基于超像素相关矩阵的极化sar图像半监督分类方法
【专利摘要】本发明公开了一种基于超像素相关矩阵的极化SAR图像半监督分类方法，主要解决现有技术需要大量训练样本的问题。其实现步骤为：1)读入极化SAR图像进行将相干斑噪声的预处理，并合成伪彩色图像；2)计算测试超像素和训练超像素的区域中心，并构建数据矩阵和物理特征相关矩阵；3)利用数据矩阵计算稀疏结构特征相关矩阵；4)将物理特征相关矩阵与稀疏结构特征相关矩阵进行加权融合；5)对融合后的相关矩阵利用半监督的方法进行分类，输出最终的分类结果。本发明减少了相干斑噪声对分类结果的影响，有效地减少了对训练样本数量的要求，提高了分类的准确率，可用于极化SAR图像中地物的分类和识别。
【专利说明】基于超像素相关矩阵的极化SAR图像半监督分类方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，特别涉及极化SAR图像半监督分类方法，可用于目标识别。
【背景技术】
[0002]合成孔径雷达SAR是一种从空间对地观测的有效手段，具有全天候、全天时工作的特点，已在地质勘探、城市规划、军事探测等方面有了非常广泛的应用。极化合成孔径雷达PolSAR是SAR技术不断发展而产生的一种相干多通道微波成像系统，它通过测量地面每一分辨单元在不同极化组合下的散射特性来获取目标的极化信息，与单极化SAR相比，PolSAR更完整的记录了目标的后向散射信息，因而大大增强了雷达获取目标信息的能力。
[0003]目前，国外很多机构的机载和星载极化SAR系统可以提供不同波段的全极化SAR数据。比较典型的机载极化SAR系统有美国的AIRSAR，丹麦的EMISAR，德国的ESAR，日本的PISAR，法国的RAMSES，加拿大的CV580等；典型的星载极化SAR系统包括美国的SIR-C，欧空局的Envisat ASAR，日本的AL0S，加拿大的RADARSAT2，德国的TerraSAR-X等。在国内，许多高校和研究所也在开展相关的研究工作，并且已在极化SAR的理论和应用方面取得了巨大的进步。
[0004]极化SAR图像分类是极化SAR图像解译过程中的一个重要步骤，也是极化SAR信息处理的一个重要的研究方向。根据极化信息的利用方式，极化SAR分类的方法可分为直接利用极化散射特征的方法，利用极化统计特征的方法和结合散射特征与统计特征的方法；根据所用算法的不同，分为统计、知识、神经网络、模糊逻辑、小波分析、支持向量机等方法；虽然这些方法已经取得了较好的效果，但是这些传统的基于单个像素点的方法不可避免的会受到极化SAR图像中相干斑噪声的影响。根据是否需要人工指导，可分为有监督和非监督两类，有监督的分类方法可以快速准确的实现图像的分类，但是因为在处理过程中需要模型的建立和学习，时间复杂度较高；无监督方法的实现更为快速，但是无监督分类的准确度却比较低。
[0005]所以如何在训练样本数较少的情况下准确的实现极化SAR图像的分类是亟待解决的问题。
【发明内容】
[0006]本发明的目的在于针对上述技术的不足，提出一种基于超像素相关矩阵的极化SAR图像半监督分类方法，以减小相干斑噪声对图像处理的影响，并在训练样本数较少的情况下提高分类的准确度。
[0007]本发明的技术方案是这样实现的:
[0008]对极化SAR对应的伪彩色图像进行过分割，得到若干个超像素；分别计算测试超像素和训练超像素的区域中心；利用修正的Wishart距离计算任两个超像素之间的相关性，得到物理特征相关矩阵；利用对矩阵的秩进行最小化约束的方法得到稀疏结构相关矩阵；将上述两个相关矩阵进行加权融合，最终利用半监督图的方法实现极化SAR图像的分类，其技术步骤包括如下:
[0009](1)输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像；
[0010]1.1)读入一幅极化SAR数据，利用精致Lee滤波器对其进行降相干斑噪声的预处理，得到对应的协方差矩阵，滤波器的窗口大小设定为7X7 ;
[0011]1.2)对协方差矩阵进行Pauli能量特征分解，并合成极化SAR数据对应的伪彩色图像；
[0012](2)对极化SAR图像过分割，计算测试超像素的区域中心Qi和训练超像素的区域中心Si:
[0013]2.1)对伪彩色图像进行过分割，得到若干个超像素，S1, S2，…Si,…Sk，作为测试超像素，其中Si代表第i个超像素，i = ρ..1?，k为划分的超像素的个数；
[0014]2.2)对每个超像素Si中单个像素点对应的协方差矩阵求和并计算均值，得到每一个测试超像素的区域中心Oi ;
[0015]2.3)在该极化SAR图像对应的标准图中每类随机选取N个像素点作为训练样本点，并将其均分成m个集合，每个集合作为一个训练超像素；对每个训练超像素中单个像素点对应的协方差矩阵求和并计算均值，得到训练超像素对应的区域中心Si，若标准图包含c类目标,则训练超像素的总数为cXm。
[0016](3)将训练超像素的区域中心Si和测试超像素的区域中心Oi依次排放，得到数据矩阵:x = [X1,…Xi,…XmJ = [Ψι, Ψ2.…，ψ。，Θ1, ?2.…，?J，其中Xi代表数据矩阵中第i个超像素的区域中心，i = 1-num, num为超像素的总个数，Wi代表第i类训练超像素的集合，Ψ? = [S1S2…Σ」；
[0017](4)计算任意两个超像素之间的修正的Wishart距离disy,得到相关性simy，构建物理特征相关矩阵Sim:
【权利要求】
1.一种基于超像素相关矩阵的极化SAR图像半监督分类方法，包括如下步骤: (1)输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像； (2)对伪彩色图像过分割，计算测试超像素的区域中心Qi和训练超像素的区域中心Σ?； (3)将训练超像素的区域中心Si和测试超像素的区域中心?^衣次排放，得到数据矩阵:X = [X1,…Xi,…XmJ = [Ψ1； Ψ2,…，Ψ。，Θ1； Θ2,…，Θη]，其中Xi代表数据矩阵中第i个超像素的区域中心，i = 1...ηιιηι,ηιιηι为超像素的总个数，代表第i类训练超像素的集合，Ψ, = [ΣΑ…Σπ]； (4)计算任意两个超像素之间的修正的Wishart距离(Iisi,得到相关性Simi,」，构建物理特征相关矩阵Sim:
2.根据权利要求1所述的基于超像素相关矩阵的极化SAR图像半监督分类方法，其特征在于:步骤(1)所述的输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像，按照如下步骤进行: .1.1)读入一幅极化SAR数据，利用精致Lee滤波器对其进行降相干斑噪声的预处理，得到对应的协方差矩阵，滤波器的窗口大小设定为7X7 ; .1.2)对协方差矩阵进行Pauli能量特征分解，并合成极化SAR数据对应的伪彩色图像。
3.根据权利要求1所述的基于超像素相关矩阵的极化SAR图像半监督分类方法，其特征在于:步骤(2)所述的对极化SAR图像过分割，计算超像素区域中心，按照如下步骤进行: .2.1)对伪彩色图像进行过分割，得到若干个超像素，S1, S2，…Si,…Sk，作为测试超像素，其中Si代表第i个超像素，i = Ρ..11，11为划分的超像素的个数； .2.2)对每个超像素Si中单个像素点对应的协方差矩阵求和并计算均值，得到每一个测试超像素的区域中心Oi ; .2.3)在该极化SAR图像对应的标准图中每类随机选取N个像素点作为训练样本点，并将其均分成m个集合，每个集合作为一个训练超像素；对每个训练超像素中单个像素点对应的协方差矩阵求和并计算均值，得到训练超像素对应的区域中心Si，若标准图包含c类目标，则训练超像素的总数为cXm。
4.根据权利要求1所述的基于超像素相关矩阵的极化SAR图像半监督分类方法，其特征在于:步骤(7)所述的利用融合后的相关矩阵W进行半监督分类，按如下步骤进行: .7.1)计算拉普拉斯矩阵C = M-W，其中，M是由相关矩阵W每一行元素求和构成的对角矩阵； .7.2)输入训练超像素的类概率矩阵Pt_= [P1,-,Pi,…，PtL计算测试超像素的类概率矩阵
【文档编号】G06K9/62GK103927551SQ201410162755
【公开日】2014年7月16日 申请日期:2014年4月21日 优先权日:2014年4月21日
【发明者】焦李成, 刘芳, 高晓莹, 杨淑媛, 马文萍, 马晶晶, 王爽, 侯彪, 符丹钰 申请人:西安电子科技大学