一種基于區(qū)域統(tǒng)計(jì)相似度的合成孔徑雷達(dá)圖像分類方法
【專利摘要】本發(fā)明提供一種基于區(qū)域統(tǒng)計(jì)相似度的SAR圖像分類方法。技術(shù)方案是首先通過分割步驟將SAR圖像分割為一系列已知目標(biāo)類別的樣本區(qū)域，然后利用GГD(Generalized Gamma Distribution，廣義gamma分布)對(duì)各訓(xùn)練樣本區(qū)域進(jìn)行統(tǒng)計(jì)建模，對(duì)SAR圖像待識(shí)別區(qū)域同樣進(jìn)行上述步驟進(jìn)行統(tǒng)計(jì)建模，再計(jì)算各分割區(qū)域與各訓(xùn)練樣本區(qū)域之間的統(tǒng)計(jì)相似度，最后根據(jù)最大統(tǒng)計(jì)相似度準(zhǔn)則實(shí)現(xiàn)各分割區(qū)域的類別劃分，從而獲得SAR圖像的分類結(jié)果。本發(fā)明有效地解決SAR圖像分類問題。
【專利說明】一種基于區(qū)域統(tǒng)計(jì)相似度的合成孔徑雷達(dá)圖像分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及成像雷達(dá)圖像處理【技術(shù)領(lǐng)域】，更具體地說，涉及一種SAR(Synthetic ApertureRadar,合成孔徑雷達(dá)）圖像分類方法。

【背景技術(shù)】
[0002] 隨著遙感技術(shù)的發(fā)展，遙感圖像分類越來越受到人們的關(guān)注。遙感圖像分類在很 多領(lǐng)域中得到了廣泛的應(yīng)用，例如沙漠化評(píng)估、農(nóng)作物生長(zhǎng)監(jiān)測(cè)和城市規(guī)劃等等。SAR是一 種主動(dòng)微波成像傳感器。與很多其他成像傳感器相比，SAR具有全天時(shí)、全天候成像能力， 這使得基于SAR圖像的分類技術(shù)倍受關(guān)注。
[0003] 近幾十年來，學(xué)者們提出了大量SAR圖像分類算法，如神經(jīng)網(wǎng)絡(luò)方法、支持矢量機(jī) 方法和Bayes統(tǒng)計(jì)方法等。由于SAR的相干成像機(jī)制，SAR圖像中普遍存在著隨機(jī)的相干 斑噪聲，這使得以統(tǒng)計(jì)理論為基礎(chǔ)的Bayes統(tǒng)計(jì)方法在SAR圖像分類中得到了非常廣泛的 應(yīng)用，其中最為典型的為ML(MaximumLikelihood,最大似然）方法。
[0004] ML方法的一個(gè)關(guān)鍵因素是精確估計(jì)SAR圖像中各個(gè)類別的roF(Probability DensityFunction,概率密度函數(shù)）。目前用于SAR圖像分類的ML方法基本上是以單個(gè)像 素作為基本的分類單元，稱為基于像素的ML方法。理論分析可知，這類方法所得分類結(jié)果 極易受到實(shí)際類別之間的HF重疊程度的影響。當(dāng)不同類別的PDF相互重疊顯著時(shí)，即使 已獲得它們的精確TOF，基于像素的ML方法仍將得到類別混淆嚴(yán)重的分類結(jié)果。
[0005] 在低分辨率SAR圖像中，同一類別可能僅存在于一個(gè)或少數(shù)的幾個(gè)像素中。近年 來，隨著SAR成像技術(shù)的發(fā)展，國(guó)內(nèi)外相關(guān)機(jī)構(gòu)獲得了越來越多的高分辨率甚至極高分辨 率SAR圖像。這些圖像的一個(gè)顯著特點(diǎn)是，同一類別可分解到大量像素當(dāng)中。這為研究基 于區(qū)域的SAR圖像分類方法提供了數(shù)據(jù)基礎(chǔ)。為適應(yīng)SAR圖像的發(fā)展趨勢(shì)，解決基于像素 的ML方法易受類別間PDF重疊程度影響的問題，提高SAR圖像分類方法的魯棒性，開展基 于區(qū)域的SAR圖像分類方法對(duì)SAR圖像自動(dòng)化、智能化解譯具有非常重要的應(yīng)用價(jià)值。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明為了有效解決SAR圖像分類問題，提出了一種基于區(qū)域統(tǒng)計(jì)相似度的SAR 圖像分類方法。本方法能夠有效降低相干斑噪聲對(duì)SAR圖像分類的影響，同時(shí)克服基于像 素的ML方法無法有效區(qū)分PDF相互重疊顯著的類別的缺陷，能夠獲得區(qū)域連通性更好的分 類結(jié)果。
[0007] 本發(fā)明的基本思路是，首先通過分割步驟將SAR圖像分割為一系列樣本區(qū)域，然 后利用GrD(GeneralizedGammaDistribution，廣義gamma分布）對(duì)各訓(xùn)練樣本區(qū)域以及 各分割區(qū)域進(jìn)行統(tǒng)計(jì)建模，再通過計(jì)算各分割區(qū)域與各訓(xùn)練樣本區(qū)域之間的統(tǒng)計(jì)相似度， 最后根據(jù)最大統(tǒng)計(jì)相似度準(zhǔn)則實(shí)現(xiàn)各分割區(qū)域的類別劃分，從而獲得SAR圖像的分類結(jié) 果。
[0008] 本發(fā)明的技術(shù)方案是：一種基于區(qū)域統(tǒng)計(jì)相似度的SAR圖像分類方法，具體包括 下述步驟：
[0009] 第一步：訓(xùn)練樣本區(qū)域統(tǒng)計(jì)建模
[0010] 選擇已知類型的且類型各不相同的M類目標(biāo)SAR圖像區(qū)域，形成訓(xùn)練樣本 區(qū)域集IT1,T2,. . .，T」，...，TM}，其中第j類目標(biāo)SAR圖像區(qū)域Tj表示第j個(gè)訓(xùn)練樣 本區(qū)域，j = 1，2，...，M。采用GrD對(duì)各訓(xùn)練樣本區(qū)域進(jìn)行統(tǒng)計(jì)建模，估計(jì)其TOF {/，/;(.')，/，/: (I)，…，A, (X)，…，A.., (.r)l，其中A⑷
[0011]

【權(quán)利要求】
1. 一種基于區(qū)域統(tǒng)計(jì)相似度的SAR圖像分類方法，SAR是指合成孔徑雷達(dá)，其特征在 于，具體包括下述步驟： 第一步：訓(xùn)練樣本區(qū)域統(tǒng)計(jì)建模： 選擇已知目標(biāo)類型且類型各不相同的M類目標(biāo)的SAR圖像區(qū)域，形成訓(xùn)練樣本區(qū)域集 IT1, T2,. . .，T」，...，TM}，其中第j類目標(biāo)SAR圖像區(qū)域Tj表示第j個(gè)訓(xùn)練樣本區(qū)域，j = 1，2, ? ? ?，M ;各訓(xùn)練樣本區(qū)域的 IW 集合{/? (x)，/v2 (x)，...,/^ (x)}，其中凡,(X) 表示T1中的像素值X的TOF，表示為：
其中PDF表示概率密度函數(shù)，和心,分別表示的尺度、能量和形狀參數(shù)， r (?)表示Gamma函數(shù)，這三個(gè)參數(shù)利用下述方程組得到：
其中W (?)為digamma函數(shù)，W (1，*)和W (2，?）分別表示第1階和第2階polygamma 函數(shù)，和\,3表示Tj的前三階樣本對(duì)數(shù)累積量，可以由下式計(jì)算：
其中#r,為L(zhǎng)中的像素個(gè)數(shù)，s表示L中的任意像素的像素值。 第二步：SAR圖像分割： 將輸入的待分類的實(shí)測(cè)SAR圖像分割為互不重疊的若干區(qū)域，形成分割區(qū)域集 (R1, R2, ? ? ?，Ri, ? ? ?，RJ，其中 Ri 表示第 i 個(gè)分割區(qū)域，i = 1，2, ? ? ?，L。 第三步：SAR圖像區(qū)域統(tǒng)計(jì)建模： 設(shè)各分割區(qū)域的PDF集合{/^ (^)，/^ (X)，…,? (x),...，/^ (x)}，其中;^ (X)表示Ri中 的像素值X的TOF，表示為：
其中(T,v、和&分別表示PiJx)的尺度、能量和形狀參數(shù)。這三個(gè)參數(shù)利用下述方 程組得到：
其中為Ri中的樣本像素個(gè)數(shù)，S'表示Ri中的任意像素的像素值。 第四步：分割區(qū)域與訓(xùn)練樣本區(qū)域統(tǒng)計(jì)相似度計(jì)算： 計(jì)算各分割區(qū)域與各訓(xùn)練樣本區(qū)域之間的統(tǒng)計(jì)相似度S , /^(.4，i = l，2，...，L，j = 1，2，...，M，表不為：

【文檔編號(hào)】G06K9/62GK104361351SQ201410633242
【公開日】2015年2月18日 申請(qǐng)日期:2014年11月12日 優(yōu)先權(quán)日:2014年11月12日
【發(fā)明者】鄒煥新, 秦先祥, 周石琳, 計(jì)科峰 申請(qǐng)人:中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué)