠ ｍａｌ ｏｎ ．
杭 州 ３０ ２ ） １ ０７
摘
要 ：为 了克 服 传 统 活 动 轮 廓 Ｓ ＡＲ分 割 模 型 高 度 依 赖 统计 分 布 假 定 的 缺 点 ， 合 基 于 成 对 相 似 性 的 图划 分 方 法 结
和 几 何 活 动 轮 廓模 型 的优 点 ， 出 了 基 于 区域 相 似 性 的活 动 轮 廓 Ｓ Ｒ 分 割模 型． 先 将 原 始 图 像 过 分割 成 同质 子 区 提 Ａ 首 域 集 ； 后 结 合 强 度 和 纹 理 信 息 真 实 度量 子 区 域 的 成 对 相 似 性 ， 以此 定 义 能 量 泛 函 ； 后 利 用 基 于 过 分 割 的 规 则 然 并 最 化 和 快 速 曲线 演 化 实 现 Ｓ ＡＲ 图像 的有 效 分 割 ． 实 Ｓ 真 ＡＲ 图像 的 实 验 结 果 表 明 ， 模 型能 快 速 、 确 地 得 到 Ｓ 该 准 ＡＲ 图
Ｋｅ ｒ ： ｓ ｎｔ ｔｃ ｐ ｒ ｕ ｅ ａ ａ （ ｙ ｗｏ ｄｓ ｙ ｈｅ ｉ ａ ｅ ｔ ｒ ｒ ｄ ｒ ＳＡＲ ）； ｉ ｇ ｓ ｇ ｅ ａ ｉ ｎ； ａ ｔｖ ｃ ｎｔ ｕｒ ｍａ ｅ ｅ ｍ ｎｔ ｔｏ ｃ ｉ ｅ ｏ ｏ ｍｏ ｌ ｒ ｇｉ ｄｅ ； ｅ ｏｎ
SAR图像相干斑抑制与分割方法研究
SAR图像相干斑抑制与分割方法研究摘要：作为一种微波遥感技术，合成孔径雷达(synthetic aperture radar, SAR)具有分辨率高、穿透性强、全天时和全天候工作的独特优势，已被广泛用于军事、农业等领域。
SAR系统的相干成像原理，导致SAR图像中散布着大量具有乘性特性的相干斑噪声。
相干斑噪声的不均匀性和复杂性，严重阻碍了SAR图像后期的自动解译，例如影响了目标分割的准确度，为后续目标识别和追踪等应用增加了难度。
因此，开展SAR图像相干斑抑制与分割方法研究具有重要意义。
本文重点研究了SAR图像相干斑抑制，同时也初步研究了SAR图像分割，具体的研究工作如下：通过分析和比较经典空域滤波的抑斑性能，提出一种基于改进Frost滤波的抑斑方法。
该方法采用经典Lee或Kuan滤波系数控制Frost的滤波强度，实现SAR图像在不同场景下进行不同参数的Frost加权滤波，避免了过滤波或欠滤波的问题。
与经典空域抑斑方法的对比实验表明，该方法在视觉效果与参数指标上具有明显优势。
通过改进经典非局部平均(non-local means, NLM)方法，提出一种基于变差系数(coefficient of variation, CV)的非局部平均抑斑方法。
该方法的相似性测量采用经对数变换和高斯平滑处理后图像的高斯加权欧式距离，自适应衰减因子采用原始SAR 图像变差系数的倒数，最后由相似性测量参量和自适应衰减因子构成的新权重，对原始SAR图像进行非局部加权滤波。
与近年来几种抑斑方法的对比实验表明，该方法在保持边缘的同时，提高了高灰度同质区域的抑斑性能。
将SAR图像的统计特性加入非局部平均滤波过程中，提出一种自适应调节滤波强度的非局部平均抑斑方法。
该方法基于Lee滤波或Kuan滤波的估计模型，根据SAR图像的局域统计信息进行与之相符合的非局部加权滤波。
其中，非局部加权滤波的权重由基于均值比(mean ratio, MR)的相似性测量参量和基于变差系数的自衰减因子构成。
基于局部相似性测度的SAR图像多层分割
基于局部相似性测度的SAR图像多层分割刘汉强;焦李成;赵凤【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2010(037)006【摘要】针对谱聚类算法计算复杂度高,不适用于合成孔径雷达图像分割的问题,利用谱聚类算法与权核k均值之间的等价性,提出一种基于局部相似性测度的SAR图像多层分割算法.首先提取图像中每个像素的小波纹理特征,利用每个像素点的纹理特征计算各自的局部尺度参数,进而构造像素点之间的邻接关系,然后利用最近邻规则对此邻接关系进行逐层合并,进行基础聚类和逐层细化实现像素点聚类,最终得到图像的分割结果.对人工纹理图像和SAR图像的分割结果表明了新算法避免了传统谱聚类算法对尺度参数的敏感性,获得了更优的分割性能.【总页数】6页(P1071-1076)【作者】刘汉强;焦李成;赵凤【作者单位】西安电子科技大学,智能感知与图像理解教育部重点实验室和智能信息处理研究所,陕西,西安,710071;西安电子科技大学,智能感知与图像理解教育部重点实验室和智能信息处理研究所,陕西,西安,710071;西安电子科技大学,智能感知与图像理解教育部重点实验室和智能信息处理研究所,陕西,西安,710071【正文语种】中文【中图分类】TP75【相关文献】1.基于SLIC超像素分割的SAR图像海陆分割算法 [J], 李智;曲长文;周强;刘晨2.基于多空间多层次谱聚类的非监督SAR图像分割算法 [J], 田玲;邓旌波;廖紫纤;石博;何楚3.基于局部中值拟合C-V模型的SAR图像分割算法 [J], 张倩;黄江华;张荣;刘政凯4.基于ROEWA算子局部活动轮廓的SAR图像分割算法 [J], 彭书娟;曲长文;李健伟;邵嘉琦;骆卉子5.基于局部超分辨重建的高精度SAR图像水域分割方法 [J], 李宁; 牛世林因版权原因，仅展示原文概要，查看原文内容请购买。
基于区域MRF的SAR图像快速分割算法
基于区域MRF的SAR图像快速分割算法
杨学志;沈晶
【期刊名称】《图学学报》
【年(卷),期】2009(030)006
【摘要】针对受相干斑噪声影响较严重的合成孔径雷达(SAR)图像,提出了一种基于边缘保持(EPR)的区域MRF快速分割算法.基于EPR的SAR图像表示方法包括各向异性扩散的相干斑降噪算法和分水岭变换两部分,该方法在存在相干斑噪声的情况下,能够有效地抑制过分割和在区域边界进行目标边缘的准确定位.将基于EPR 的表示方法和区域MRF相结合,能够大幅减少优化过程的搜索空间,获得准确的分类结果和统计特性,同时减少了计算量和分割错误.将提出的算法用于一幅添加了各种不同噪声水平的合成图像和SAR海冰影像的分割中,实验结果证明了该算法的有效性.该算法与现有的区域MRF相比,实验结果证明新算法能够节约计算时间50%,同时提高了分割准确性,尤其是在相干斑噪声较强的区域.
【总页数】9页(P98-106)
【作者】杨学志;沈晶
【作者单位】合肥工业大学计算机与信息学院,安徽,合肥,230009;合肥工业大学计算机与信息学院,安徽,合肥,230009
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于区域型MRF的SAR图像分割算法 [J], 徐康;杨学志;李长凯;范良欢
2.一种新的基于网格编码和区域合并的SAR图像快速分割算法 [J], 张泽均;水鹏朗
3.强噪声背景下基于非网格MRF的SAR图像快速分割方法 [J], 陈华杰;吴香伟
4.双窗口特征的SAR图像丛林区域MRF分割算法 [J], 覃骋;陈华杰
5.基于改进Ratio和区域MRF的SAR图像分割方法 [J], 李长凯
因版权原因，仅展示原文概要，查看原文内容请购买。
基于表征转换机的SAR图像目标分割方法
基于表征转换机的SAR图像目标分割方法赵晓辉;姜义成;朱同宇【摘要】针对SAR(Synthetic Aperture Radar)图像中的目标分割问题，由于目标与杂波空间模式(像素强度和分布)不同，通过分析图像空间模式的方式可达到分辨目标和杂波并分割目标的目的。
该文基于表征转换机理论提出一种有效的SAR 图像目标分割方法，该算法分析SAR图像中的空间模式，计算其与参考杂波图像的相似程度，最后将与参考杂波相似程度较高的部分消除以达到分割目标的目的，并在衡量相似度部分使用基于累积直方图的自动阈值选取办法。
仿真和实测数据的实验验证了此算法的有效性。
%Differences between the spatial pattern (pixel intensity and distribution) of targets and clutter allow target segmentation to be achieved by analyzing spatial patterns in Synthetic Aperture Radar (SAR) images. This paper thus proposes a target segmentation method for SAR images based on the appearance conversion machine theory. The proposed method analyses the spatial patterns in SAR images and calculates the degree of similarity between the SAR image and the reference clutter images. Subsequently, regions that show high similarity to reference clutter images are erased so that segmentation can be achieved. To evaluate the degree of similarity, we also use an automatic threshold selection method based on the cumulative histogram of the similarity imge. Experimental results using simulation and real data verify the effectiveness of the proposed method.【期刊名称】《雷达学报》【年(卷),期】2016(005)004【总页数】8页(P402-409)【关键词】合成孔径雷达;目标分割;表征转换机;极限学习机【作者】赵晓辉;姜义成;朱同宇【作者单位】哈尔滨工业大学哈尔滨 150001;哈尔滨工业大学哈尔滨 150001;哈尔滨工业大学哈尔滨 150001【正文语种】中文【中图分类】TN958.3引用格式：赵晓辉，姜义成，朱同宇.基于表征转换机的SAR图像目标分割方法［J］.雷达学报， 2016， 5（4）: 402-409.DOI: 10.12000/JR16066.Reference format: Zhao Xiaohui， Jiang Yicheng， and Zhu Tongyu.Target segmentation method in SAR images based on appearance conversion machine［J］.Journal of Radars， 2016， 5（4）: 402-409.DOI:10.12000/JR16066.合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候执行遥感监视任务的能力，其可以通过相干积累目标的多次回波得到目标的2维SAR图像［1，2］。
基于区域型MRF的SAR图像分割算法
基于区域型MRF的SAR图像分割算法徐康;杨学志;李长凯;范良欢【摘要】An improved segmentation algorithm for the synthetic aperture radar(SAR) image is proposed in view of two disadvantages of the iterative region growing using semantics(IRGS) in solving speckle noise of SAR image, including inaccurate positioning of the edge and excess segmentation at initial stage. The speckle reduction anisotropic diffusion (SRAD) is used to reduce the impact of speckle noise and enhance the edge information of SAR image. Then the watershed transform and the region adjacency graph(RAG) are used to construct the regional expression of SAR image. Finally by using IRGS algorithm, fast and efficient SAR image segmentation is achieved. The new algorithm is tested on several artificial images and SAR images with different noise levels and the result proves its accuracy in segmentation and efficiency in time consumption.%针对迭代区域生长算法(IRGS)在处理含相干斑噪声严重的合成孔径雷达(SAR)图像时具有的边缘定位不准确和初始过度分割的两大不足,文章提出了一种新型的改进分割算法.通过各向异性扩散滤波(SRAD)抑制SAR图像的斑点噪声并增强图像的边缘信息,采用分水岭分割与区域邻接图(RAG)构建SAR图像的区域化表达.在此基础上,与IRGS算法相结合,实现SAR图像的快速、精确分割.将新算法用于一组添加了不同噪声水平的合成图像和真实SAR图像,实验结果表明新算法在分割准确度和时间效率上均有较大提高.【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2011(034)001【总页数】5页(P71-75)【关键词】合成孔径雷达;图像分割;迭代区域生长(IRGS);各向异性扩散的相干斑降噪(SRAD)【作者】徐康;杨学志;李长凯;范良欢【作者单位】合肥工业大学,计算机与信息学院,安徽,合肥,230009;合肥工业大学,计算机与信息学院,安徽,合肥,230009;合肥工业大学,计算机与信息学院,安徽,合肥,230009;合肥工业大学,计算机与信息学院,安徽,合肥,230009【正文语种】中文【中图分类】TP751.1近年来,微波遥感技术的典型代表合成孔径雷达(SAR)[1]以全天候、全天时、多波段、多极化、可变侧视角以及穿透能力强等诸多优点被广泛应用于军事和国民经济领域。
基于区域一致性和NSCT的SAR图像分割
基于区域一致性和NSCT的SAR图像分割
宋晓峰;刘芳;李志远
【期刊名称】《计算机工程》
【年(卷),期】2009(035)011
【摘要】提出反映合成孔径雷达(SAR)图像区域一致性的G值图,在此基础上运用区域生长方法对图像进行粗分割.在对粗分图像进行区域合并的过程中,对于含有丰富方向和纹理信息的SAR图像,使用非下采样Contourlet变换(NSCT)进行区域特征提取,并采用一种新方法进行区域合并.仿真结果证明了SAR图像分割算法的有效性.
【总页数】3页(P234-236)
【作者】宋晓峰;刘芳;李志远
【作者单位】西安电子科技大学计算机学院,西安,710071;西安通信学院,西
安,710106;西安电子科技大学计算机学院,西安,710071;西安通信学院,西
安,710106
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于NSCT-Gabor特征和脉冲耦合神经网络的 SAR图像分割 [J], 吴俊政;严卫东;倪维平;边辉;张晗
2.基于MRF模型的NSCT域SAR图像分割 [J], 鲁昌华;盛柳青;岳公和
3.基于区域内一致性和区域间差异性的图像分割 [J], 周昌雄;于盛林
4.基于NSCT和FCM聚类的SAR图像分割 [J], 孙季丰;邓晓晖
5.基于区域分割的NSCT域SAR与全色图像融合算法 [J], 叶传奇;王宝树;苗启广因版权原因，仅展示原文概要，查看原文内容请购买。
基于局部中值拟合C-V模型的SAR图像分割算法
基于局部中值拟合C-V模型的SAR图像分割算法张倩;黄江华;张荣;刘政凯【期刊名称】《中国科学技术大学学报》【年(卷),期】2012(042)001【摘要】针对SAR图像特点,提出了一种基于局部中值拟合(LMF) C-V模型的新的SAR图像分割算法LMFCV-SIS.该算法核心是利用像素点及以其为中心的邻域内的像素点的局部中值拟合来构造能量函数,极小化该能量函数,得到轮廓的最终演化结果.一系列对比实验的结果表明,该算法充分利用了SAR图像的特征信息,对真实机载SAR图像进行分割具有分割边界定位准确、收敛速度较快等优势.%A novel SAR image segmentation algorithm LMFCV-SIS based on local median fitting (LMF) C-V model was proposed according to the characteristics of SAR images. The main idea of the algorithm is to use the LMF of the pixel and its neighbors to form an energy and the final evolution of the curve was given by the minimization of the energy. The performance of the approach was verified by plenty of real airborne SAR images and the experimental results from the real data show its efficiency and accuracy.【总页数】8页(P52-59)【作者】张倩;黄江华;张荣;刘政凯【作者单位】中国科学技术大学电子工程与信息科学系,安徽合肥230027;中国科学技术大学电子工程与信息科学系,安徽合肥230027;中国科学技术大学电子工程与信息科学系,安徽合肥230027;中国科学技术大学电子工程与信息科学系,安徽合肥230027【正文语种】中文【中图分类】TN958;TP751.1【相关文献】1.基于改进的水平集局部二值拟合模型车牌分割算法 [J], 王洪亚;高尚兵;唐嵩涛;林岳宾2.基于改进C-V模型的高分辨SAR图像分割 [J], 王翠杰;杨永红;林明3.一种新的SAR图像局部拟合活动轮廓模型 [J], 刘光明;孟祥伟;皇甫一江;杜文超4.基于C-V模型的医学图像血管钙化分割算法 [J], 史健松;嵇晓强;曲凯歌;李世维;张晓枫;王晓刚5.基于改进C-V水平集模型的SAR图像分割 [J], 付金明;羿旭明;檀伟伟;王星;徐宇帆;陈璇因版权原因，仅展示原文概要，查看原文内容请购买。
基于区域相似性的活动轮廓SAR图像分割
基于区域相似性的活动轮廓SAR图像分割
孔丁科;汪国昭
【期刊名称】《计算机辅助设计与图形学学报》
【年(卷),期】2010(022)009
【摘要】为了克服传统活动轮廓SAR分割模型高度依赖统计分布假定的缺点,结合基于成对相似性的图划分方法和几何活动轮廓模型的优点,提出了基于区域相似性的活动轮廓SAR分割模型.首先将原始图像过分割成同质子区域集;然后结合强度和纹理信息真实度量子区域的成对相似性,并以此定义能量泛函;最后利用基于过分割的规则化和快速曲线演化实现SAR图像的有效分割.真实SAR图像的实验结果表明,该模型能快速、准确地得到SAR图像的分割结果.
【总页数】7页(P1554-1560)
【作者】孔丁科;汪国昭
【作者单位】浙江大学数学系计算机图象图形研究所,杭州,310027;浙江大学数学系计算机图象图形研究所,杭州,310027
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于全局活动轮廓模型的SAR图像分割方法 [J], 贺志国;陆军;匡纲要
2.基于集成活动轮廓模型的SAR图像分割方法 [J], 彭锐晖;王向伟;吕永胜
3.基于区域混合活动轮廓模型的医学图像分割 [J], 林喜兰;陈秀宏;肖林云
4.基于ROEWA算子局部活动轮廓的SAR图像分割算法 [J], 彭书娟;曲长文;李健伟;邵嘉琦;骆卉子
5.基于全局和区域可伸缩拟合局部熵活动轮廓模型的超声图像分割 [J], 宋省伟;宗静静;邱天爽;张晓博
因版权原因，仅展示原文概要，查看原文内容请购买。
基于相似性度量的高分辨率SAR图像无监督分割
基于相似性度量的高分辨率SAR图像无监督分割
张倩;张荣;刘政凯
【期刊名称】《中国科学技术大学学报》
【年(卷),期】2010(040)002
【摘要】SAR图像中斑点噪声的存在给分割造成了严重的影响.为此,基于JSEG平台,针对高分辨率SAR图像的特点,提出了一种新的相似性度量,这也是该无监督分割算法的核心.该算法主要由预处理、纹理组合和区域生长三个步骤来完成.在纹理组合中,利用新的相似性度量标准,把预处理后的SAR数据通过计算映射成一组新的数据,这组新数据可初步表征图像的分割;最后利用简单的区域生长完成分割.实验结果表明,该方法充分利用了SAR图像的特征信息,能够准确实现对SAR图像的分割,并具有很好的稳健性.
【总页数】6页(P123-128)
【作者】张倩;张荣;刘政凯
【作者单位】中国科学技术大学信息处理中心,安徽合肥,230027;中国科学技术大学信息处理中心,安徽合肥,230027;中国科学技术大学信息处理中心,安徽合
肥,230027
【正文语种】中文
【中图分类】TN958;TP751.1
【相关文献】
1.基于广义多分辨似然比的SAR图像无监督分割 [J], 张前进;郭雷
2.基于多特征的SAR图像的无监督分割 [J], 王庆香;李迪;张舞杰
3.基于上下文分析的无监督分层迭代算法用于SAR图像分割 [J], 余航;焦李成;刘芳
4.基于多特征的SAR图像多尺度无监督分割 [J], 郭小卫;官小平
5.基于多尺度非线性随机模型的SAR图像无监督分割 [J], 田铮
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于近似有限Ridgelet变换的SAR图像分割方法
一种基于近似有限Ridgelet变换的SAR图像分割方法李应岐;何明一
【期刊名称】《计算机工程与应用》
【年(卷),期】2005(41)9
【摘要】由Donoho等提出的有限正交Ridgekt变换成功应用于高噪声图像的边缘检测和分割,但由于有限Radon的"缠绕"现象使得在该方法图像的重构时产生边缘的"混叠"和"洞",影响了边缘检测和图像分割的质量.论文结合Wedgekt变换提出了基于"自然直线"的近似有限Ridgekt变换从根本上克服了这些缺陷和解决了离散Radon变换的图像重构问题.最后将这一方法用于SAR图像分割,并取得了满意的结果.
【总页数】3页(P13-15)
【作者】李应岐;何明一
【作者单位】西北工业大学电子信息学院,西安,710072;西北工业大学电子信息学院,西安,710072
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.基于Ridgelet变换SAR图像舰船尾迹去噪 [J], 江源;曲长文;邓淇元
2.一种基于图像分割和归一化灰度Hough变换的SAR图像舰船尾迹CFAR检测算法 [J], 艾加秋;齐向阳;禹卫东;刘凡
3.一种基于冗余Ridgelet变换的图像多描述编码方法 [J], 李彦;汪胜前;邓承志;李红巧;赵秀娟
4.基于有限Ridgelet变换的图像去噪 [J], 唐永茂;施鹏飞
5.一种基于Ridgelet变换的遥感图像融合方法 [J], 许学斌;张新曼;张德运
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｌ ， ａ — ｉｎ 己 Ｈ ｎｑ ａ ｇ。 ＪＩ ＡＯ —ｈ ｎ ＺＨ ＡＯ ｎ Ｌｉｃ ｅ ｇ． Ｆｅ ｇ
（ ｉ ｓ ｒ ｆＥｄｕ ａ ｉ ｅ ｂ．ｏｆＩ ｅｌｇ ｎｔＰｅ ｃ ｐ ｉ ｎ ａ ｄ Ｉ ａ ｎ ｒ ｔ ｎ ｎｇ， Ｍ ｎｉｔ ｙ ｏ ｃ ｔｏｎ Ｋ ｙ Ｌａ ｎｔ ｌｉｅ ｒ ｅ ｔｏ ｎ ｍ ｇｅＵ ｄｅ ｓ ａ ｄｉ
ｗｅｇｈｔ ｄ ｋｅ ｎｅ — ｅ ｎｓ．Ｆｉｓ ， ｔ ｅ ｗ ａ ｅｅｔｔｘｔ ｅ ｆ ａ ｕｒ ｓ ｏ ｖ ｒ ｘｅ ｒ ｘｔａ ｔ ｄ ｆｏ ｈｅ ｉ ａ ｉ ｅ ｒ ｌｋ ｍ ａ ｒ ｔ ｈ ｖ ｌ ｅ ｕｒ ｅ ｔ ｅ ｆｅ ｅ ｙ ｐｉ ｌａ ｅ ｅ ｒ ｃ ｅ ｒ ｍ ｔ ｍ ｇｅ
Ａｉ ｎ ａ ｈ ｈ ｇ ｃ ｍｐ ｔ ｔｏ ａ ｏ ｌｘ ｔ ｆ ｐ ｃ ｒ ｌ ｃ ｕ ｔ ｒｎ ａｇ ｒｔ ｍｓ ａ ｄ ｔ ｅｒ ｍｉｇ ｔ ｔ ｅ ｉｈ ｏ ｕ ａ ｉ ｎ ｌ ｍｐ ｅ ｉ ｏ ｓ ｅ ｔａ ｌ ｓ ｅ ｉｇ ｌ ｏ ｉ ｃ ｙ ｈ ｎ ｈ ｉ
基于局部相似ቤተ መጻሕፍቲ ባይዱ测 度 的 Ｓ ＡＲ 图像 多层 分 割
刘 汉 强 ， 焦 李 成 ， 赵 凤
（ 安 电子 科 技 大 学 智 能 感 知 与 图像 理 解教 育部 重 点 实验 室和 西
智能信息处理研究所 ， 西 西安 陕 ７０７） １ ０ １
摘 要 ： 针对 谱 聚 类 算 法 计 算 复 杂度 高 ， 适 用 于合 成 孔 径 雷达 图像 分 割 的 问题 ， 用 谱 聚 类 算 法 与 权 核 不 利 ｋ均值 之 间 的 等价 性 ， 出一 种 基 于 局 部 相 似 性 测 度 的 Ｓ Ｒ 图像 多 层 分 割 算 法 ． 先 提 取 图像 中 每 个 提 Ａ 首 像 素 的小 波 纹 理 特 征 ， 用 每 个 像 素 点 的 纹 理 特 征 计 算 各 自的局 部 尺 度 参 数 ， 而 构 造 像 素 点 之 间 的邻 利 进 接 关 系 ， 后 利 用 最 近 邻 规 则 对 此 邻 接 关 系进 行 逐 层 合 并 ， 行 基 础 聚 类 和 逐 层 细 化 实 现 像 素 点 聚 类 ， 然 进
最 终 得 到 图像 的分 割结 果 ． 人 工 纹 理 图像 和 Ｓ Ｒ 图像 的分 割结 果 表 明 了新 算 法避 免 了传 统 谱 聚 类 算 对 Ａ
法 对 尺 度 参 数 的敏 感 性 ， 得 了更优 的 分 割 性 能 ． 获
关 键 词 ： 图像 分 割 ； 成 孔 径 雷达 图像 ； 似 性 测 度 ； 聚 类 ； 核 ｋ均值 合 相 谱 权
中图分类号 ：Ｐ ５ Ｔ ７ 文献标识码 ： Ａ 文 章 编 号 ： ］ ２ ０ （ ０ ０ ０ 一 Ｏ １Ｏ ｌ （ － ４ ０ ２ ｉ ） ６ｌ ７ 一６ Ｏ１
ＳＡＲ ｍ ａ ｅ ｍ ｕ ｔｌ ｖ ｌｓ ｇ ｅ ｔ ｔｏ ａ ｅ ｎ ｉ ｇ ｌｉｅ ｅ ｅ ｍ ｎ ａ ｉ ｎ ｂ ｓ ｄ ｏ
２１ ０ ０年 Ｉ ２月
西 安 电子 科 技 大学 学 报 （ 自然 科 学 版 ）
Ｊ０ＵＲ ＮＡＬ ０Ｆ ＸＩ Ｉ Ｄ ＡＮ ＵＮＩ ＶＥＲ Ｓ ＴＹ Ｉ
Ｄｅ 。 ０ ０ ｃ２ １
第 ３ ７卷
第 ６期
Ｖｏ ． ７ Ｎｏ ６ １３ ．
ｄ ｉ １ ３ ６ ／ ．ｓ ｎ． ０ １２ ０ ． ０ ０． ６ ０ ６ ｏ ：０． ９ ９ ｊｉｓ １ ０ — ４ ０ ２ １ ０ ． １
ｐ ｘ ｌ ａ ｈｅ ｕ ｔｌ ｖ ｌｍ ｅ ｇ ｎ ｉ ｅ ， ｎｄ ｔ ｎ ｍ ｌｉｅ ｅ ｒ ｉ ｇ，ｂａ ｉ ｌ ｔ ｒｎｇ ａ ｕｌｉｅ ｌｒ ｆｎ ｎ ｐｅ ａ ｉ ｒ ｅ Ｏ ｃｕｓ ｅ ｓｃ ｃｕｓ ｅ ｉ ｎｄ ｍ ｔｌｖｅ ｅ ｉ ｉ ｇ ｏ ｒ ｔｏｎｓａ ｅ ｕｓ ｄ ｔ ｌ ｔ ｒ ｔ ｅ ｉ ｇｅ ｐｉ ｌ ｈ ｍａ ｘｅｓ，ａ ｉ ｌｙ ｔ ｍ ａ ｅ ｅ ａ ｉ ｅ ｕｌ ｓｏｂ ａ ｎ ｄ．Ｅｘ ｒｍ ｅ ｔ ｌｒ ｓ ｌｓｏｎ ａｒｉｉ ｉｌ ｎｄ ｆｎａ ｌ ｈｅｉ ｇｅ ｓ ｇｍ ｎｔ ｔｏｎ ｒ ｓ ｔｉ ｔ ｉ ｅ ｐｅ ｉ ｎ ａ ｅ ｕ ｔ ｔｆｃａ ｔ ｘ ｕｒ ｍ ａ ｓ ａ ｄ ＳＡ Ｒ ｍ ａ ｓ ｓ ｏｗ ｈａ ｔ ｏｐ ｅ ｍ ｅ ｈｏ ａ ｖ ｄ ｈｅ ｓ ｎ ｉｉ ｉｙ ｏｆ ｔａ ｔｏ ａｌ ｅ ｔ ｅ ｉ ｇｅ ｎ ｉ ｇｅ ｈ ｔ ｔ ｈｅ ｐｒ ｏｓ ｄ ｔ ｄ ｃ ｎ ａ ｏｉ ｔ ｅ ｓｔｖｔ ｒ ｄｉｉ ｎ ｓ ｃ ｒ ｌｃ ｕ ｔ ｒｎｇ ｔ ｈ ｃ ｌ ｒ ｍ ｅ ｅ ｓａ ｂｔ ｉ ｔ ｅ ｅ ｍ ｅ ａ ｉ ｒｏｒ ａ ｅ ｐｅ ｔ ａ ｌ ｓ ｅ ｉ ｏ ｔ ｅ ｓ ａ ｅｐａ ａ ｔ ｒ ｎｄ ｏ ａｎ ａ ｂｅｔ ｒ ｓ ｇ ｎｔ ｔｏｎ ｐｅ ｆ ｍ ｎｃ ．
Ｒｅ ｅ ｒ ｈ Ｉ ｓ ．ｏ ｎ ｅｌ ｅ ｔＩ ｆ ｒ ｔ ｎ Ｐｒ ｃ ｓ ｉ ｇ，Ｘｉ ｉｎ Ｕｎ ｖ ，Ｘｉ ｎ ７ ０ ７ ，Ｃ ｉ ａ ｓ ａ ｃ ｎ ｔ ｆＩ ｔｌｉ ｎ ｎ ｏ ｍａ ｉ ｏ ｅ ｓｎ ｇ ｏ ｄａ ｉ． ’ １０１ ａ ｈｎ ）
Ａｂ ｔａ ｔ ｓｒｃ ：
ａ ｄ ｔ ｅｓ ａ ｓ ｄａ ｅ ｔｍａｒｘａ ｎ ｉｅｓｉ ｃ ｎ ｔｕ ｔｄｂ ｏ ｕ ｉｇ ｔｅｌｃｌｓａｅｐ ｒｍｅｅ ｆ ａ ｈ ｎ ｈ ｐ ｒｅａ ｊｃｎ ｔｉ ｍｏ ｇｐｘ ｌ ｓ ｏ ｓｒ ｃｅ ｙｃ ｍｐ ｔｎ ｈ ａ ｃ ｌ ａａ ｔｒｏ ｃ ｏ ｅ
ｕ ｓ ｉ ｂ ｉｙ ｔ ｙ ｔ ｅ ｉ ｐ ｒｕ ｅ ｒ ｄ ｒ ｉ ｇ ｅ ｍｅ ｔ ｔｏ ｎ ｕ ｔ ｌ ｏ ｓ ｎ ｈ ｔｃ ａ ｅ ｔ ｒ ａ ａ ｍａ ｅ ｓ ｇ ｎ ａ ｉｎ，ａ ｎ ｖ ｌＳ ａ ｔ ｏ ｅ ＡＲ ｍａ ｅｍ ｕ ｔ ｅ ｅ ｅ ｍ ｅ ｔ ｔｏ ｉ ｇ ｌｉ ｖ ｌｓ ｇ ｎ ａ ｉ ｎ ｌ ｂ ｓ ｄ ｏ ｏ ａ ｉ ｌ ｒ ｙ ｍｅ ｓ ｒ ｓ ｐ ｏ ｏ ｅ ｉｈ ｕ ｉ ｚ ｓ ｔ ｅ ｅ ｕ ｖ ｌｎ ｅ ｏ ｐ ｃｒ ｌ ｃｕ ｔ ｒｎ ｎ ａ ｅ ｎ ｌ ｃ ｌ ｓｍｉ ｉ ａ ｕ ｅ ｉ ｒ ｐ ｓ ｄ ｗｈ ｃ ｔ ｉｅ ｈ ｑ ｉ ａｅ ｃ ｆ ｓ ｅ ｔ ａ ｌ ｓ ｅ ｉ ｇ ａ ｄ ａｔ ｌ