基于金字塔采样和支持矢量机的极化sar图像分类方法

基于金字塔采样和支持矢量机的极化sar图像分类方法
【专利摘要】本发明公开一种基于金字塔采样和SVM的极化SAR图像分类方法，主要解决现有技术的分类精度不高的问题。其实现步骤为：首先，对极化SAR图像进行滤波；其次，提取极化SAR图像基于金字塔采样的采样散射特征；最后，提取极化SAR图像的极化散射特征和小波纹理特征，将采样散射特征、极化散射特征和小波纹理特征进行组合，得到组合特征，用组合特征训练支持向量机分类器，用训练好的分类器对极化SAR图像进行分类，并对分类后的极化SAR图像进行上色。本发明具有更好的去噪效果，提高了图像质量和分类精度，可用于极化SAR图像的目标识别。
【专利说明】基于金字塔采样和支持矢量机的极化SAR图像分类方法

【技术领域】
[0001] 本发明属于雷达【技术领域】，特别涉及极化合成孔径雷达SAR的图像分类，可用于 目标识别。

【背景技术】
[0002] 极化合成孔径雷达SAR已经成为国内外合成孔径雷达发展的重要方向之一。与单 极化雷达图像相比，极化合成孔径雷达图像能够提供更多的地物信息。图像分类是极化SAR 图像解译的重要内容之一，已广泛用于军事与民用领域，快速、准确SAR图像分类是实现各 种实际应用的前提。因此，对极化SAR图像的分类研究，具有十分重要的意义。分类方法一 直是该领域前沿研究的热点，利用地物的极化散射特性与模式识别领域的分类方法已构建 了诸多极化SAR图像分类方法。
[0003] 根据是否需要训练数据，极化SAR图像分类方法可以分为监督和非监督两种分类 方法。主要的非监督分类方法是基于Kmeans聚类算法的分类方法，虽然不需要样本的标记 信息但是这种分类方法非常依赖于初始聚类中心的选取且分类准确率不高。主要的监督分 类方法有基于Wishart分类器和SVM分类器的分类方法，监督的分类算法通过利用标记信 息提高了分类准确率，一般监督分类方法的性能优于非监督分类方法。基于Wishart分类 器的有监督分类方法虽然在分类准确率上比一般的无监督分类算法高，但是计算复杂，且 稳定性也不高，基于SVM分类器的分类算法在准确率和稳定性上都优于其他分类器的分类 算法。若将地物根据种植的农作物分为不同的类别，需要采用监督分类方法，目前还没有通 用的非监督分类方法。目前极化SAR图像分类涉及的算法有：传统的图像处理算法，代表性 算法有均值聚类算法，IS0DATA算法、分水岭算法，图论方法等，虽然这些方法建立在理论成 熟的分类器上，但没有充分利用目标散射机制进行极化SAR图像分类；基于一般金字塔模 型的分类方法，金字塔模型的优势是考虑进去了领域信息，在有标记的区域，样本划分很干 净，但是该方法也存在边界划分不明显，且在样本点少的情况下，精度不高。


【发明内容】

[0004] 为了克服已有技术的不足，本发明提出了一种基于金字塔采样和支持矢量机的极 化SAR图像分类方法，以提高图像的分类精度，实现对复杂地物的清晰分辨。实现本发明目 的的技术方案包括如下步骤：
[0005] (1)输入极化合成孔径雷达SAR图像，并对其进行精制极化LEE滤波；
[0006] (2)对滤波后的极化合成孔径雷达SAR图像每个像素的相干矩阵，分别提取其6个 上三角元素的实部和虚部，得到9个散射特征值，一个散射特征值构成一个散射特征空间；
[0007] (3)对散射特征空间进行金字塔重要采样，得到采样的散射特征：
[0008] (3a)对每个散射特征空间里的每个像素采用16*16的窗口进行数据提取，得到 16*16大小的数据矩阵；
[0009] (3b)对每个散射特征空间得到的数据矩阵分三次处理：第一次处理是直接提取 数据矩阵的最大值，得到一个特征值；第二次处理是将数据矩阵分成4个子矩阵，分别提取 这4个子矩阵中的最大值，得到4个特征值；第三次处理是将数据矩阵分成9个子矩阵，分 别提取这9个子矩阵中的最大值，经过这样的金字塔重要采样得到每个散射特征空间里每 个像素的14维的采样散射特征；
[0010] (4)提取滤波后的极化SAR图像的极化散射特征和小波纹理特征；
[0011] (5)将得到的采样散射特征、极化散射特征和小波纹理特征进行组合得到组合特 征；
[0012] (6)用组合特征训练支持向量机分类器，用训练好的分类器对极化合成孔径雷达 SAR图像进行分类，并对分类后的极化合成孔径SAR图像进行上色。
[0013] 本发明与现有技术相比，具有以下技术效果和优点：
[0014] 1、本发明采用精致极化LEE滤波法，对待分类的极化SAR图像进行滤波，克服了现 有技术因未对极化SAR图像进行滤波，引入了相干斑噪声，导致图像质量降低的问题，使得 本发明既能避免极化通道之间的串扰，又能保持极化通道之间的极化信息和统计相关性， 使极化SAR图像的轮廓、边缘更加清晰，提高图像质量，改善了极化SAR图像分类的性能。
[0015] 2、本发明通过在由相干矩阵提取的散射特征构成的散射特征空间里，进行金字塔 重要采样，不仅考虑了领域信息，克服了极化SAR图像的边界分类问题，提高了对极化SAR 图像分类的效果，达到对复杂的地物进行清晰的分辨。
[0016] 3、本发明在训练分类器时，采用同时训练多个分类器，进一步提高了分类精度。

【专利附图】

【附图说明】
[0017] 下面结合附图对本发明的【具体实施方式】予以描述。
[0018] 图1是本发明的实现流程图；
[0019] 图2是本发明测试使用的荷兰中部Flevoland地区的极化SAR图像；
[0020] 图3是本发明测试所用极化SAR图像真实的地物标记；
[0021] 图4是用本发明对图3中极化SAR图像的标记样本的分类结果图；
[0022] 图5是用本发明对图2中的极化SAR图像的分类结果；
[0023] 图6是用现有的wishart分类方法，对图2中的极化SAR图像的分类结果；
[0024] 图7是用现有的SVM分类器在只提取极化SAR图像的极化散射特征和小波纹理特 征的情况下，对图2中的极化SAR图像的分类结果。

【具体实施方式】
[0025] 下面结合附图对本发明的技术方案和效果做进一步的说明。
[0026] 参照图1，本发明基于金字塔采样和支持矢量机的极化SAR图像分类方法，包括如 下步骤：
[0027] 步骤1，对待分类的极化SAR图像进行滤波：
[0028] 采用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声， 得到滤波后的极化SAR图像，其步骤如下：
[0029] (Ia)设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为7*7像素；
[0030] (Ib)将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫 游一步，将滑动窗口提取的数据，按照像素空间的位置，从左到右、从上到下依次分成9个 子窗口，每个子窗口的大小是3*3像素，子窗口之间有重叠；
[0031] (Ic)将9个子窗口对应位置的数据求均值，将所得到的均值构成3*3的均值窗 n ；
[0032] (Id)选择水平、垂直、45度和135度的四个方向的梯度模板，将均值窗口分别与四 个模板进行加权，将所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值 对应的方向作为边缘方向；
[0033] (Ie)取边缘方向的左右2个子窗口，分别对2个窗口内的所有像素求均值，用得到 的两个均值分别减去中心窗口所有像素的均值，将均值差值中小的值所对应的子窗口作为 方向窗口；
[0034] (If)依照下面的式子，得到精致极化LEE滤波的权值：

【权利要求】
1. 一种基于金字塔采样和SVM的极化SAR图像分类方法，包括如下步骤： (1) 输入极化合成孔径雷达SAR图像，并对其进行精制极化LEE滤波； (2) 对滤波后的极化合成孔径雷达SAR图像每个像素的相干矩阵，分别提取其6个上三 角元素的实部和虚部，得到9个散射特征值，一个散射特征值构成一个散射特征空间； (3) 对散射特征空间进行金字塔重要采样，得到采样的散射特征： (3a)对每个散射特征空间里的每个像素采用16*16的窗口进行数据提取，得到16*16 大小的数据矩阵； (3b)对每个散射特征空间得到的数据矩阵分三次处理：第一次处理是直接提取数据 矩阵的最大值，得到一个特征值；第二次处理是将数据矩阵分成4个子矩阵，分别提取这4 个子矩阵中的最大值，得到4个特征值；第三次处理是将数据矩阵分成9个子矩阵，分别提 取这9个子矩阵中的最大值，经过这样的金字塔重要采样得到每个散射特征空间里每个像 素的14维的采样散射特征； (4) 提取滤波后的极化SAR图像的极化散射特征和小波纹理特征； (5) 将得到的采样散射特征、极化散射特征和小波纹理特征进行组合得到组合特征； (6) 用组合特征训练支持向量机分类器，用训练好的分类器对极化合成孔径雷达SAR 图像进行分类，并对分类后的极化合成孔径SAR图像进行上色。
2. 根据权利要求1所述的方法，其中所述步骤（1)中对输入极化合成孔径雷达SAR图 像进行精制极化LEE滤波，按如下步骤进行： (la) 设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为7*7像素； (lb) 将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫游一 步，将滑动窗口提取的数据，按照像素空间的位置，从左到右、从上到下依次分成9个子窗 口，每个子窗口的大小是3*3像素，子窗口之间有重叠； (lc) 将9个子窗口对应位置的数据求均值，将所得到的均值构成3*3的均值窗口； (ld) 选择水平、垂直、45度和135度的四个方向的梯度模板，将均值窗口分别与四个模 板进行加权，将所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应 的方向作为边缘方向； (le) 取边缘方向的左右2个子窗口，分别对2个窗口内的所有像素求均值，用得到的两 个均值分别减去中心窗口所有像素的均值，将均值差值中小的值所对应的子窗口作为方向 窗口； (lf) 依照下面的式子，得到精致极化LEE滤波的权值：
其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR图像像素总功 率的方差值，y表示方向窗口内极化SAR图像像素的总功率，p表示方向窗口内极化SAR总 功率图像所有像素的均值，<表示输入的极化SAR图像相干斑噪声的方差值； (lg) 按照下式，得到滤波后极化SAR图像中心像素的相干矩阵： T_filtered=T_aver+b* (original_T-T_aver) (2) 其中，T_filtered表示滤波后极化SAR图像中心像素的相干矩阵，T_aver表示方向窗口 内极化SAR图像像素的相干矩阵的均值，b表示精致极化LEE滤波的权值，original_T表示 极化SAR图像中心像素的相干矩阵。
3. 根据权利要求1所述的方法，其中步骤（4)所述的提取极化SAR图像的极化散射特 征，采用克拉德cloude分解方法进行，其步骤如下： (4a)提取极化SAR图像每个像素的相干矩阵的第一特征值Ai、第二特征值A2、第三 特征值入3 ; (4b)提取每个像素的反熵参数A、特征值指数P、散射熵参数H和散射类型参数：
其中，Pi表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值，ai表 示极化SAR图像相干矩阵第i个特征值对应的平均散射点，下标i= 1，2, 3。
4. 根据权利要求1所述的方法，其中步骤（4)所述的提取极化SAR图像的极化散射特 征，采用惠能Huynen分解方法，通过如下公式计算得到极化SAR图像每个像素的对称因子 a、非规则性因子b、非对称性因子1、构型因子c、局部曲率差d、表面扭转性e、螺旋性f、对 称和非对称部分间的耦合度g和方向性h:
其中，Stt表示极化SAR图像水平方向接收的水平方向发射极化波的回波数据，Shv表示SAR图像垂直方向接收的水平方向发射极化波的回波数据，Svv表示SAR图像垂直方向接收 的垂直方向发射极化回波数据，上标*表示这个数据的共轭，表示按视数平均。
5. 根据权利要求1所述的方法，其中所述步骤（4)中提取极化SAR图像的小波纹理特 征，按如下步骤进行： 4a)在滤波后的极化SAR图像中，对每个像素点，按如下公式得到每个像素的功率能量 值： span= (〈 |SJ2>+2〈 |SJ2>+〈 |Svv12>) (8) 其中，span是每个像素点的功率能量值，S&表示极化SAR图像水平方向接收的水平方 向发射极化波的回波数据，shv表示SAR图像垂直方向接收的水平方向发射极化波的回波数 据，Svv表示SAR图像垂直方向接收的垂直方向发射极化回波数据，表示按视数平均； 4b)以每个像素的功率能量值形成极化SAR图像的span功率图，在极化SAR图像的span功率图上，对每个像素以16*16的窗口，提取16*16的功率矩阵，边界点用镜像对称补 充数据，对16*16的功率矩阵进行3层的小波分解，按下式求分解后得到的每个子带小波系 数的均值W和标准差Si:

>其中MXN是每个子带矩阵的 大小，是子带矩阵处的小波系数，表示取绝对值，标号i指的是第i个子带，q是第i个子带 小波系数的均值，i= 1，2,…10 ; 4c)将得到的每个子带小波系数的均值和标准差进行组合，得到极化SAR图像的小波 纹理特征： WL=[u"S"u2，52...u10，5 10]。 (11)。
【文档编号】G06K9/46GK104408467SQ201410691971
【公开日】2015年3月11日 申请日期:2014年11月26日 优先权日:2014年11月26日
【发明者】焦李成, 刘芳, 熊莎琴, 杨淑媛, 侯彪, 马文萍, 王爽, 刘红英, 熊涛 申请人:西安电子科技大学