一種基于稀疏表示和超像素的極化sar地物分類方法
【專利摘要】本發(fā)明公開了一種基于稀疏表示和超像素的極化SAR地物分類方法，其實(shí)現(xiàn)包括：輸入待分類的極化SAR圖像數(shù)據(jù)，對該圖像進(jìn)行處理，得到Pauli分解對應(yīng)的偽彩圖；對該偽彩圖進(jìn)行超像素的圖像過分割，得到若干個超像素；對原始的極化SAR圖像提取射機(jī)理方面的特征，共7維，做為每個像素點(diǎn)的特征；進(jìn)行超像素級的聯(lián)合稀疏表示，得到每個超像素特征的稀疏表示；利用稀疏表示分類器進(jìn)行分類；求出每個超像素協(xié)方差矩陣的均值，然后利用上一步的分類結(jié)果進(jìn)行超像素級的復(fù)Wishart迭代，最后得到最終的分類結(jié)果。本發(fā)明解決了傳統(tǒng)的基于單個像素的分類區(qū)域一致性較差的問題，并在提高正確率的基礎(chǔ)上，大幅加快了算法的運(yùn)行速度。
【專利說明】-種基于稀疏表示和超像素的極化SAR地物分類方法

【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明屬于圖像處理和遙感【技術(shù)領(lǐng)域】，涉及極化SAR圖像的地物分類，具體是一 種基于稀疏表示和超像素的極化SAR地物分類方法，可用于對具有區(qū)域一致性的極化SAR 圖像進(jìn)行分類。

【背景技術(shù)】：
[0002] 極化合成孔徑雷達(dá)（Polarimetric Synthetic Aperture Radar, P0LSAR)圖像處 理是國防建設(shè)的重點(diǎn)學(xué)科。相比于普通單極化SAR，極化SAR是以散射矩陣或相干矩陣，協(xié) 方差矩陣記錄地物信息的。不同目標(biāo)由于物理特性不同，在不同極化態(tài)下的幅度、相位、極 化比，散射熵均存在不同，因此極化SAR可以獲取更豐富的地物目標(biāo)的信息。極化SAR圖像 分類是極化SAR圖像解譯的重要研究內(nèi)容。極化SAR圖像分類的目的就是利用得到的成像 數(shù)據(jù)，將有相似性質(zhì)的地物劃分成一類，使同類地物之間的特征相近，而不同地物之間的特 征相差較大，從而更真實(shí)清楚的獲得圖像中的信息。
[0003] 現(xiàn)有的極化SAR地物分類方法主要包括兩個大類：
[0004] (1)有監(jiān)督極化SAR地物分類。有監(jiān)督的極化SAR圖像分類主要包括基于最大似 然準(zhǔn)則的方法，基于支持向量機(jī)和基于人工神經(jīng)網(wǎng)絡(luò)的分類方法。最大似然準(zhǔn)則分類主要 是利用自然界中大多數(shù)地物都是服從多元高斯分布來進(jìn)行分類?；谥С窒蛄繖C(jī)和人工神 經(jīng)網(wǎng)絡(luò)的方法主要是把圖像處理和機(jī)器學(xué)習(xí)的方法應(yīng)用到極化SAR分類上來，它們在解決 類別分布復(fù)雜的地物圖像時十分有效。
[0005] (2)無監(jiān)督極化SAR地物分類。無監(jiān)督的極化SAR圖像分類主要包括基于統(tǒng)計(jì)k 均值的方法，基于特征分解的方法和基于散射特性保持的分類方法。基于統(tǒng)計(jì)k均值的方 法主要是隨機(jī)將極化SAR圖像分成若干類，然后找出聚類中心點(diǎn)，再不斷進(jìn)行復(fù)Wishart迭 代得到分類結(jié)果。基于特征分解的方法主要有Clould等人提出的Η/α分類方法，通過分 解得到地物散射熵Η和散射角α，以此為依據(jù)將地物分成8類，從而實(shí)現(xiàn)無監(jiān)督的極化SAR 地物分類?；谏⑸涮匦员３值姆诸惙椒ㄖ饕抢昧?Freeman分解得到的三種散射機(jī)理 的功率進(jìn)行分類，并進(jìn)行復(fù)Wishart迭代來進(jìn)行修正，從而得到較好的分類結(jié)果。
[0006] 上述方法很好利用了極化信息進(jìn)行分類，但是這些基于像素的分類方法沒有利用 到極化SAR地物的空間相似性，即相鄰地物在類別上也非常接近。因此分類結(jié)果的區(qū)域一 致性往往很差。利用超像素的空間相似性，可以使分類更加準(zhǔn)確。并且極化SAR的場景往 往非常大，基于單像素的分類往往非常耗時，而利用超像素的方法，可以大幅度減小待分類 樣本的數(shù)量，從而得到準(zhǔn)確的結(jié)果。


【發(fā)明內(nèi)容】
：
[0007] 本發(fā)明的目的在地克服上述已有方法的不足，提出了一種基于稀疏表示和超像素 的極化SAR地物分類方法，該方法能充分利用空間的相似性，并能在提高正確率的同時，大 幅提高算法的運(yùn)行時間。
[0008] 為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：一種基于稀疏表示和超像素的極化 SAR地物分類方法，具體步驟包括：
[0009] 步驟1，輸入待分類的極化SAR圖像數(shù)據(jù)，對SAR圖像數(shù)據(jù)進(jìn)行處理，得到Pauli分 解對應(yīng)的偽彩圖；
[0010] 步驟2,對該偽彩圖進(jìn)行超像素的圖像過分割，得到若干個超像素；
[0011] 步驟3,對原始的極化SAR圖像提取射機(jī)理方面的特征，共7維，做為每個像素點(diǎn)的 特征；
[0012] 步驟4,進(jìn)行超像素級的聯(lián)合稀疏表示，得到每個超像素特征的稀疏表示；
[0013] 步驟5,利用稀疏表示分類器進(jìn)行分類；
[0014] 步驟6,求出每個超像素相干矩陣的均值，然后利用步驟5的分類結(jié)果進(jìn)行超像素 級的復(fù)Wishart迭代，最后得到最終的分類結(jié)果。
[0015] 所述步驟1中Pauli分解對應(yīng)的偽彩圖的方法：讀入一幅散射矩陣格式的極化 SAR圖像Z，圖像Z中的每個像素點(diǎn)都代表都代表著一個含有4個元素的2X 2的散射矩陣 S ：
[0016]

【權(quán)利要求】
1. 一種基于稀疏表示和超像素的極化SAR地物分類方法，其特征在于：具體步驟包 括： 步驟1，輸入待分類的極化SAR圖像數(shù)據(jù)，對SAR圖像數(shù)據(jù)進(jìn)行處理，得到Paul i分解對 應(yīng)的偽彩圖； 步驟2,對該偽彩圖進(jìn)行超像素的圖像過分割，得到若干個超像素； 步驟3,對原始的極化SAR圖像提取射機(jī)理方面的特征，共7維，做為每個像素點(diǎn)的特 征； 步驟4,進(jìn)行超像素級的聯(lián)合稀疏表示，得到每個超像素特征的稀疏表示； 步驟5,利用稀疏表示分類器進(jìn)行分類； 步驟6,求出每個超像素相干矩陣的均值，然后利用步驟5的分類結(jié)果進(jìn)行超像素級的 復(fù)Wishart迭代，最后得到最終的分類結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種基于稀疏表示和超像素的極化SAR地物分類方法，其特 征在于：所述步驟1中Pauli分解對應(yīng)的偽彩圖的方法：讀入一幅散射矩陣格式的極化SAR 圖像Z，圖像Z中的每個像素點(diǎn)都代表都代表著一個含有4個元素的2X2的散射矩陣S :
其中，S&表示水平發(fā)射，水平接收的散射系數(shù)。Shv表示垂直發(fā)射，水平接收的散射系 數(shù)。Svh表示水平發(fā)射，垂直接收的散射系數(shù)。Svv表示垂直發(fā)射，垂直接收的散射系數(shù)。將 Stt+Svv |作為藍(lán)色，| Stt-Svv |作為紅色，2 | Shv |作為綠色，合成極化SAR圖像Z的偽彩圖。
3. 根據(jù)權(quán)利要求1或2所述的一種基于稀疏表示和超像素的極化SAR地物分類方法， 其特征在于：所述步驟2中彩圖進(jìn)行超像素的圖像過分割方法為：利用Pauli分解得到極 化SAR圖像Z的偽彩圖，當(dāng)用超像素對該偽彩圖進(jìn)行過分割，得到500個超像素，計(jì)算每個 超像素中所用像素的協(xié)方差矩陣C的均值做為當(dāng)前超像素的協(xié)方差矩陣。
4. 根據(jù)權(quán)利要求1或3所述的一種基于稀疏表示和超像素的極化SAR地物分類方法， 其特征在于：所述步驟3中提取極化SAR圖像Z的每個像素點(diǎn)的步驟是； 3a)利用Η/α分解得到每個像素的散射熵Η和散射角α ; 3b)利用Freeman分解得到每個像素點(diǎn)的三個散射分量：表面散射Ps，體散射Ρν，偶次 散射Pd ; 3c)利用Freeman分解得到每個像素點(diǎn)的散射功率熵，對每個像素點(diǎn)的Ps，Pv，Pd，有 Pn = Ps/(Ps+Pv+Pd) P22 = Pd/ (Ps+Pv+Pd) p33 = Pv/ (Ps+Pv+Pd) 得到Pn，P22, P33后，可得到散射功率熵Hp為 Hp = -(Pnl〇g3Pn+P22l〇g3P；E2+P 33l〇g3P33); 3d)利用協(xié)方差矩陣可得到每個像素點(diǎn)的同極化比值rvvtt :
3e)利用以上提取出的每個像素點(diǎn)的散射特征組成一個7維特征： fea = [Η, α , Ps, Ρν, Pd, Ηρ, rvvhh] 〇
5. 根據(jù)權(quán)利要求1或4所述的一種基于稀疏表示和超像素的極化SAR地物分類方 法，其特征在于：所述步驟4中對超像素進(jìn)行聯(lián)合稀疏編碼是利用稀疏表示分類器對超像 素進(jìn)行分類；每個超像素由Np(p = 1，. . .，P)個像素組成，用\ ...JV.v,,]表示由Np 個像素組成的第P個超像素，隨機(jī)取每類像素樣本的1%。做為訓(xùn)練樣本，組成訓(xùn)練字典D， D = [D, D,，…，Ds] = [Vu，Vl.2，…，',]，其中vm，j代表第m類中的第j個像素，D m代表第m類對應(yīng) 的訓(xùn)練樣本，訓(xùn)練樣本總個數(shù)為，通過解以下的方程，得到γΡ的聯(lián)合稀疏表示ap : m-l
得到的\ =卜.《:.....具有結(jié)構(gòu)稀疏度，是一個行稀疏矩陣，即Ap每一列的非零稀疏 系數(shù)都出現(xiàn)在同一行；I |Ap| l。。^^表示每一列的零范式；求得了 Yp所有列的聯(lián)合稀疏表 示；用SOMP (同時的正交匹配追蹤）算法，可以解決上述優(yōu)化問題； 然后，利用稀疏表示分類器來對超像素進(jìn)行分類：
其中Dm表示第m類對應(yīng)的子字典；Α『表示Αρ與Dm對應(yīng)的nm行。
6. 根據(jù)權(quán)利要求1或5所述的一種基于稀疏表示和超像素的極化SAR地物分類方 法，其特征在于：所述步驟5中利用稀疏表示分類器進(jìn)行分類具體方法是：利用步驟2中每 個超像素的C矩陣?：，和步驟4中得到的每個超像素對應(yīng)的初始類別，進(jìn)行超像素級的復(fù) Wishart 迭代； 5a)計(jì)算第m類超像素的聚類中心Vm，Vm=￡(em>。￡(0",)表示每類中所有超超像素的協(xié) 方差矩陣的均值； 5b) -個超像素樣本的協(xié)方差矩陣已和第m類的聚類中心Vm的距離測度為：
我們把每個超像素分給與聚類中心Vm具有最小距離的類m :
7. 根據(jù)權(quán)利要求1或6所述的一種基于稀疏表示和超像素的極化SAR地物分類方法， 其特征在于：所述步驟6中超像素級復(fù)Wishart分類的結(jié)果，是通過反復(fù)執(zhí)行步驟5a和5b， 得到最終的結(jié)果。
【文檔編號】G06K9/62GK104123555SQ201410062296
【公開日】2014年10月29日 申請日期:2014年2月24日 優(yōu)先權(quán)日:2014年2月24日
【發(fā)明者】楊淑媛, 焦李成, 呂遠(yuǎn), 劉紅英, 馬晶晶, 劉芳, 張向榮, 馬文萍, 侯彪, 王爽, 鐘樺 申請人:西安電子科技大學(xué)