基于纹理和边缘的SAR图像多维SVM回归

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (31): 175-178.

• 图形、图像、模式识别 • 上一篇下一篇

基于纹理和边缘的SAR图像多维SVM回归

龙海翔1，2，高鑫1，刘蓉2

1.中国科学院电子学研究所航空微波遥感系统部，北京 100080
2.中国科学院研究生院，北京 100039

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-01 发布日期:2011-11-01

Multi-dimensional SVM regression of SAR image based on texture and edge

LONG Haixiang1，2，GAO Xin1，LIU Rong2

1.Institute of Electronics，Chinese Academy of Sciences，Beijing 100080，China
2.Graduate University of Chinese Academy of Sciences，Beijing 100039，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-01 Published:2011-11-01

摘要/Abstract

摘要： 合成孔径雷达（SAR）图像ROI（Region of Interest）区域存在两种情况：只包含单一地物或由混合地物组成。对此，提出一种基于特征映射的SAR图像多维输出回归方法，该方法不仅能够对只包含单一地物的SAR图像进行类别判断，也能对混合地物区域的内容做出估计。首先对SAR图像提取基于灰度共生矩阵的纹理特征，然后构造了一组能够反映SAR图像边缘长度、方向和稀疏程度的边缘特征向量，最后利用纹理特征和边缘特征对SAR图像进行基于近似迭代变权最小二乘法（IRWLS）的多维支持向量机（Support Vector Machine，SVM）回归。实验结果表明，该方法能够对包含不同地物内容的ROI区域进行有效解译，正确率高。

关键词: 合成孔径雷达（SAR）图像, 多维SVM回归, 纹理特征, 灰度共生矩阵, 边缘特征, 图像解译

Abstract: For precisely recognizing and interpreting the content of Region of Interest（ROI） of SAR image，which contains either single or mixed geographical objects，a new multi-dimensional regression analysis method based on features-mapping is developed.It can not only classify SAR images containing single geographical objects，but also interpret the region of mixed geographical objects as well，which shows its practicability.It firstly extracts texture features based on gray level co-occurrence matrix from SAR image，and then constructs a set of vectors which can describe the length，the direction and the density of the edge of SAR image.These texture features are used for multi-dimensional Support Vector Machine（SVM） regression based on Iterative Re-Weight Least Square（IRWLS） at last.The experiment results demonstrate that this approach is effective for interpretation of ROI with various contents with high accuracy.

Key words: Synthetic Aperture Radar（SAR） image, multi-dimensional Support Vector Machine（SVM） regression, texture feature, Gray Level Co-occurrence Matrix（GLCM）, edge feature, interpretation

龙海翔1，2，高鑫1，刘蓉2. 基于纹理和边缘的SAR图像多维SVM回归[J]. 计算机工程与应用, 2011, 47(31): 175-178.

LONG Haixiang1，2，GAO Xin1，LIU Rong2. Multi-dimensional SVM regression of SAR image based on texture and edge[J]. Computer Engineering and Applications, 2011, 47(31): 175-178.

[1]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[2]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[3]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[4]	宗晓萍，田伟倩. 采用K-means的脑肿瘤磁共振图像分割与特征提取[J]. 计算机工程与应用, 2020, 56(3): 187-193.
[5]	钱满，张向阳，李仁昌. 改进卷积神经网络SAR图像去噪算法[J]. 计算机工程与应用, 2020, 56(14): 176-182.
[6]	陈熙，道尔吉，李运兰，韦立，夏道勋，熊祥光. 多方向局部相位量化模式及纹理分类[J]. 计算机工程与应用, 2020, 56(13): 216-222.
[7]	丁华，王晓东，章联军，陈晓爱，赖佩霞. 基于SLIC融合纹理和直方图的图像显著性检测[J]. 计算机工程与应用, 2019, 55(3): 159-166.
[8]	汪娟1, 刘哲1, 宋余庆1, 陈香远2. 基于改进的GLCM甲状腺纹理特征提取与分析[J]. 计算机工程与应用, 2018, 54(23): 176-182.
[9]	王偲晗1，万幼川1，王明威1，高雄2. 改进蚁群算法及其在高光谱影像分类中的研究[J]. 计算机工程与应用, 2018, 54(1): 196-203.
[10]	白晓静1，卢钢2，闫勇1，2. 基于多尺度颜色小波纹理特征的火焰图像分割[J]. 计算机工程与应用, 2017, 53(9): 213-219.
[11]	布阿加姑丽·米吉提1，库尔班·吾布力1，努尔毕亚·亚地卡尔1，吐尔根·依不拉因1，阿力木江·艾沙2. 纹理特征加权融合的中亚多文种文档图像文种识别[J]. 计算机工程与应用, 2017, 53(20): 187-194.
[12]	陈熙1，2，张戈1. 基于非高斯二维Gabor滤波器的生物特征提取算法[J]. 计算机工程与应用, 2017, 53(18): 170-175.
[13]	王珍珍1，王思明1，巩红东2. 铁路扣件图像边缘检测中LoG参数优化[J]. 计算机工程与应用, 2016, 52(9): 267-270.
[14]	罗三定，彭琼，李婷. 瓷砖图像的纹理特征分类研究[J]. 计算机工程与应用, 2016, 52(8): 196-200.
[15]	张永库，李云峰，孙劲光. 基于多特征高效索引的图像检索[J]. 计算机工程与应用, 2016, 52(7): 181-185.

基于纹理和边缘的SAR图像多维SVM回归

Multi-dimensional SVM regression of SAR image based on texture and edge

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics