專利名稱：用于sar圖像的小波金字塔極化紋理基元特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種用于提取合成孔徑雷達(dá)(SyntheticAperture Radar, SAR)圖像小波極化紋理基元特征的方法。
背景技術(shù)：
極化是波的一個(gè)重要特性，它描述了垂直于波傳播方向振動(dòng)面內(nèi)振動(dòng)矢量的方向性。目前對(duì)電磁波極化狀態(tài)的研究已成為了電磁場(chǎng)理論研究的一個(gè)重要方向，廣泛應(yīng)用于雷達(dá)、導(dǎo)航、制導(dǎo)和通信等各領(lǐng)域。SAR是一種高分辨的微波遙感成像雷達(dá)，在軍事和民用上都有廣泛的用途，由于SAR成像環(huán)境的極端復(fù)雜性和特有的成像機(jī)理，使得SAR圖像的信息表達(dá)相對(duì)于光學(xué)圖像有很大差別，并受到相干斑噪聲及頂?shù)椎怪?、迎坡縮短、透視收縮等幾何特征的影響，使得對(duì)SAR圖像的處理比光學(xué)圖像的處理困難得多。因此研究SAR圖像的特征，更好地對(duì)SAR·圖像進(jìn)行分析和解譯是國(guó)際上研究的一個(gè)重要方向。針對(duì)SAR圖像的極化特征，目前已提出了很多算法，下面列出一些常用的極化特征分解方法DPauli分解將目標(biāo)在線性(H，V)極化基下的極化散射矩陣分解為四種成分，即面、二面角、45°傾斜二面角和交叉極化子，在滿足互易對(duì)稱的條件下，可簡(jiǎn)化為前面三種成分，分別表示奇次散射、偶次散射、體散射機(jī)制；2)Krogager分解將圓極化基下的目標(biāo)極化散射矩陣分解為球、二面體和螺旋體三種成分，分別對(duì)應(yīng)于奇次散射、偶次散射和旋轉(zhuǎn)體散射機(jī)制；3)Freeman分解將目標(biāo)的協(xié)方差矩陣分解為三個(gè)分量之和，即表面散射、偶次散射以及體散射機(jī)制，每種散射機(jī)制都對(duì)應(yīng)著一種物理模型，表面散射可采用一階Bragg散射模型來描述，偶次散射分量對(duì)應(yīng)著二面角反射器，體散射主要來自于植被樹冠層的散射；4) Cloude分解又稱為H-α分解，是一種基于二階統(tǒng)計(jì)的平均參數(shù)提取算法，對(duì)相干矩陣的特征向量和特征值進(jìn)行分析，把相干矩陣分解成不同類型的散射成分，將要識(shí)別的目標(biāo)場(chǎng)景按H/ α坐標(biāo)區(qū)域分類，依據(jù)每個(gè)區(qū)域?qū)?yīng)一種散射機(jī)制的原理對(duì)圖像分類。小波變換也被廣泛應(yīng)用于圖像處理領(lǐng)域，小波分析的優(yōu)越性就在于它的時(shí)頻局部特性和多分辨率功能，應(yīng)用于圖像邊緣信息提取和檢測(cè)、圖像去噪和編碼以及數(shù)據(jù)壓縮等方面。在計(jì)算機(jī)視覺和圖像處理領(lǐng)域，圖像亮度按某種特定重復(fù)模式的變化稱之為紋理，紋理是一種普遍存在的視覺現(xiàn)象，但由于其抽象性而沒有統(tǒng)一的定義。紋理基元是構(gòu)成自然圖像的微觀結(jié)構(gòu)，是視覺感知初始階段構(gòu)成紋理的基本元素。紋理基元表現(xiàn)出一定的排列規(guī)則，它被定義為包含一些幾何結(jié)構(gòu)的圖像基的微小模板，與物理結(jié)構(gòu)做類比，把圖像基比作質(zhì)子，中子和電子，那么紋理基元就如同原子。雖然紋理基元在各種文獻(xiàn)中仍然是一個(gè)很模糊的概念，但紋理基元的研究在很多問題中都有很重要的意義。SAR圖像也是一種紋理圖像，其處理方法一般是基于極化目標(biāo)特征分解和統(tǒng)計(jì)估計(jì)的，而傳統(tǒng)的紋理基元的分析方法是基于濾波的，考慮到充分運(yùn)用SAR圖像的極化特征，并且小波變換也是一種濾波過程，因此將極化特征與小波分析和紋理基元的方法結(jié)合起來很有必要。但本領(lǐng)域尚未有相關(guān)技術(shù)出現(xiàn)。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)極化SAR圖像分類問題，提出一種新的基于金字塔表達(dá)的小波極化紋理基元的特征，可以高效地識(shí)別紋理模式，獲得高精度的分類結(jié)果。本發(fā)明的技術(shù)方案為一種用于SAR圖像的小波金字塔極化紋理基元特征提取方法，其特征在于，包括以下步驟，步驟1，將極化SAR圖像的原始協(xié)方 差矩陣C轉(zhuǎn)換到不同的線性極化基下，得到由方向角爐表示的極化合成協(xié)方差矩陣C1(妁，然后選取極化合成協(xié)方差矩陣C(妁中第二行第二列的元素生成極化特征圖C122(妁;所述方向角爐的個(gè)數(shù)記為步驟2，對(duì)步驟I所得的極化特征圖進(jìn)行小波分解，提取極化SAR圖像中每個(gè)像素點(diǎn)的小波極化特征矢量，小波分解尺度的個(gè)數(shù)記為J ;最后運(yùn)用滑動(dòng)窗以極化SAR圖像中每個(gè)像素點(diǎn)為中心，根據(jù)滑動(dòng)窗內(nèi)所有像素點(diǎn)的小波極化特征矢量，提取極化SAR圖像中每個(gè)像素點(diǎn)的小波極化方差特征矢量；提取極化SAR圖像中每個(gè)像素點(diǎn)的小波極化特征矢量f時(shí)，小波極化特征矢量f中元素根據(jù)極化特征圖C122(妁進(jìn)行提取的計(jì)算公式如下，
權(quán)利要求
1.一種用于SAR圖像的小波金字塔極化紋理基元特征提取方法，其特征在于，包括以下步驟， 步驟1，將極化SAR圖像的原始協(xié)方差矩陣C轉(zhuǎn)換到不同的線性極化基下，得到由方向角爐表示的極化合成協(xié)方差矩陣C1(妁，然后選取極化合成協(xié)方差矩陣C(妁中第二行第二列的元素生成極化特征圖C22(妁;所述方向角爐的個(gè)數(shù)記為 步驟2，對(duì)步驟I所得的極化特征圖進(jìn)行小波分解，提取極化SAR圖像中每個(gè)像素點(diǎn)的小波極化特征矢量，小波分解尺度的個(gè)數(shù)記為J ;最后運(yùn)用滑動(dòng)窗以極化SAR圖像中每個(gè)像素點(diǎn)為中心，根據(jù)滑動(dòng)窗內(nèi)所有像素點(diǎn)的小波極化特征矢量，提取極化SAR圖像中每個(gè)像素點(diǎn)的小波極化方差特征矢量； 提取極化SAR圖像中每個(gè)像素點(diǎn)的小波極化特征矢量f時(shí)，小波極化特征矢量f中元素根據(jù)極化特征圖C22(妁進(jìn)行提取的計(jì)算公式如下，
2.如權(quán)利要求I所述用于SAR圖像的小波金字塔極化紋理基元特征提取方法，其特征在于步驟5所述金字塔模型采用三層的金字塔模型。
3.如權(quán)利要求I或2所述用于SAR圖像的小波金字塔極化紋理基元特征提取方法，其特征在于所述方向角爐的取值為0，4，. . . 180,^=46o
全文摘要
一種用于SAR圖像的小波金字塔極化紋理基元特征提取方法，包括生成小波極化方差特征、小波極化紋理基元特征以及運(yùn)用金字塔模型描述小波極化紋理基元特征。小波極化方差特征是結(jié)合極化合成和離散小波框架，通過計(jì)算標(biāo)準(zhǔn)化小波系數(shù)的方差得到每個(gè)像素點(diǎn)的特征矢量；而小波極化紋理基元特征是對(duì)部分小波極化方差特征矢量聚類，生成紋理基元庫(kù)，然后以圖像中感興趣點(diǎn)為中心，取圖像塊，將每個(gè)塊包含的特征矢量與紋理基元庫(kù)匹配，得到統(tǒng)計(jì)直方圖，即小波極化紋理基元特征；最后運(yùn)用金字塔模型在更精細(xì)的分辨率下描述小波極化紋理基元特征。運(yùn)用支持向量機(jī)即可采用本發(fā)明所得基于金字塔表達(dá)的小波極化紋理基元特征對(duì)極化SAR圖像分類。
文檔編號(hào)G06K9/62GK102682306SQ201210132419
公開日2012年9月19日 申請(qǐng)日期2012年5月2日 優(yōu)先權(quán)日2012年5月2日
發(fā)明者何楚, 廖紫纖, 李雙, 石博 申請(qǐng)人:武漢大學(xué)