極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種極化SAR圖像分類方法，包括：S1：提取極化SAR圖像的特征：散射熵H、反熵A和散射角α，將所得到的特征集合(H,A,α)作為第一特征集；S2：將所述極化SAR圖像分解為兩個(gè)子孔徑圖像后，分別提取所述兩個(gè)子孔徑圖像的特征：散射熵H、反熵A和散射角α，從而得到兩個(gè)子特征集(H1,A1,α1)、(H2,A2,α2)；S3：將所述兩個(gè)子特征集中的各相應(yīng)特征的值相減，得到所述各相應(yīng)特征的差值的集合(ΔH,ΔA,Δα)作為第二特征集；S4：將所述第一特征集和所述第二特征集輸入到?jīng)Q策樹分類模型中，得到所述極化SAR圖像的分類結(jié)果。使用本發(fā)明極化SAR圖像分類方法，可以提高分類結(jié)果的精度。
【專利說明】極化SAR圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種極化SAR圖像分類方法。
【背景技術(shù)】
[0002]由于不同地物對(duì)電磁波的散射機(jī)理不同，通過分析全極化雷達(dá)的后向散射特征可以獲取到更為豐富的地物信息，因而其在地面目標(biāo)檢測(cè)、地物識(shí)別分類提取中得到了應(yīng)用廣泛。目前，在研究地物散射特性的過程中，主要是通過對(duì)包含目標(biāo)地物電磁散射特性的回波信號(hào)進(jìn)行極化目標(biāo)分解的方法來實(shí)現(xiàn)地物散射特性分析。通過極化目標(biāo)分解可以得到體現(xiàn)地物散射類型的特征，進(jìn)而利用這些特征對(duì)極化SAR圖像進(jìn)行分類。
[0003]傳統(tǒng)的基于極化目標(biāo)分解的分類方法是針對(duì)全分辨率圖像的，全分辨率極化SAR圖像是將目標(biāo)散射信號(hào)進(jìn)行全方位向的合成得到的，然而，在合成孔徑雷達(dá)成像過程中，雷達(dá)平臺(tái)與目標(biāo)的相對(duì)位置是不斷變化的，利用全分辨率圖像進(jìn)行分類沒有充分考慮地物電磁特性隨傳感器方位視角變化的特點(diǎn)，目標(biāo)散射特性的分析并不全面。近年來，出現(xiàn)了將SAR圖像分解為多個(gè)子孔徑圖像，并分別利用子孔徑圖像分析目標(biāo)在不同方位角下后向散射的瞬時(shí)變化，并將其應(yīng)用于地物目標(biāo)的分類和提取的方法，例如，Ainsworth等分析了子孔徑圖像間的高相關(guān)性，并結(jié)合wishart分類方法實(shí)現(xiàn)了對(duì)高分辨率極化SAR圖像非平穩(wěn)目標(biāo)的提?。籖eigber等利用相干時(shí)頻分析方法來抑制雜波，并根據(jù)子孔徑間的高度相干性來檢測(cè)點(diǎn)散射體，進(jìn)行城鎮(zhèn)地區(qū)建筑物結(jié)構(gòu)的檢測(cè)等。
[0004]使用子孔徑方法的缺點(diǎn)在于:
[0005]1、分類器都是針對(duì)少量特征進(jìn)行規(guī)則的建立，難以全面地反映SAR圖像特征，因此造成分類精度難以提聞;
[0006]2、通常使用最大似然估計(jì)法對(duì)目標(biāo)進(jìn)行分類，這使得這些方法要求樣本需符合特定的統(tǒng)計(jì)分布模型，并且生成的分類規(guī)則較難解譯；
[0007]3、一般需要分解為多個(gè)子孔徑，提取多個(gè)子孔徑圖像的均值、相干等特征以進(jìn)行分類，而子孔徑的個(gè)數(shù)與地面空間分辨率成反比，因此，子孔徑個(gè)數(shù)增加雖然導(dǎo)致提取的特征(如均值、相干)更精確，但是地面空間分辨率卻由于子孔徑的個(gè)數(shù)而降低，其必然使最終的分類精度受限。

【發(fā)明內(nèi)容】

[0008]為克服上述一個(gè)和/或多個(gè)缺點(diǎn)，本發(fā)明提供了一種極化SAR圖像分類方法。
[0009]本發(fā)明提供的一種極化SAR圖像分類方法，包括:S1:提取極化SAR圖像的特征:散射熵H、反熵A和散射角α，將所得到的特征集合(Η，Α，α)作為第一特征集；S2:將所述極化SAR圖像分解為兩個(gè)子孔徑圖像后，分別提取所述兩個(gè)子孔徑圖像的特征:散射熵H、反熵A和散射角α，從而得到兩個(gè)子特征集(HpA1, aj、(H2, A2, a 2) ;S3:將所述兩個(gè)子特征集中的各相應(yīng)特征的值相減，得到所述各相應(yīng)特征的差值的集合(ΛΗ，ΔΑ, Δ α)作為第二特征集；S4:將所述第一特征集和所述第二特征集輸入到?jīng)Q策樹分類模型中，得到所述極化SAR圖像的分類結(jié)果。
[0010]進(jìn)一步地，在SI步驟中，利用Cloude分解從所述極化SAR圖像提取所述第一特征集(Η，Α，α);并且在S2步驟中，利用Cloude分解分別從所述兩個(gè)子孔徑圖像提取所述兩個(gè)子特征集(H1, A1, a J、(H2, A2, α 2)。
[0011]可選地，所述決策樹分類模型為C5決策樹分類模型。
[0012]進(jìn)一步地，步驟S4具體包括:S41:將所述第一特征集和所述第二特征集合并為目標(biāo)識(shí)別特征集；S42:利用所述決策樹分類模型對(duì)預(yù)定的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以構(gòu)建用于目標(biāo)識(shí)別的規(guī)則；S43:利用所述決策樹分類模型根據(jù)所述規(guī)則對(duì)所述目標(biāo)識(shí)別特征集進(jìn)行分類，得到所述極化SAR圖像的分類結(jié)果。
[0013]本發(fā)明的有益效果在于:提供了一種極化SAR圖像分類方法，其不僅利用了從極化SAR圖像本身提取的特征集合，同時(shí)利用了從兩個(gè)子孔徑圖像提取的各相應(yīng)特征的差值的集合，即兩種不同類型的特征集合，使得所提取的特征多層次、全面、豐富地反應(yīng)極化SAR圖像的特性；由于提取兩種不同類型的特征集合，繼而能夠使用分類精度更好、分類性能更好的針對(duì)多種類型特征進(jìn)行分類的決策樹分類模型；另外，將圖像僅分解為兩個(gè)子孔徑圖像，最大限度地保證了地面空間分辨率，從而保證了分類精度。
【專利附圖】

【附圖說明】
[0014]圖1是本發(fā)明實(shí)施例的極化SAR圖像分類方法的流程示意圖。
[0015]圖2是本發(fā)明實(shí)施例的方法與基于最大似然準(zhǔn)則的wi shart監(jiān)督分類以及單純利用極化分解特征的決策樹分類方法的分類結(jié)果的對(duì)比示意圖。
【具體實(shí)施方式】
[0016]為使本領(lǐng)域技術(shù)人員更好地理解本發(fā)明，下面參照附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行詳細(xì)說明。
[0017]圖1是本發(fā)明實(shí)施例的極化SAR圖像分類方法的流程示意圖。參見圖1，本發(fā)明實(shí)施例的極化SAR圖像分類方法，包括:S1:提取極化SAR圖像的特征:散射熵H、反熵A和散射角α，將所得到的特征集合(H，Α，α )作為第一特征集；S2:將極化SAR圖像分解為兩個(gè)子孔徑圖像后，分別提取兩個(gè)子孔徑圖像的特征:散射熵H、反熵A和散射角α，從而得到兩個(gè)子特征集(H1, A1, Q1), (H21A2, a2) ;S3:將兩個(gè)子特征集中的各相應(yīng)特征的值相減，得到各相應(yīng)特征的差值的集合(ΛΗ，ΛΑ，Λ α )作為第二特征集；S4:將第一特征集和第二特征集輸入到?jīng)Q策樹分類模型中，得到極化SAR圖像的分類結(jié)果。
[0018]本發(fā)明實(shí)施例的有益效果在于:不僅利用了從SAR圖像本身提取的特征集合，同時(shí)利用了從兩個(gè)子孔徑圖像提取的各相應(yīng)特征的差值的集合，即兩種不同類型的特征集合，使得所提取的特征多層次、全面、豐富地反應(yīng)SAR圖像的特性；由于提取兩種不同類型的特征集合，繼而能夠使用分類精度更好、分類性能更好的針對(duì)多種類型特征進(jìn)行分類的決策樹分類模型；另外，將圖像僅分解為兩個(gè)子孔徑圖像，最大限度地保證了地面空間分辨率，從而保證了分類精度。
[0019]值得說明的是，上述方法中，由于步驟S1、步驟S2處理順序的先后(甚至并行)不會(huì)影響到最終的分類結(jié)果，因此步驟SI與步驟S2并沒有明確的順序之分。[0020]具體而言，在SI步驟中，可以利用Cloude分解從極化SAR圖像提取第一特征集(H, Α, α);并且在S2步驟中，可以利用Cloude分解分別從兩個(gè)子孔徑圖像提取兩個(gè)子特征集(H1, A1, a J、(H2, A2, α 2)。Cloude分解是一種為本領(lǐng)域人員所知的對(duì)極化SAR圖像提取上述特征的分解方法，當(dāng)然也可以采用其他公知的分解方法。
[0021]通?？梢允褂冒≦UEST、C&R、CHAID等在內(nèi)的決策樹分類模型進(jìn)行分類。優(yōu)選地，本發(fā)明實(shí)施例所使用的決策樹分類模型為C5決策樹分類模型，經(jīng)測(cè)試表明，其進(jìn)行多特征分類的效果更好。由于本發(fā)明實(shí)施例提取了兩種不同類型的特征集合，即兩類特征(一類為極化SAR圖像本身的特征的集合，一類為極化SAR圖像的兩個(gè)子孔徑圖像各相應(yīng)特征的差值所形成的特征集合)，利用C5決策樹模型構(gòu)建極化SAR圖像的分類規(guī)則，能夠生成一個(gè)二叉樹結(jié)構(gòu)的分類規(guī)則文本，通過解譯二叉樹的葉子節(jié)點(diǎn)，可以分別得到每一類地物基于多種特征的分類依據(jù)，以便于進(jìn)一步研究地物的散射機(jī)理與特征之間的關(guān)系。從而很好地解決了現(xiàn)有技術(shù)中，要求樣本需符合特定的統(tǒng)計(jì)分布模型以及所生成的分類規(guī)則較難解譯的缺陷。
[0022]此外，本發(fā)明實(shí)施例的極化SAR圖像分類方法中，步驟S4可以具體包括:S41:將第一特征集和第二特征集合并為目標(biāo)識(shí)別特征集；S42:利用決策樹分類模型對(duì)預(yù)定的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以構(gòu)建用于目標(biāo)識(shí)別的規(guī)則；S43:利用決策樹分類模型根據(jù)規(guī)則對(duì)目標(biāo)識(shí)別特征集進(jìn)行分類，得到極化SAR圖像的分類結(jié)果。
[0023]在下面的描述中，還將進(jìn)一步對(duì)本發(fā)明實(shí)施例的分類方法的性能與傳統(tǒng)方法之間的性能進(jìn)行分析與比較。
[0024]參考圖2，圖2是本發(fā)明實(shí)施例的方法與基于最大似然準(zhǔn)則的wishart監(jiān)督分類、以及單純利用極化分解特征的決策樹分類方法(圖中示為:H/A/a-C5)的分類結(jié)果的對(duì)比示意圖。從分類的整體效果來看，本發(fā)明實(shí)施例的方法與Η/Α/α -C5分類方法(均使用了決策樹分類方法)能夠?qū)⒏鞣N地物類型清晰的體現(xiàn)出來，具有較好的地物表現(xiàn)力，而在wishart監(jiān)督分類方法的結(jié)果中斜建筑與稀疏植被出現(xiàn)大量的混分?；诘匚锏南闰?yàn)知識(shí)，分析三種方法分類結(jié)果的細(xì)節(jié)效果，其中，wishart監(jiān)督分類的分類結(jié)果并沒有將茂密植被與稀疏植很好的區(qū)分出來，裸地和稀疏植被的混合程度大且各類別的邊界比較模糊；在H/A/Q-C5的分類結(jié)果中一部分稀疏植被被錯(cuò)分到斜建筑和裸地，且城區(qū)中裸地和建筑的邊界細(xì)節(jié)目視效果較差；從本發(fā)明提出方法的分類細(xì)節(jié)來看，類別之間的邊界非常明顯，道路的脈絡(luò)更加清晰，并且斜建筑和稀疏植被的錯(cuò)分現(xiàn)象也得到顯著改善。
[0025]下面三個(gè)表格分別示出了三種分類方法的混淆矩陣。
[0026]wishart監(jiān)督分類方法的混淆矩陣
【權(quán)利要求】
1.一種極化SAR圖像分類方法，包括: 51:提取極化SAR圖像的特征:散射熵H、反熵A和散射角α，將所得到的特征集合(H, Α, α)作為第一特征集； 52:將所述極化SAR圖像分解為兩個(gè)子孔徑圖像后，分別提取所述兩個(gè)子孔徑圖像的特征:散射熵H、反熵A和散射角α，從而得到兩個(gè)子特征集(HpA1, a ^ , (H2, A2, α 2)； S3:將所述兩個(gè)子特征集中的各相應(yīng)特征的值相減，得到所述各相應(yīng)特征的差值的集合(ΛΗ，ΛΑ，Λ α)作為第二特征集； S4:將所述第一特征集和所述第二特征集輸入到?jīng)Q策樹分類模型中，得到所述極化SAR圖像的分類結(jié)果。
2.如權(quán)利要求1所述的極化SAR圖像分類方法，其特征在于: 在SI步驟中，利用Cloude分解從所述極化SAR圖像提取所述第一特征集(H，Α，α )；并且 在S2步驟中，利用Cloude分解分別從所述兩個(gè)子孔徑圖像提取所述兩個(gè)子特征集(H1, A1, ct J)、(H2, A2, α 2)。
3.如權(quán)利要求1或2所述的極化SAR圖像分類方法，其特征在于: 所述決策樹分類模型為C5決策樹分類模型。
4.如權(quán)利要求1所述的極化SAR圖像分類方法，其特征在于，步驟S4具體包括: 541:將所述第一特征集和所述第二特征集合并為目標(biāo)識(shí)別特征集；542:利用所述決策樹分類模型對(duì)預(yù)定的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以構(gòu)建用于目標(biāo)識(shí)別的規(guī)則； 543:利用所述決策樹分類模型根據(jù)所述規(guī)則對(duì)所述目標(biāo)識(shí)別特征集進(jìn)行分類，得到所述極化SAR圖像的分類結(jié)果。
【文檔編號(hào)】G06K9/46GK103617427SQ201310685303
【公開日】2014年3月5日 申請(qǐng)日期:2013年12月13日 優(yōu)先權(quán)日:2013年12月13日
【發(fā)明者】鄧?yán)? 孫晨, 趙文吉 申請(qǐng)人:首都師范大學(xué)