基于nsct和判別字典學習的極化sar分類方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，特別涉及一種SAR圖像分類方法，可用于目標識 別領域。
【背景技術】
[0002] 合成孔徑雷達SAR因其全天時、全天候、高分辨的強大優(yōu)勢而倍受青睞。同傳統(tǒng)的 單極化合成孔徑雷達相比，極化合成孔徑雷達是對目標進行全極化測量，能獲得更為豐富 的目標信息，因此近年來備受關注。
[0003] 極化合成孔徑雷達獲得的圖像被稱為極化SAR圖像。極化SAR圖像分類是極化SAR 圖像解譯過程中的一個重要研宄內(nèi)容，其目的是利用極化SAR傳感器獲取的極化測量數(shù)據(jù) 來確定極化SAR圖像中各單元所屬類別。極化SAR圖像分類的結果在軍用和民用方面得到 了廣泛的應用，具有重要的應用價值。
[0004] 近年來，大量的極化SAR圖像分類方法被提出。一些學者從極化散射信息的角度 出發(fā)對極化SAR圖像的像素進行分類，主要方法是基于統(tǒng)計特性分析的分類方法和基于物 理散射特性分析的分類方法，提取與極化SAR數(shù)據(jù)相關的具有散射特性的特征，然后采用 現(xiàn)有分類方法實現(xiàn)極化SAR圖像分類的目的。雖然該分類方法領域已經(jīng)獲得了比較理想的 成果，但是它要求使用者對極化SAR數(shù)據(jù)的固有物理特性有較為深刻的理解，因此限制了 該方法的廣泛使用。
[0005] 另有學者在已有的極化SAR圖像數(shù)據(jù)的特征集的基礎之上，引入更為有效的分類 方法對極化SAR圖像進行分類，如有人將近幾年較為熱門的基于稀疏表示的SRC分類方法 應用到極化SAR圖像的分類中，雖然該領域已有較為理想的分類效果，但仍然存在以下問 題。首先，SRC方法是基于重構誤差最小準則對數(shù)據(jù)進行分類，但事實上數(shù)據(jù)重構和數(shù)據(jù)分 類兩者之間是有差異的，如果僅考慮重構誤差而不考慮分類誤差，將會影響數(shù)據(jù)分類效果； 其次，由于SRC分類器是基于重構誤差最小準則，這樣每個樣本都要進行多次重構誤差計 算，就會對分類速度產(chǎn)生影響；最后，極化SAR圖像數(shù)據(jù)因其成像原理的特殊性，使得它具 有較強的乘性噪聲，因此若直接在極化SAR圖像數(shù)據(jù)的原始特征域中進行分類將會受到噪 聲的干擾，影響其分類效果。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對上述已有技術的不足，提供一種基于NSCT和判別字典學 習的極化SAR分類方法，以能夠提高分類準確率和分類速度。
[0007] 為實現(xiàn)上述目的，本發(fā)明的技術方案包括如下步驟：
[0008] (1)輸入待分類極化SAR圖像，獲取其各像素點的相干矩陣，并對該相干矩陣進行 Lee濾波處理，得到去噪后的相干矩陣；
[0009] (2)對去噪后的相干矩陣進行Cloude分解，得到3個非負特征值和3個特征向 量，再通過計算得到散射熵和散射角，并將散射角和3個非負特征值作為各像素點的分類 特征；
[0010] (3)對各像素點的每個分類特征進行3層非下采樣Contourlet變換NSCT，將變換 得到的低頻系數(shù)作為對應像素點的變換域分類特征；
[0011] (4)使用像素點的變換域分類特征，結合判別字典學習模型進行字典和分類器的 訓練；
[0012] (5)使用訓練得到的字典和分類器對各測試樣本進行分類，得到分類結果。
[0013] 本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點：
[0014] 1、本發(fā)明在對極化SAR圖像數(shù)據(jù)進行分類時，僅用其相干矩陣的Cloude分解得到 的4個值作為后續(xù)分類特征，這樣不僅利于理解，而且可以降低提取特征的計算復雜度。
[0015] 2、本發(fā)明在對極化SAR圖像進行分類的過程中，引入非下采樣Contourlet變換對 分類特征進行變換，這種變換可以在低頻子帶上進行多分辨率、多方向上的迭代變換，而且 每個方向子帶的圖像大小和原始圖像大小相等，且該變換是一種冗余變換，可以使圖像的 邊緣和紋理細節(jié)最大程度地保留下來，同時該變換還具有平移不變性。
[0016] 3、本發(fā)明中極化SAR圖像的分類特征經(jīng)過3層非下采樣Contourlet變換后，得到 低頻系數(shù)和高頻系數(shù)，其中低頻系數(shù)相比于高頻系數(shù)更加具有分類判別能力，因此本發(fā)明 中只提取第3層變換后的低頻系數(shù)作為各像素點的變換域分類特征。提高了分類準確率。
[0017] 4、本發(fā)明所使用的判別字典學習模型在訓練過程中是將字典和分類器統(tǒng)一進行 優(yōu)化求解的，并且求解得到的分類器為線性分類器，這樣可以在很大程度上提升算法的分 類速度。因而，本發(fā)明提供的極化SAR圖像分類方法，可以提高分類速度；
[0018] 綜上，本發(fā)明提供的極化SAR圖像分類方法，不僅能夠提高分類準確率，同時還可 以提高分類速度。
【附圖說明】
[0019] 圖1為本發(fā)明的實現(xiàn)流程示意圖；
[0020] 圖2為本發(fā)明所使用的極化SAR偽彩圖；
[0021] 圖3為使用本發(fā)明對圖2進行分類的仿真效果圖。
【具體實施方式】
[0022] 下面將結合附圖，對本發(fā)明的技術方案及效果進行清楚、完整地描述。
[0023] 參照圖1，本發(fā)明的實現(xiàn)步驟如下：
[0024] 步驟1，輸入待分類極化SAR圖像，獲取其各像素點的相干矩陣，并對該相干矩陣 進行Lee濾波處理，得到去噪后的相干矩陣。
[0025] 步驟2,對去噪后的相干矩陣進行Cloude分解，得到3個非負特征值和3個特征向 量。
[0026] 對去噪后的相干矩陣進行分解獲取分類特征，分解方法有Freeman分解、Cloude 分解、四成份分解等方法；
[0027] 本發(fā)明采用Cloude分解對極化SAR圖像的每一個像素進行分解，得到3個非負特 征值λ U λ 2，λ 3和3個特征向量V D V2, V3。
[0028] 其中，λ i代表W和HH同極化回波強度，不包括它們之間的相干部分；λ 2代表W 和HH相干強度；λ 3是考慮介質引起的去極化效應；VV表示垂直發(fā)射和垂直接收的極化方 式，HH表示水平