基于金字塔采樣和支持矢量機(jī)的極化sar圖像分類方法
【專利摘要】本發(fā)明公開一種基于金字塔采樣和SVM的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)的分類精度不高的問題。其實(shí)現(xiàn)步驟為：首先，對(duì)極化SAR圖像進(jìn)行濾波；其次，提取極化SAR圖像基于金字塔采樣的采樣散射特征；最后，提取極化SAR圖像的極化散射特征和小波紋理特征，將采樣散射特征、極化散射特征和小波紋理特征進(jìn)行組合，得到組合特征，用組合特征訓(xùn)練支持向量機(jī)分類器，用訓(xùn)練好的分類器對(duì)極化SAR圖像進(jìn)行分類，并對(duì)分類后的極化SAR圖像進(jìn)行上色。本發(fā)明具有更好的去噪效果，提高了圖像質(zhì)量和分類精度，可用于極化SAR圖像的目標(biāo)識(shí)別。
【專利說明】基于金字塔采樣和支持矢量機(jī)的極化SAR圖像分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達(dá)【技術(shù)領(lǐng)域】，特別涉及極化合成孔徑雷達(dá)SAR的圖像分類，可用于 目標(biāo)識(shí)別。

【背景技術(shù)】
[0002] 極化合成孔徑雷達(dá)SAR已經(jīng)成為國(guó)內(nèi)外合成孔徑雷達(dá)發(fā)展的重要方向之一。與單 極化雷達(dá)圖像相比，極化合成孔徑雷達(dá)圖像能夠提供更多的地物信息。圖像分類是極化SAR 圖像解譯的重要內(nèi)容之一，已廣泛用于軍事與民用領(lǐng)域，快速、準(zhǔn)確SAR圖像分類是實(shí)現(xiàn)各 種實(shí)際應(yīng)用的前提。因此，對(duì)極化SAR圖像的分類研究，具有十分重要的意義。分類方法一 直是該領(lǐng)域前沿研究的熱點(diǎn)，利用地物的極化散射特性與模式識(shí)別領(lǐng)域的分類方法已構(gòu)建 了諸多極化SAR圖像分類方法。
[0003] 根據(jù)是否需要訓(xùn)練數(shù)據(jù)，極化SAR圖像分類方法可以分為監(jiān)督和非監(jiān)督兩種分類 方法。主要的非監(jiān)督分類方法是基于Kmeans聚類算法的分類方法，雖然不需要樣本的標(biāo)記 信息但是這種分類方法非常依賴于初始聚類中心的選取且分類準(zhǔn)確率不高。主要的監(jiān)督分 類方法有基于Wishart分類器和SVM分類器的分類方法，監(jiān)督的分類算法通過利用標(biāo)記信 息提高了分類準(zhǔn)確率，一般監(jiān)督分類方法的性能優(yōu)于非監(jiān)督分類方法。基于Wishart分類 器的有監(jiān)督分類方法雖然在分類準(zhǔn)確率上比一般的無(wú)監(jiān)督分類算法高，但是計(jì)算復(fù)雜，且 穩(wěn)定性也不高，基于SVM分類器的分類算法在準(zhǔn)確率和穩(wěn)定性上都優(yōu)于其他分類器的分類 算法。若將地物根據(jù)種植的農(nóng)作物分為不同的類別，需要采用監(jiān)督分類方法，目前還沒有通 用的非監(jiān)督分類方法。目前極化SAR圖像分類涉及的算法有：傳統(tǒng)的圖像處理算法，代表性 算法有均值聚類算法，IS0DATA算法、分水嶺算法，圖論方法等，雖然這些方法建立在理論成 熟的分類器上，但沒有充分利用目標(biāo)散射機(jī)制進(jìn)行極化SAR圖像分類；基于一般金字塔模 型的分類方法，金字塔模型的優(yōu)勢(shì)是考慮進(jìn)去了領(lǐng)域信息，在有標(biāo)記的區(qū)域，樣本劃分很干 凈，但是該方法也存在邊界劃分不明顯，且在樣本點(diǎn)少的情況下，精度不高。


【發(fā)明內(nèi)容】

[0004] 為了克服已有技術(shù)的不足，本發(fā)明提出了一種基于金字塔采樣和支持矢量機(jī)的極 化SAR圖像分類方法，以提高圖像的分類精度，實(shí)現(xiàn)對(duì)復(fù)雜地物的清晰分辨。實(shí)現(xiàn)本發(fā)明目 的的技術(shù)方案包括如下步驟：
[0005] (1)輸入極化合成孔徑雷達(dá)SAR圖像，并對(duì)其進(jìn)行精制極化LEE濾波；
[0006] (2)對(duì)濾波后的極化合成孔徑雷達(dá)SAR圖像每個(gè)像素的相干矩陣，分別提取其6個(gè) 上三角元素的實(shí)部和虛部，得到9個(gè)散射特征值，一個(gè)散射特征值構(gòu)成一個(gè)散射特征空間；
[0007] (3)對(duì)散射特征空間進(jìn)行金字塔重要采樣，得到采樣的散射特征：
[0008] (3a)對(duì)每個(gè)散射特征空間里的每個(gè)像素采用16*16的窗口進(jìn)行數(shù)據(jù)提取，得到 16*16大小的數(shù)據(jù)矩陣；
[0009] (3b)對(duì)每個(gè)散射特征空間得到的數(shù)據(jù)矩陣分三次處理：第一次處理是直接提取 數(shù)據(jù)矩陣的最大值，得到一個(gè)特征值；第二次處理是將數(shù)據(jù)矩陣分成4個(gè)子矩陣，分別提取 這4個(gè)子矩陣中的最大值，得到4個(gè)特征值；第三次處理是將數(shù)據(jù)矩陣分成9個(gè)子矩陣，分 別提取這9個(gè)子矩陣中的最大值，經(jīng)過這樣的金字塔重要采樣得到每個(gè)散射特征空間里每 個(gè)像素的14維的采樣散射特征；
[0010] (4)提取濾波后的極化SAR圖像的極化散射特征和小波紋理特征；
[0011] (5)將得到的采樣散射特征、極化散射特征和小波紋理特征進(jìn)行組合得到組合特 征；
[0012] (6)用組合特征訓(xùn)練支持向量機(jī)分類器，用訓(xùn)練好的分類器對(duì)極化合成孔徑雷達(dá) SAR圖像進(jìn)行分類，并對(duì)分類后的極化合成孔徑SAR圖像進(jìn)行上色。
[0013] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果和優(yōu)點(diǎn)：
[0014] 1、本發(fā)明采用精致極化LEE濾波法，對(duì)待分類的極化SAR圖像進(jìn)行濾波，克服了現(xiàn) 有技術(shù)因未對(duì)極化SAR圖像進(jìn)行濾波，引入了相干斑噪聲，導(dǎo)致圖像質(zhì)量降低的問題，使得 本發(fā)明既能避免極化通道之間的串?dāng)_，又能保持極化通道之間的極化信息和統(tǒng)計(jì)相關(guān)性， 使極化SAR圖像的輪廓、邊緣更加清晰，提高圖像質(zhì)量，改善了極化SAR圖像分類的性能。
[0015] 2、本發(fā)明通過在由相干矩陣提取的散射特征構(gòu)成的散射特征空間里，進(jìn)行金字塔 重要采樣，不僅考慮了領(lǐng)域信息，克服了極化SAR圖像的邊界分類問題，提高了對(duì)極化SAR 圖像分類的效果，達(dá)到對(duì)復(fù)雜的地物進(jìn)行清晰的分辨。
[0016] 3、本發(fā)明在訓(xùn)練分類器時(shí)，采用同時(shí)訓(xùn)練多個(gè)分類器，進(jìn)一步提高了分類精度。

【專利附圖】

【附圖說明】
[0017] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】予以描述。
[0018] 圖1是本發(fā)明的實(shí)現(xiàn)流程圖；
[0019] 圖2是本發(fā)明測(cè)試使用的荷蘭中部Flevoland地區(qū)的極化SAR圖像；
[0020] 圖3是本發(fā)明測(cè)試所用極化SAR圖像真實(shí)的地物標(biāo)記；
[0021] 圖4是用本發(fā)明對(duì)圖3中極化SAR圖像的標(biāo)記樣本的分類結(jié)果圖；
[0022] 圖5是用本發(fā)明對(duì)圖2中的極化SAR圖像的分類結(jié)果；
[0023] 圖6是用現(xiàn)有的wishart分類方法，對(duì)圖2中的極化SAR圖像的分類結(jié)果；
[0024] 圖7是用現(xiàn)有的SVM分類器在只提取極化SAR圖像的極化散射特征和小波紋理特 征的情況下，對(duì)圖2中的極化SAR圖像的分類結(jié)果。

【具體實(shí)施方式】
[0025] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案和效果做進(jìn)一步的說明。
[0026] 參照?qǐng)D1，本發(fā)明基于金字塔采樣和支持矢量機(jī)的極化SAR圖像分類方法，包括如 下步驟：
[0027] 步驟1，對(duì)待分類的極化SAR圖像進(jìn)行濾波：
[0028] 采用精致極化LEE濾波方法，對(duì)待分類的極化SAR圖像進(jìn)行濾波，去除斑點(diǎn)噪聲， 得到濾波后的極化SAR圖像，其步驟如下：
[0029] (Ia)設(shè)定精致極化LEE濾波的滑動(dòng)窗口，該滑動(dòng)窗口的大小為7*7像素；
[0030] (Ib)將滑動(dòng)窗口在輸入的極化SAR圖像的像素上，從左到右、從上到下漫游，每漫 游一步，將滑動(dòng)窗口提取的數(shù)據(jù)，按照像素空間的位置，從左到右、從上到下依次分成9個(gè) 子窗口，每個(gè)子窗口的大小是3*3像素，子窗口之間有重疊；
[0031] (Ic)將9個(gè)子窗口對(duì)應(yīng)位置的數(shù)據(jù)求均值，將所得到的均值構(gòu)成3*3的均值窗 n ；
[0032] (Id)選擇水平、垂直、45度和135度的四個(gè)方向的梯度模板，將均值窗口分別與四 個(gè)模板進(jìn)行加權(quán)，將所得到的加權(quán)結(jié)果求絕對(duì)值，選出所有絕對(duì)值中的最大值，將該最大值 對(duì)應(yīng)的方向作為邊緣方向；
[0033] (Ie)取邊緣方向的左右2個(gè)子窗口，分別對(duì)2個(gè)窗口內(nèi)的所有像素求均值，用得到 的兩個(gè)均值分別減去中心窗口所有像素的均值，將均值差值中小的值所對(duì)應(yīng)的子窗口作為 方向窗口；
[0034] (If)依照下面的式子，得到精致極化LEE濾波的權(quán)值：

【權(quán)利要求】
1. 一種基于金字塔采樣和SVM的極化SAR圖像分類方法，包括如下步驟： (1) 輸入極化合成孔徑雷達(dá)SAR圖像，并對(duì)其進(jìn)行精制極化LEE濾波； (2) 對(duì)濾波后的極化合成孔徑雷達(dá)SAR圖像每個(gè)像素的相干矩陣，分別提取其6個(gè)上三 角元素的實(shí)部和虛部，得到9個(gè)散射特征值，一個(gè)散射特征值構(gòu)成一個(gè)散射特征空間； (3) 對(duì)散射特征空間進(jìn)行金字塔重要采樣，得到采樣的散射特征： (3a)對(duì)每個(gè)散射特征空間里的每個(gè)像素采用16*16的窗口進(jìn)行數(shù)據(jù)提取，得到16*16 大小的數(shù)據(jù)矩陣； (3b)對(duì)每個(gè)散射特征空間得到的數(shù)據(jù)矩陣分三次處理：第一次處理是直接提取數(shù)據(jù) 矩陣的最大值，得到一個(gè)特征值；第二次處理是將數(shù)據(jù)矩陣分成4個(gè)子矩陣，分別提取這4 個(gè)子矩陣中的最大值，得到4個(gè)特征值；第三次處理是將數(shù)據(jù)矩陣分成9個(gè)子矩陣，分別提 取這9個(gè)子矩陣中的最大值，經(jīng)過這樣的金字塔重要采樣得到每個(gè)散射特征空間里每個(gè)像 素的14維的采樣散射特征； (4) 提取濾波后的極化SAR圖像的極化散射特征和小波紋理特征； (5) 將得到的采樣散射特征、極化散射特征和小波紋理特征進(jìn)行組合得到組合特征； (6) 用組合特征訓(xùn)練支持向量機(jī)分類器，用訓(xùn)練好的分類器對(duì)極化合成孔徑雷達(dá)SAR 圖像進(jìn)行分類，并對(duì)分類后的極化合成孔徑SAR圖像進(jìn)行上色。
2. 根據(jù)權(quán)利要求1所述的方法，其中所述步驟（1)中對(duì)輸入極化合成孔徑雷達(dá)SAR圖 像進(jìn)行精制極化LEE濾波，按如下步驟進(jìn)行： (la) 設(shè)定精致極化LEE濾波的滑動(dòng)窗口，該滑動(dòng)窗口的大小為7*7像素； (lb) 將滑動(dòng)窗口在輸入的極化SAR圖像的像素上，從左到右、從上到下漫游，每漫游一 步，將滑動(dòng)窗口提取的數(shù)據(jù)，按照像素空間的位置，從左到右、從上到下依次分成9個(gè)子窗 口，每個(gè)子窗口的大小是3*3像素，子窗口之間有重疊； (lc) 將9個(gè)子窗口對(duì)應(yīng)位置的數(shù)據(jù)求均值，將所得到的均值構(gòu)成3*3的均值窗口； (ld) 選擇水平、垂直、45度和135度的四個(gè)方向的梯度模板，將均值窗口分別與四個(gè)模 板進(jìn)行加權(quán)，將所得到的加權(quán)結(jié)果求絕對(duì)值，選出所有絕對(duì)值中的最大值，將該最大值對(duì)應(yīng) 的方向作為邊緣方向； (le) 取邊緣方向的左右2個(gè)子窗口，分別對(duì)2個(gè)窗口內(nèi)的所有像素求均值，用得到的兩 個(gè)均值分別減去中心窗口所有像素的均值，將均值差值中小的值所對(duì)應(yīng)的子窗口作為方向 窗口； (lf) 依照下面的式子，得到精致極化LEE濾波的權(quán)值：
其中，b表示精致極化LEE濾波的權(quán)值，var(y)表示方向窗口內(nèi)極化SAR圖像像素總功 率的方差值，y表示方向窗口內(nèi)極化SAR圖像像素的總功率，p表示方向窗口內(nèi)極化SAR總 功率圖像所有像素的均值，<表示輸入的極化SAR圖像相干斑噪聲的方差值； (lg) 按照下式，得到濾波后極化SAR圖像中心像素的相干矩陣： T_filtered=T_aver+b* (original_T-T_aver) (2) 其中，T_filtered表示濾波后極化SAR圖像中心像素的相干矩陣，T_aver表示方向窗口 內(nèi)極化SAR圖像像素的相干矩陣的均值，b表示精致極化LEE濾波的權(quán)值，original_T表示 極化SAR圖像中心像素的相干矩陣。
3. 根據(jù)權(quán)利要求1所述的方法，其中步驟（4)所述的提取極化SAR圖像的極化散射特 征，采用克拉德cloude分解方法進(jìn)行，其步驟如下： (4a)提取極化SAR圖像每個(gè)像素的相干矩陣的第一特征值A(chǔ)i、第二特征值A(chǔ)2、第三 特征值入3 ; (4b)提取每個(gè)像素的反熵參數(shù)A、特征值指數(shù)P、散射熵參數(shù)H和散射類型參數(shù)：
其中，Pi表示極化SAR圖像相干矩陣的第i個(gè)特征值與所有特征值總和的比值，ai表 示極化SAR圖像相干矩陣第i個(gè)特征值對(duì)應(yīng)的平均散射點(diǎn)，下標(biāo)i= 1，2, 3。
4. 根據(jù)權(quán)利要求1所述的方法，其中步驟（4)所述的提取極化SAR圖像的極化散射特 征，采用惠能Huynen分解方法，通過如下公式計(jì)算得到極化SAR圖像每個(gè)像素的對(duì)稱因子 a、非規(guī)則性因子b、非對(duì)稱性因子1、構(gòu)型因子c、局部曲率差d、表面扭轉(zhuǎn)性e、螺旋性f、對(duì) 稱和非對(duì)稱部分間的耦合度g和方向性h:
其中，Stt表示極化SAR圖像水平方向接收的水平方向發(fā)射極化波的回波數(shù)據(jù)，Shv表示SAR圖像垂直方向接收的水平方向發(fā)射極化波的回波數(shù)據(jù)，Svv表示SAR圖像垂直方向接收 的垂直方向發(fā)射極化回波數(shù)據(jù)，上標(biāo)*表示這個(gè)數(shù)據(jù)的共軛，表示按視數(shù)平均。
5. 根據(jù)權(quán)利要求1所述的方法，其中所述步驟（4)中提取極化SAR圖像的小波紋理特 征，按如下步驟進(jìn)行： 4a)在濾波后的極化SAR圖像中，對(duì)每個(gè)像素點(diǎn)，按如下公式得到每個(gè)像素的功率能量 值： span= (〈 |SJ2>+2〈 |SJ2>+〈 |Svv12>) (8) 其中，span是每個(gè)像素點(diǎn)的功率能量值，S&表示極化SAR圖像水平方向接收的水平方 向發(fā)射極化波的回波數(shù)據(jù)，shv表示SAR圖像垂直方向接收的水平方向發(fā)射極化波的回波數(shù) 據(jù)，Svv表示SAR圖像垂直方向接收的垂直方向發(fā)射極化回波數(shù)據(jù)，表示按視數(shù)平均； 4b)以每個(gè)像素的功率能量值形成極化SAR圖像的span功率圖，在極化SAR圖像的span功率圖上，對(duì)每個(gè)像素以16*16的窗口，提取16*16的功率矩陣，邊界點(diǎn)用鏡像對(duì)稱補(bǔ) 充數(shù)據(jù)，對(duì)16*16的功率矩陣進(jìn)行3層的小波分解，按下式求分解后得到的每個(gè)子帶小波系 數(shù)的均值W和標(biāo)準(zhǔn)差Si:

>其中MXN是每個(gè)子帶矩陣的 大小，是子帶矩陣處的小波系數(shù)，表示取絕對(duì)值，標(biāo)號(hào)i指的是第i個(gè)子帶，q是第i個(gè)子帶 小波系數(shù)的均值，i= 1，2,…10 ; 4c)將得到的每個(gè)子帶小波系數(shù)的均值和標(biāo)準(zhǔn)差進(jìn)行組合，得到極化SAR圖像的小波 紋理特征： WL=[u"S"u2，52...u10，5 10]。 (11)。
【文檔編號(hào)】G06K9/46GK104408467SQ201410691971
【公開日】2015年3月11日 申請(qǐng)日期:2014年11月26日 優(yōu)先權(quán)日:2014年11月26日
【發(fā)明者】焦李成, 劉芳, 熊莎琴, 楊淑媛, 侯彪, 馬文萍, 王爽, 劉紅英, 熊濤 申請(qǐng)人:西安電子科技大學(xué)