快速多级子(一)
快速DOA,
阵列快速DOA估计算法
本文主要研究思路：
本文主要研究成果：
结论：进行快速 DOA 算法的研究时： 思路1、就是采用低维搜索或者直接采用待估角闭式解的方法来代替复杂的高维搜索；
思路2、就是采用避免计算协方差矩阵及对其特征分解
的方法快速估计出子空间或者直接采用计
DOA 估计。
(一)、一维快速DOA
1、一维快速空间谱测向历史及发展现状
对高维协方差矩阵进行降维的处理办法。其代表算法是波束域 MUSIC 算法。波束域类算法通过压缩阵列空间输出来减少接收数据维数，有着较稳健的参数估计性能以及较低的信噪比门限等优点。．．．
然而波束域类算法仍需要进行高运算复杂度的特征值分解，并不能从根本上解决运算量大问题。
于是，为进一步降低测向算法的运算量，
（1）、子空间类算法划分为
三类：
第一类：矩阵分割类快速算法。这类算法利用了接收信号矩阵或采样协方差矩阵自身特点，通过简
单的矩阵分割变换来快速得到信号子空间或者噪声子空间，这类算法较简单，但其性能却【快速多级子】
第二类：多级维纳滤波(MSWF)类快速算法
第三类：传播因子类(PM)快速算法。这类算法运算量小，分辨率高，在二维快速算法中也应用较多。
（2）、非子空间类的（不需要估计子空间）快速 DOA 估计方法。
（1）通过解低阶方程直接求取波达方向的方法（CEM法）的根来估计信号的 DOA，但这个信源数阶的方程的构建过程仍然具有较大的计算负担。
（2）基于伪协方差阵传统的子空间算法相比，可以减少M2N 个运算量，尤其是当快拍数 N 很大时，该算法可以有效降低算法的运算复杂度。但是，该算法需要结合角度响应谱和方向谱得出最终角度估角度估计性能也不太好。
2、常规子空间测向算法：【快速多级子】
N。 噪声子空间U
MUSIC算法：
求根 MUSIC算法：【快速多级子】
ESPRIT算法：
3、非子空间类的快速测向算法
快速多级子(二)
X波段标签式雷达反射器的设计
摘 要：提出了一种用于雷达目标监测的新型标签式雷达反射器的设计方法，该方法在结构上采用在金属贴片上开L型缝隙的方式来增强其交叉极化响应。文章介绍了交叉极化项雷达散射截面的概念，给出了该类型标签式雷达反射器在全波电磁仿真软件（HFSS 13.0）上的散射特性和仿真结果。最后利用三维电磁仿真平台（FEKO 5.5）将最终形式的标签式雷达反射器阵列置于全尺寸的汽车模型前窗之上进行建模仿真，从而验证了其有效性和实用性。 关键词：雷达散射截面；交叉极化；雷达反射器
中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2014）01-0034-03
0 引 言
雷达反射器被广泛应用于通信和雷达系统。现有的无源雷达反射器主要有角反射器和龙伯透镜。它们的共同特点是体积大、结构复杂，不便于做成标签形式。由此出发，本文提出了一种用于雷达目标监测的无源标签式雷达反射器的设计，其结构上采用在金属贴片上开L型缝隙的方式来增强其交叉极化项雷达散射截面。该标签式雷达反射器能够对特定频率范围内的雷达波束形成较强的反射。另外，由于在设计中综合了交叉极化的理念，所以极大程度地提高了反射回波与复杂背景散射场的区分度，增强了雷达对被安装目标探测和识别的能力。
该标签式雷达反射器工作于7.5 GHz，研究了它的交叉极化散射特性和阵列排布形式，并将最终形式的L缝隙贴片阵列置于全尺寸汽车网格模型的前窗之上进行建模仿真，比较了安装前后其交叉极化项雷达散射截面的变化，从而验证了该标签式雷达反射器的有效性和实用性。
1 交叉极化项雷达散射截面
雷达散射截面（RCS）被用来定量表征目标相对于雷达入射波的散射强度，其大小与目标的形状、材料、表面结构、入射波频率和收发天线的极化匹配度等参数紧密有关。共极化（Co-polarized）响应指发射和接收天线的极化角度相同，而交叉极化响应（Cross-polarized）指发射和接收天线在极化角度上正交，交叉极化响应所对应的雷达散射截面，称之为交叉极化项雷达散射面（Cross-polarized RCS）。在微波频率下，大多数被监测目标都有着较强的共极化响应，但交叉极化响应却很低。物体的棱边和夹角在受到电磁波照射时，虽可以激发出交叉极化的回波，但却并不足以使其与复杂的背景散射场区别开来。所以设法增强目标的交叉极化响应，有助于提高雷达对目标的探测和识别能力。
2 L型缝隙贴片的散射特性
经典雷达理论提及，当导线或者导带的尺寸接近入射波的半波长时将发生谐振。此时，导线或导带上的感应电流达到最大值，同时其表面电流的散射也将达到最大值。文献[1]提出了一种L型金属导带结构及其阵列。表面结构如图1所示。
图1中的单臂长度L接近于1/4入射波波长，宽度较窄，当分支之一被特定极化的雷达波束照射时，表面将产生感应电流，因导体上电流的连续性，另一分支也将激励起电流并产生交叉极化的散射场。文献[2]在保持振子L型金属导带基本结构不变的情况下，在分支中嵌入贴片电感，成功缩短了单臂尺寸。
为了更大程度增强目标的交叉极化响应，本文提出了一种L型缝隙贴片的设计，即在正方形金属贴片上开L型缝隙，其基本结构如图2所示。
图2中，正方形金属贴片的边长L1接近于半波长，缝隙长度L2接近1/4个波长，宽度较窄，所以贴片在受到特定频率的雷达波照射时，将发生较强的谐振，且由L型缝隙所激发的交叉极化响应显著区别于背景散射场。
3 仿真和结果分析
3.1 贴片结构和阵列排布的优化
HFSS是基于有限元法（FEM）的全波电磁仿真软件，能够对任意三维结构的电磁场进行分析计算。文献[6]指出，在对电小尺寸的目标进行电磁散射仿真时，HFSS有着较好的精确度。图3给出了L型金属导带和L型缝隙贴片的交叉极化项RCS在HFSS 13.0上的仿真结果对比。
从图3中可以看出，相对于L型金属导带，L型缝隙贴片的交叉极化项RCS有着明显提升，当频率为7.5 GHz时，交叉极化项RCS提升约4.9 dB。
为了更进一步增加L型缝隙贴片的交叉极化响应，同时不影响其散射场的极化特性，我们提出了一种交叉式三行三列的阵列结构，贴片参数和贴片之间的距离经过HFSS 13.0软件进行优化。同时为了在固定的面积内集成更多的贴片，对贴片进行了切角处理。阵列结构如图4所示。
图5中，K是入射电磁波矢量方向，η是极化角度。入射波的极化角度由标签的安装位置确定，必须保证缝隙的一个分支平行于入射波的极化方向，以得到较大的感应电流。
图6所示是L型缝隙贴片阵列与同尺寸金属平板的交叉极化项RCS仿真结果对比。
由图6可见，与同尺寸金属平板相比，L型缝隙贴片阵列的交叉极化项RCS更加突出。当Theta等于0°时，交叉极化项RCS提升最大，可以达到64.3 dB。
交叉极化项RCS的仿真结果
3.2 全尺寸汽车模型仿真
三维电磁仿真平台（FEKO 5.5）结合了多种精确计算方法，如矩量法（MOM）、快速多级子算法（MLFMM）、高频近似方法物理光学法（PO）、一致性绕射理论（UTD）等，可以方便地处理电磁辐射、散射及电磁兼容问题。文献[7]指出，在对电大尺寸的物体进行电磁仿真计算时，综合考虑计算精度和速度，FEKO是较理想的选择。图7所示是全尺寸汽车网格模型图。
其中汽车尺寸为4 223 mm×1 873 mm×1 865 mm，标签安装于汽车前窗的右手边上角落。利用FEKO 5.5进行仿真计算时，为了在节省时间的同时，尽可能地提高计算精度，本文综合使用物理光学法（PO）和矩量法（MOM）。即：对于标签安装位置（汽车前窗）使用了较密集的剖分方式，采用MOM计算；而对于汽车剩余部分，剖分尺寸相对较大，可采用PO计算。其仿真结果如图8所示。
从图中得出，安装L型缝隙贴片阵列之后，机动车的交叉极化响应得到了极大程度的提高，当Theta等于0°时，交叉极化项RCS提升达54.6 dB，从而验证了该类型标签式雷达反射器的有效性和实用性。
4 结 语
本文研究了一种工作于7.5 GHz的标签式雷达反射器的设计。通过在正方形金属贴片上开L型缝隙的方式，大幅提升贴片的交叉极化响应，增强雷达对被安装目标的探测能力。同时，该类标签式雷达反射器不仅具有结构简单，成本低廉等特点，而且其阵列尺寸接近于汽车免检标签大小，适合在交通工具上使用。
参 考 文 献
[1] 官伯然，王东. 无源双极化标签式雷达目标及其应用[J] .电波科学学报， 2010（2）：307-312.
[2] GUAN Bo-ran， YANG Fan. An X-band compact radar reflector tag [C]// Proceedings of 2011 International Conference on Electronics， Communications and Control. Ningbo， China： ICECC， 2011： 1875-1877.
[3] 徐朴. 单站雷达系统的极化匹配系数[J].电波科学学报，1999（3）：337-340.
[4] 王被德. 电磁波的极化及其应用[J].电波科学学报，1999（3）：347-356.
[5] LUDWIG AC. The definition of cross polarization [J]. IEEE Transactions on Antennas and Propagation， 1973， 21（1）： 116-119.
[6] 王俊鸣. 雷达目标电磁散射特性的仿真研究[J].航天控制，2007（5）：74-78.
[7] 陈德喜. FEKO软件的RCS仿真研究[J].舰船电子工程，2008（9）：125-128.
[8] 张宏波，龚书喜. 分形开槽减缩微带天线RCS[J].微波学报，2006（6）：34-36.
快速多级子(三)
基于LinearLayou的多级嵌套界面设计
摘要：Android程序用户界面使用布局和组件来定义，为了适应各式各样的界面风格，Android系统提供了线性布局、帧布局、相对布局、绝对布局等五种布局方式，而线性布局（LinearLayou）是最简单、最常用、最实用的布局类型之一，能够按照设计者的意图在屏幕上垂直地或水平地组织用户界面控件或者小工具。通过设计一个计算器界面，详细阐述了线性布局的多级嵌套方法，基于这种布局方式可以实现大多数的Android程序用户界面。 关键词：LinearLayou； 嵌套； 界面
中图分类号：TP311 文献标识码：A文章编号：2095-2163（2014）01-0072-03
0引言
Android的界面是由布局和组件协同完成的，所谓布局就是组件在Activity中的呈现方式，即组件的大小、间距和对齐方式等。布局类似是建筑的框架，组件则是建筑的砖瓦。组件按照布局的要求依次排列，就组成了用户可见的界面。
Android中有两种创建布局的方式。一种是将需要呈现的组件在XML配置文件中声明，并在程序中通过setContentView（R.layout.main）方法将视图呈现在Activity中，再通过findViewById方法获得组件实例。另一种则是在JAVA程序中通过“硬代码”直接实例化布局及其组件。在这两种方法中，前者是基本方法，也是本文即将介绍的方法。
1Android中的布局分类
2线性布局定义及主要参数
线性布局是按照垂直或者水平的顺序依次排列子元素，每一个子元素均位于前一个元素之后。如果是垂直排列，那么将是一个N行单列的结构，每一行只会有一个元素，而不论该元素的宽度为多少；如果是水平排列，那么将是一个单行N列的结构。如果搭建多行多列的结构，通常的方式进行布局的循环嵌套，每个元素里再包含多个LinearLayout进行水平或垂直布局排列[3]。
4结束语
线性布局LinearLayout是Android开发中最简单的布局，更是基本布局，同时也是开发者使用最多的布局类型之一，开发者可利用其来组织软件界面上的控件。线性布局的作用就是将控件组织在一个垂直或水平的位置范围内。本文通过线性布局的四级嵌套实现了计算器界面不同形式的多个按钮的设计，该布局可以实现大多数Android程序的界面设计，使用其它的布局方式也同样能够实现该界面。只是对于比较复杂的程序界面，就需要将多种布局方式结合起来使用。
参考文献：
[1]郭加贝.基于Android智能手机视频监控的应用软件开发[D].杭州：杭州电子科技大学，2011.
[2]郭宏志.Android应用开发详解[M].北京：电子工业出版社，2010， 6： 34-36.
[3]韩超.Android经典应用程序开发[M]. 北京：电子工业出版社，2013， 4： 56-58.
[4]李宁.Android应用开发实战[M]. 北京：机械工业出版社，2012， 3： 45-47.
[5]赵亮，张维.基于Android技术的界面设计与研究[J]. 电脑知识与技术， 2009（29）： 8183-8185.
[6]刘昌平，刘洋，陈佳实.Android应用程序界面动态布局研究[J].计算机与现代化， 2013（5）： 197-200.
快速多级子(四)
基于多级空间上下文LR—CRFs模型的高分辨率影像分类
摘 要：充分表达和利用目标空间上下文及语义信息是提高高空间分辨率影像分类精度的关键技术，而条件随机场（CRFs）在目标空间上下文建模以及分类预测方面有其独特优势。但是，基于单一尺度分析的CRFs模型存在不能反映目标多层次空间结构及语义关系的问题，因此针对城区高分辨率影像土地利用/覆盖分类问题，在面向对象分类框架下，提出了一种多级空间上下文LRCRFs模型。该模型定义如下：首先，将影像进行对象层、目标层及场景层的分层表达及分层特征提取，并进行“对象目标场景”的逐层关联；其次，采用逻辑回归（LR）分类器定义CRFs模型的关联势函数，利用分层特征加权的Potts函数定义交互势函数；采用最大积消息传递算法对该模型进行近似推理。利用IKONOS多光谱影像及大比例尺真彩色航空影像进行试验的结果表明：多级空间上下文LRCRFs模型分类精度高于单一尺度的基于像素层或对象层分割的LRCRFs模型，其精度平均分别提高了4.63%和2.22%；该方法在一定意义上也缓解了面向对象分类方法中分类结果对分割尺度的依赖程度。 关键词：条件随机场；多级空间上下文；逻辑回归；分层图模型；语义信息；高分辨率遥感；影像分类
中图分类号：P237；TP75 文献标志码：A
0 引 言
高分辨率遥感影像的信息提取通常采用面向对象的分析方法。而目前面向对象的影像分类大多基于单一尺度，它面临的主要问题是最佳分割尺度参数难以自动确定[1]，因此，融合多个尺度的目标特征并进行逐层特征关联，可以反映目标的多层次空间结构及语义关系，在一定程度上也可缓解分类对分割尺度的依赖程度。如何设计这样一个分类器呢？条件随机场（Conditional Random Fields，CRFs）是Lafferty于2001年针对自然语言处理问题提出的一种判别式概率图模型框架。在图像处理中，CRFs在表达目标空间上下文关系以及直接后验概率建模方面有其独特优势。凭借这些优势，CRFs被广泛应用到计算机视觉领域的自然图像目标类分割、视频目标跟踪等。
CRFs是一个模型框架，所处理的数据或应用领域不同以及所采用的影像分析方法不同，则模型的定义及求解方法也会不相同。因此，近十年来，国内外学者开展了大量相关研究。在计算机视觉领域，Shotton等针对自然图像目标类分割、视频图像目标跟踪等问题，开展了基于单一尺度超像素的CRFs模型研究[29]。这类模型求解速度快，但其分类结果受影像分割质量的影响很大；更重要的是，它不能很好地描述目标多层次的空间结构及语义信息。针对这一问题，国内外学者开展了基于多尺度分析的二阶/高阶CRFs模型研究。其中，Lim等针对三维激光点云数据的分类问题，通过融合像素、区域以及全局等多个尺度的目标信息，建立了一个多尺度的二阶CRFs模型[10]。近几年来，基于影像多尺度分析的CRFs模型研究主要集中在高阶CRFs模型上，如鲁棒的Pn Potts模型[11]、关联分层CRFs模型[12]；该类模型能够很好地表达目标多层次的空间结构甚至高级语义信息。但是，与二阶CRFs模型相比，高阶CRFs模型结构复杂，模型求解更是一个难题。
近年来，国内外学者将CRFs理论推广至遥感领域[1319]。他们针对单/多时相的不同传感器影像（如多光谱影像、高光谱影像、SAR影像、三维激光点云数据）的目标提取或土地利用/覆盖分类问题，围绕如何有效表达和利用目标空间上下文及语义信息这一关键技术，提出了多种CRFs模型势函数的定义及模型求解方法。这些研究对CRFs模型向遥感领域的推广应用做出了重要贡献，但多集中在基于单一分割尺度的二阶CRFs模型定义研究上，不能很好地描述目标多层次的空间结构及语义信息。在此背景下，笔者从模型结构的复杂性、模型求解的效率两方面考虑，提出了一种基于多级空间上下文的二阶CRFs模型进行城区高分辨率影像土地利用/覆盖分类的方法。
1 多级空间上下文LRCRFs模型
1.1 影像分层表示及概率图模型的建立
概率图模型的建立是CRFs模型定义及求解的前提和基础，它直接影响着CRFs模型推理的质量和速度，而影像分析是建立概率图模型的基础。李德仁等从影像理解的角度将高分辨率影像分为像素层、对象层、目标层、场景层4个层次，提出基于逐层关联的思想建立影像理解和认知模型[1]。笔者将这一思想引入到CRFs框架下，表达长距离目标空间信息交互以及语义关系。但是，在利用高或甚高分辨率影像进行土地利用/覆盖分类时，目标细节有时会给影像分析及分类过程造成干扰，因此以细尺度的超像素为分析单元可缓解上述干扰的影响；更重要的是，采用以对象层为最底层的分层图结构，使得CRFs模型求解速度明显加快；另一方面，对于具有丰富的地物细节及空间冗余信息的高分辨率影像（特别是大比例尺航空影像、Geoeye等亚米级影像）来说，以对象层中较低尺度的超像素集为基本分析单元时，超像素的所有像素具有相同类标签的假设通常是成立的。因此，笔者提出采用从细到粗的对象层、目标层、场景层的分层表示方法，各层定义如下[1]。
（1）对象层：以局部结构为处理单元（该局部结构通常具有相同的目标属性），提取多尺度、多方向的结构和形状特征，联合解译识别光谱相似性目标。
（2）目标层：用目标层的形状、语义特征增强对象层的结果，进一步减少解译不确定性。
（3）场景层：以对象形成的区域和景观为目标，在目标层解译的基础上，利用知识、规则对场景的属性和功能进行分析与识别。
上述每一层代表性分割尺度的选择根据影像的空间分辨率及房屋、道路这两类易错分目标的分割质量来选取。需要说明的是，此处虽然也涉及分割尺度的选择，但是由于本模型是定义在目标结构的多层分析基础上的，所以每一层代表性分割尺度的选择对分类结果的影响远低于仅依赖于单一尺度分割的分类方法。 利用多尺度分析方法对影像进行分层及特征提取，从而建立以对象层超像素为影像分类的基本分析单元的分层图模型
1.2 分层特征提取及特征提升
在图1的模型中，各观测节点是用超像素的特征来表示的。因此，特征提取是建立CRFs模型的关键。笔者对各层提取的特征如下。
（1）对象层：光谱（光谱均值）、纹理（多尺度多方向Texton纹理）、几何（周长、面积、周长与面积比）。
（2）目标层：光谱（光谱均值）、纹理（多尺度多方向Texton纹理）、几何（周长、面积、周长与面积比）、语义特征（子目标数）。
（3）场景层：光谱（光谱均值）、纹理（多尺度多方向Texton纹理）、几何（周长、面积、周长与面积比）、语义特征（子目标数）。
上述3个层次都包括光谱、纹理、几何特征，但是不同层各类特征的权重不同；此外，与对象层相比，目标层和场景层增加了语义特征（子目标个数），该特征可视为目标知识的表达。
经过上述多级特征提取后，用一个高维特征向量来表达像素层各节点的特征。但是，上述特征向量维数过高且各特征分量之间存在相关性，有必要以特征选择方法为分类器来选择合适的特征。提升（Boosting）方法是一类常用的特征选择方法，它通过在训练数据上进行提升学习来选择特征。笔者采用Gentleboost算法[20]进行特征选择。在上述过程中，需要对各特征进行归一化处理。这样，第i个节点可用如下特征向量表示
2 模型实现
2.1 参数估计
LRCRFs模型中包含参数集{w，v，β}。本文设β=1。对于CRFs模型中需要估计的参数个数较多的情况，从推理的计算量及速度考虑，通常采用近似的极大似然目标函数，即伪似然法。因此，笔者采用伪似然法[21]进行参数学习。
在训练过程中，先利用提升分类器进行特征选择，使每个节点的特征维数从最初的339维降低至18维特征，再对CRFs模型所有参数进行训练。通常来说，对象层、目标层和场景层的各类特征权重不同，这会导致参数过多，训练复杂。基于上述考虑，笔者作出如下假设：考虑到复杂城区场景中，道路、建筑物以及阴影3类地物的光谱、纹理、形状特征相近，因此假设该层的这3类特征具有相同的权重；而对目标层来说，道路、建筑物这2类地物的形状特征会有所差异；另外，由于该层中更多的目标会处于欠分割状态，降低了光谱和纹理的鉴别力，因此对该层的形状特征设置较大的权重，而光谱与纹理特征具有相同的权重。对于场景层，假设子目标数这一语义特征的权重最大，不考虑光谱、纹理及形状特征（主要是由于该层中绝大部分目标被欠分割，光谱、纹理及形状特征在分类中的作用不大，有时可能会起相反作用）。基于以上假设，笔者采用伪似然法对上述参数进行了训练。
2.2 模型推理
通过学习得到参数集{w，v，β}后，便可对测试数据进行分类（即模型推理）。本模型仍属于多标签的二阶CRFs模型，笔者采用基于最大积消息传递方法[21]。
上述CRFs模型的整个分类流程如下。
（1）对影像在对象层、目标层、场景层分别选择一个代表性尺度，利用分形网络演化算法进行超像素分割，各层节点由超像素集表示。
（2）对每一层的超像素提取其纹理、光谱、几何、子节点数等特征，并进行归一化处理；并以各层的超像素为节点，节点之间的交互关系为边建立一个分层的图模型。
（3）采用提升方法对上述特征进行选择，生成低维的特征向量作为CRFs模型的输入。
（5）对测试图像，基于最大积消息传递方法进行近似推理，得到对象层所有节点类标签的最佳配置，即最终分类结果。
上述LRCRFs模型的推理和参数学习步骤是基于Gould等编写的STAIR机器视觉库，并采用Matlab和C++混合编程方式进行二次开发实现的。
图2 IKONOS多光谱影像及其分割结果
Fig.2 IKONOS Multispectral Image and Its Segmentation Results
3 试验及分析
为了验证多级空间上下文的LRCRFs模型分类的有效性，以IKONOS多光谱影像和大比例尺真彩色航空影像作为测试数据[图2（a）、图4（a）]。模型参数训练及测试所用的样本均采用同一幅图像局部采样法。
3.1 试验一
图2（a）为IKONOS多光谱影像，空间分辨率为4 m。该场景中“同物异谱、同谱异物”现象严重（特别是建筑物与道路），是典型的城区高分辨率影像。
选取分形网络演化算法来实现影像多尺度分割（这里经验选取各层中较细分割尺度进行影像分割）及影像分层，各层分割结果及其节点数（超像素个数）见图2（b）～（d）。
在LRCRFs模型训练及测试中，手动选取1 244个训练样本（以像素为计数单位，其中，水域为49，房屋为349，道路为299，树为197，空地为245，阴影为105）进行参数训练。最后，对上述分割结果分别采用基于像素层、对象层分割的LRCRFs模型以及多级上下文LRCRFs模型开展了分类试验（图3）。
图3 3种LRCRFs模型对IKONOS多光谱影像的分类结果
Fig.3 Classification Results of IKONOS Multispectral Image by Three Kinds of LRCRFs Models
采用混淆矩阵及分类总精度对以上3种模型的分类性能进行评价，所需的地面参考数据采用人机交互的解译方式获得，并以像素为单位进行分类精度评价（表1）。
表1 3种LRCRFs模型对IKONOS多光谱影像的分类精度 （1）基于像素层与基于对象层分割的LRCRFs模型分类结果相比（2个模型均采用提升方法），后者分类精度改善不大，仅比前者高出178%，其原因主要是对象层分割尺度不佳引起的。而基于像素层的分类结果中出现较多的“分类噪声”，这是该方法以像素为基本分析单元的本质所导致的[图3（a）、（b）]。
（2）与上述2种模型相比，多级空间上下文LRCRFs模型的分类效果有所改善，精度分别提高了3.87%和2.09%。其优势主要表现在：缓解了分类噪声，道路与建筑物的混分现象也有所缓解。但其仍存在分类错误，主要出现在建筑物与道路以及建筑物与阴影类[图3（b）、（c）]。这是由于建筑物与道路超像素的光谱、形状、纹理相近，而部分建筑物与阴影也存在这一现象，在没有高程这一鉴别力强的特征情况下，采用本方法难以达到更高的精度。
3.2 试验二
图4（a）为覆盖湖北长阳的大比例尺真彩色航空影像。该场景中，建筑物、道路的“同物异谱、同谱异物”现象严重，且部分路面被树、房屋遮挡严重。在LRCRFs模型训练及测试中，手动选取训练样本数为1 902（房屋为359，道路等不透水路面为226，树为598，稀疏植被为79，阴影为640）。以图2所述方法进行影像分层，各层分割结果及其节点数见图4（b）～（d）。
图4 大比例尺真彩色航空影像及其分割结果
Fig.4 Large Scale True Color Aerial Image and Its Segmentation Results
基于以上分割结果，对基于像素层、对象层分割的LRCRFs模型以及多级空间上下文LRCRFs模型开展分类试验（图5）。采用试验一的方法对以上3种模型的分类结果进行定量评价（表2）。
（1）与基于像素层的LRCRFs模型分类效果相比，基于对象层分割的LRCRFs模型分类效果更好，分类精度提高了3.05%。改善之处表现在：树被错分为阴影类的现象有明显缓解；树与稀疏植被类的错分现象也有所缓解[图5（a）、（b）]。
（2）与基于对象层分割的LRCRFs模型相比，多级空间上下文LRCRFs模型分类精度提高了234%，主要表现在建筑物与道路这2个类别的错分现象有所缓解，但是效果不是很显著。究其原因，除了阴影等目标的分割错误引起的以外，更主要的是，树和阴影、建筑物和道路地类的光谱及纹理等特征相近，在没有高程特征的情况下，即使增加了目标层和场景层的特征，也未能充分表达目标语义信息，因此难以避免分类中的混分现象。但是，与关联分层CRFs模型[12]相比，其求解难度明显降低，求解速度也更快（试验一、二中推理过程耗时分别约28、25 s）。
4 结 语
（1）针对高分辨率影像城区土地利用/覆盖分类问题，提出了基于多级空间上下文LRCRFs模型。该模型是通过目标多层次结构的表达及特征分析，选取多值逻辑回归分类器来定义关联势函数，并利用多级特征加权Potts函数来定义交互势函数。在模型求解中采用伪似然法进行参数学习，采用最大积消息传递算法进行推理。
（2）选取IKONOS多光谱影像及大比例尺真彩色航空影像城区场景为试验数据对该方法进行验证。结果表明：与复杂的关联分层CRFs模型相比，多级空间上下文LRCRFs模型具有实现简单、求解速度快的优点，而且在一定程度上能够缓解基于单一尺度CRFs模型中分类结果严重依赖于分割尺度的难题；与单一尺度下基于像素层和对象层分割的LRCRFs模型分类精度相比，其精度分别平均提高了4.63%和2.22%。
（3）本模型未考虑目标层、场景层内部的目标邻域特征，还不能很好地表达目标的多重语义关系，今后将基于关联分层CRFs模型框架，对本文提出的多级空间上下文LRCRFs模型增加目标层和场景层超像素之间的交互，进一步改善影像语义关系的表达与利用。
参考文献：
References：
[1] 李德仁，童庆禧，李荣兴，等.高分辨率对地观测的若干前沿科学问题[J].中国科学：地球科学，2012，42（6）：805813.
LI Deren，TONG Qingxi，LI Rongxing，et al.Current Issues in Highresolution Earth Observation Technology[J].Science China：Earth Science，2012，42（6）：805813.
[2] SHOTTON J，WINN J，ROTHER C，et al.TextonBoost for Image Understanding：Multiclass Object Recognition and Segmentation by Jointly Modeling Texture，Layout，and Context[J].International Journal of Computer Vision，2009，81（1）：223.
[3] 王明军，周 俊，屠 珺，等.基于条件随机场的大范围地形感知框架[J].机器人，2010，32（3）：326333.
WANG Mingjun，ZHOU Jun，TU Jun，et al.Longrange Terrain Perception Based on Conditional Random Fields[J].Robot，2010，32（3）：326333.
[4] 张 微，汪西莉.基于超像素的条件随机场图像分类[J].计算机应用，2012，32（5）：12721275.
ZHANG Wei，WANG Xili.Superpixelbased Conditional Random Field for Image Classification[J].Journal of Computer Applications，2012，32（5）：12721275. [5] JIN T S，LI L L，LI P F，et al.Hidden Conditional Random Fields for Category and Scene Classification[J].Journal of Computational Information Systems，2012，8（2）：877885.
[6] 李玲玲，金泰松，李翠华.基于局部特征和隐条件随机场的场景分类方法[J].北京理工大学学报，2012，32（7）：720724.
LI Lingling，JIN Taisong，LI Cuihua.Scene Classification Based on Local Feature and Hidden Conditional Random Fields[J].Transactions of Beijing Institute of Technology，2012，32（7）：720724.
[7] 徐振宇，孙玉梅.基于条件随机场的多标签图像分类[J].辽宁工业大学学报：自然科学版，2012，32（4）：223226.
XU Zhenyu，SUN Yumei.Multilabel Image Classification Based on Conditional Random Field[J].Journal of Liaoning University of Technology：Natural Science Edition，2012，32（4）：223226.
[8] BALOCH S，CHENG E K，FANG T.Shape Based Conditional Random Fields for Segmenting Intracranial Aneurysms[M]∥ZHAGN Y J.Imagebased Geometric Modeling and Mesh Generation.Dordrecht：Springer，2013：5567.
[9] 高 琳，唐 鹏，盛 鹏，等.复杂场景下基于条件随机场的视觉目标跟踪[J].光学学报，2010，30（6）：17211728.
GAO Lin，TANG Peng，SHENG Peng，et al.Visual Object Tracking Based on Conditional Random Fields Under Complex Scene[J].Acta Optica Sinica，2010，30（6）：17211728.
[10] LIM E H，SUTER D.3D Terrestrial LIDAR Classifications with Supervoxels and Multiscale Conditional Random Fields[J].Computeraided Design，2009，41（10）：701710.
[11] KOHLI P，ROTHER C.Higherorder Models in Computer Vision[M].Boca Raton：CRC Press，2012.
[12] LADICKY L，RUSSELL C，KOHLI P，et al.Associative Hierarchical CRFs for Object Class Image Segmentation[C]∥IEEE.IEEE 12th International Conference on Computer Vision.Piscataway：IEEE，2009：739746.
[13] WEGNER J D，HANSCH R，THIELE A，et al.Building Detection from One Orthophoto and Highresolution InSAR Data Using Conditional Random Fields[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2011，4（1）：8391.
[14] ZHONG P，WANG R S.Modeling and Classifying Hyperspectral Imagery by CRFs with Sparse Higher Order Potentials[J].IEEE Transactions on Geoscience and Remote Sensing，2011，49（2）：688705.
[15] 刘瑞清.基于条件随机场模型的超光谱图像分类[D].西安：西安电子科技大学，2012.
LIU Ruiqing.Hyperspectral Image Classification Based on Conditional Random Fields Model[D].Xian：Xidian University，2012.
[16] SU X，HE C，FENG Q，et al.A Supervised Classification Method Based on Conditional Random Fields with Multiscale Region Connection Calculus Model for SAR Image[J].IEEE Geoscience and Remote Sensing Letters，2011，8（3）：497501.
[17] HOBERG T，ROTTENSTEINER F，HEIPKE C.Context Models for CRFbased Classification of Multitemporal Remote Sensing Data[C]∥ISPRS.ISPRS Annals of Photogrammetry，Remote Sensing and Spatial Information Sciences.Melbourne：ISPRS，2012：129134.
[18] 王琼华，马洪兵，孙卫东.基于条件随机场模型的多分辨率遥感图像复合分类算法[J].高技术通讯，2012，22（6）：616624.
WANG Qionghua，MA Hongbing，SUN Weidong.Large Scale Compound Classification for Multiresolution Satellite Data Based on Conditional Random Fields Models[J].Chinese High Technology Letters，2012，22（6）：616624.
[19] NIEMEYER J，ROTTENSTEINER F，SOERGEL U.Conditional Random Fields for LIDAR Point Cloud Classification in Complex Urban Areas[C]∥ISPRS.ISPRS Annals of Photogrammetry，Remote Sensing and Spatial Information Sciences.Melbourne：ISPRS，2012：263268.
[20] FRIEDMAN J，HASTIE T，TIBSHIRANI R.Additive Logistic Regression：A Statistical View of Boosting[J].Annals of Statistics，2000，28（2）：337407.
[21] SUTTON C，MCCALLUM A.An Introduction to Conditional Random Fields[J].Machine Learning，2011，4（4）：267373.
http://m.zhuodaoren.com/tuijian367620/
推荐访问:多子巷 多音子
