基于視覺先驗(yàn)?zāi)Ｐ偷臉O化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)分類準(zhǔn)確度低的問題。其分類步驟為：對(duì)極化SAR原始相干矩陣T進(jìn)行重排得到重排矩陣Tr，并用主成分分析方法對(duì)Tr進(jìn)行處理，得到白化矩陣W；用基于視覺先驗(yàn)?zāi)Ｐ偷姆椒▽?duì)Tr進(jìn)行字典學(xué)習(xí)，得到自適應(yīng)字典θu；將重排矩陣Tr和自適應(yīng)字典θu作為輸入數(shù)據(jù)，利用最大后驗(yàn)概率估計(jì)方法計(jì)算Tr中所有像元的稀疏系數(shù)并組合得到極化SAR圖像的稀疏系數(shù)Y，并用K均值算法對(duì)Y進(jìn)行初始聚類，得到聚類標(biāo)簽；用聚類標(biāo)簽對(duì)矩陣T進(jìn)行復(fù)迭代分類并上色，得到最終彩色分類結(jié)果圖。本發(fā)明具有自適應(yīng)性和普適性強(qiáng)、分類結(jié)果圖像細(xì)節(jié)信息保留完整、分類準(zhǔn)確度高的優(yōu)點(diǎn)，可用于極化SAR圖像目標(biāo)識(shí)別。
【專利說明】基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，具體地說是一種極化SAR圖像的分類方法，可應(yīng)用于極化SAR的目標(biāo)檢測(cè)和目標(biāo)識(shí)別。
【背景技術(shù)】
[0002]合成孔徑雷達(dá)SAR是一種主動(dòng)式高分辨有源微波遙感成像雷達(dá)，其研究始于20世紀(jì)50年代初，而極化SAR是SAR的一個(gè)重要分支。它是一種相干多通道微波成像系統(tǒng)，通過調(diào)整收發(fā)電磁波的極化方式可以獲得每個(gè)分辨單元的極化散射矩陣，包含有豐富的地物信息，極大地增強(qiáng)了成像雷達(dá)對(duì)目標(biāo)信息的獲取能力。極化SAR圖像分類是圖像解譯的重要步驟，是邊緣提取、目標(biāo)檢測(cè)和識(shí)別的基礎(chǔ)，可廣泛應(yīng)用于軍事偵察、地形測(cè)繪、農(nóng)作物生長監(jiān)測(cè)等領(lǐng)域。
[0003]現(xiàn)有的極化SAR分類技術(shù)主要集中于如何充分利用極化散射回波中的信息以提高分類精度。目前經(jīng)典分類方法有:
[0004]1997年，Cloude和Pottier提出的基于Η/ α極化分解的分類方法，并成為基于散射機(jī)制進(jìn)行極化SAR圖像分類的典型代表。見Cloude S R, Pottier E.An entropy basedclassification scheme for land applications of polarimetric SAR[J].1EEE Trans.Geosc1.Remote Sensing.1997, 35(1): 549-557.[0005]1999年,Lee等人提出了基于Η/α目標(biāo)分解和復(fù)Wishart分類器的H/a-Wishart分類方法，見 Lee J S, Grunes M R, Ainsworth T L, et al.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].1EEE Classification using polarimetric decomposition and the complex wishartclassifier [J].1EEE Trans.Geosci Remote Sensing.1999, 37 (5):2249-2258.該方法是在原始Η/α分類基礎(chǔ)上增加復(fù)Wishart迭代分類過程，主要是利用復(fù)Wishart分類器對(duì)Η/α劃分后的8個(gè)類別中的每一個(gè)像素進(jìn)行類別重新劃分，從而提高分類的精度。但是該算法存在的不足是:不能很好的保持各類的極化散射特性，且由于將分類類別數(shù)固定為8類，不能適應(yīng)不同類別數(shù)的地物分類，因此對(duì)于類別多于8類或少于8類的數(shù)據(jù)來說，該算法的分類效果會(huì)有所影響。
[0006]2004年，Lee等人又提出了一種基于Freeman分解的性能優(yōu)良的極化SAR分類算法，見 Lee J S, et al.Unsupervised terrain classification preservingpolarimetric scattering characteristics[J].1EEE Trans.Geosci RemoteSensing.2004，42 (4): 722-731.該算法思想簡(jiǎn)單，易于理解，很好地保持各類的極化散射特性，但是該算法仍然存在著一定的局限性，最終分類結(jié)果易受Freeman分解性能的影響，對(duì)于不同波段的極化數(shù)據(jù)該算法的普適性差。
[0007]隨著各種極化SAR系統(tǒng)獲取的地面數(shù)據(jù)日益增加，對(duì)于分類方法的自適應(yīng)性及普適性的要求越來越高，分類效果的評(píng)價(jià)也逐漸嚴(yán)苛起來，如細(xì)節(jié)信息的完整性，圖像分類精度等。上述這些方法盡管提高了圖像分類效果，但是仍然存在不能適應(yīng)不同波段極化數(shù)據(jù)及不同類別數(shù)的地物分類，圖像細(xì)節(jié)信息保持較差，分類準(zhǔn)確度低等問題。

【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR圖像分類方法，自適應(yīng)地尋找并充分挖掘極化數(shù)據(jù)的結(jié)構(gòu)特征，以克服傳統(tǒng)方法自適應(yīng)性和普適性差的缺陷，同時(shí)提高極化SAR圖像的分類精度，保持圖像的細(xì)節(jié)部分。
[0009]實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是:使用視覺先驗(yàn)?zāi)Ｐ蛯?duì)極化SAR數(shù)據(jù)進(jìn)行建模，通過多次迭代學(xué)習(xí)得到具有判別性的字典，從而得到極化數(shù)據(jù)用字典表示的稀疏系數(shù)，再利用K均值聚類算法和復(fù)Wishart分類器對(duì)圖像進(jìn)行兩次類別劃分得到最終的分類結(jié)果。其具體實(shí)現(xiàn)步驟包括如下:
[0010](1)將極化SAR的原始相干矩陣T作為輸入數(shù)據(jù)，對(duì)矩陣T中元素進(jìn)行重新排列，得到重排矩陣?；;
[0011 ] (2)用主成分分析PCA方法對(duì)重排矩陣?；進(jìn)行處理，得到矩陣Tr的白化矩陣W ；
[0012](3)用基于視覺先驗(yàn)?zāi)Ｐ偷淖值鋵W(xué)習(xí)方法對(duì)重排矩陣?；進(jìn)行字典學(xué)習(xí)，得到針對(duì)待分類極化SAR圖像的自適應(yīng)字典0u:
[0013]3a)初始化視覺先驗(yàn)?zāi)Ｐ偷膮?shù):設(shè)初始迭代計(jì)數(shù)i = 0，模型中神經(jīng)元個(gè)數(shù)j =15，神經(jīng)元中方向向量Bi的列數(shù)k = 30，初始自適應(yīng)字典Θ i由方向向量&和權(quán)值民組成Θ i = {RJJ，方向向量&是大小為8Xk的隨機(jī)矩陣，權(quán)值民是大小為kXj的隨機(jī)矩陣；
[0014]3b)從重排矩陣?；中隨機(jī)獨(dú)立地選取100個(gè)像元作為每次迭代時(shí)的訓(xùn)練樣本xi;對(duì)訓(xùn)練樣本xi進(jìn)行零均值和 白化處理，得到預(yù)處理樣本χ/:
[0015]Xj' = WX (xj-mean(xj))；
[0016]3c)輸入預(yù)處理樣本x/和初始自適應(yīng)字典Θ ,，通過最大后驗(yàn)概率估計(jì)方法計(jì)算稀疏系數(shù)yij:
[0017]Yij = argmaxp (y^.Θ i； χ/ )
[0018]其中，P(yu| θ ρχ/ )是稀疏系數(shù)的后驗(yàn)概率,argmax表示稀疏系數(shù)是使P(yijl 9 i, x/ )取最大值時(shí)的值；
[0019]3d)將3c)中得到的稀疏系數(shù)yij作為輸入數(shù)據(jù)，用最大似然估計(jì)方法更新自適應(yīng)字典，得到更新后的自適應(yīng)字典0i+1:
[0020]Θ i+1 = argmaxlog [p (χ/ | Θ i； yiJ) p (y^.)]，
[0021]其中，argmax表示 Θ i+1 是使 log[p (χ/ | Θ y^.)p (y^)]取最大值時(shí)的值，p &)是稀疏系數(shù)的先驗(yàn)概率，P (Xi, I Θ i，YiJ)是預(yù)處理樣本Xi，的后驗(yàn)概率；
[0022]3e)迭代計(jì)數(shù)i=i+l，重復(fù)步驟3b)_3d)直到迭代計(jì)數(shù)i等于給定的迭代次數(shù)u=5000，得到最終的自適應(yīng)字典Θ u ；
[0023](4)將重排矩陣?；和步驟(3)中學(xué)習(xí)到的自適應(yīng)字典0u作為輸入數(shù)據(jù)，根據(jù)下式，利用最大后驗(yàn)概率估計(jì)方法計(jì)算矩陣?；中每個(gè)像元的稀疏系數(shù)ya:
[0024]ya = argmaxp (yj Θ u, Tr)a = 1, 2,..., N ；
[0025]將所有像元的稀疏系數(shù)組合在一起，得到極化SAR圖像的稀疏系數(shù):
[0026]Υ = {Υι, y2,..., yN}，其中，N表示重排矩陣?；中像元的數(shù)目；
[0027](5)用Κ均值聚類算法對(duì)極化SAR圖像稀疏系數(shù)Υ進(jìn)行初始類別劃分，得到極化SAR 圖像的聚類標(biāo)簽{Classy Class2,..., Class} ；
[0028](6)將原始極化SAR相干矩陣T和步驟(5)獲得的最終的聚類標(biāo)簽{Class” Class2,..., ClassJ作為輸入數(shù)據(jù)，用復(fù)Wishart迭代方法對(duì)極化SAR圖像進(jìn)行二
次分類，得到最終分類結(jié)果{F/z)，F(xiàn)2(z),..., F,)}；
[0029](7)用紅色R、綠色G、藍(lán)色B三個(gè)顏色分量作為三基色，給步驟(6)得到的分類結(jié)果上色，得到最終彩色分類結(jié)果圖，并將此結(jié)果作為最終的分類結(jié)果。
[0030]本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn):
[0031]1、本發(fā)明使用視覺先驗(yàn)?zāi)Ｐ偷姆蔷€性特性對(duì)極化SAR數(shù)據(jù)的結(jié)構(gòu)信息進(jìn)行充分挖掘，提取出一種新的極化數(shù)據(jù)特征，該特征相對(duì)于傳統(tǒng)極化目標(biāo)分解特征，具有更強(qiáng)的自適應(yīng)性和普適性，分類效果更好；
[0032]2、本發(fā)明由于采用了基于視覺先驗(yàn)?zāi)Ｐ偷淖值溆?xùn)練，訓(xùn)練樣本是在待分類極化SAR圖像中隨機(jī)選取，不需要人工選擇，所以算法更方便簡(jiǎn)單，并保證了圖像信息細(xì)節(jié)的完整性；
[0033]3、本發(fā)明將K-means的聚類結(jié)果作為復(fù)Wishart分類器的初始類別，有效利用了極化矩陣的復(fù)Wishart分布特點(diǎn)，彌補(bǔ)了 K-means初始聚類未考慮極化信息的缺陷，更好地保證了地物區(qū)域的一致性，對(duì)分類器的性能有很大的提高；
[0034]4、仿真結(jié)果表明，本發(fā)明方法較經(jīng)典的Η/ a _Wishart分類方法和Freeman-ffishart分類方法能更有效的進(jìn)行極化SAR圖像的分類。
【專利附圖】

【附圖說明】
[0035]圖1是本發(fā)明的實(shí)現(xiàn)流程圖；
[0036]圖2是用本發(fā)明與現(xiàn)有兩種方法的分類實(shí)驗(yàn)結(jié)果對(duì)比圖；
[0037]圖3是用本發(fā)明與現(xiàn)有兩種方法的分類實(shí)驗(yàn)結(jié)果對(duì)比圖。
【具體實(shí)施方式】
[0038]參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下:
[0039]步驟一.將極化SAR的原始相干矩陣T作為輸入數(shù)據(jù)，對(duì)矩陣T中元素進(jìn)行重新排列，得到重排矩陣?；。
[0040]la)讀入有N個(gè)像元的極化相干矩陣T，每個(gè)像元為一個(gè)含有9個(gè)元素的3X3極化相干矩陣T3:
[0041 ]
【權(quán)利要求】
1.一種基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR圖像分類方法，包括如下步驟:(1)將極化SAR的原始相干矩陣T作為輸入數(shù)據(jù)，對(duì)矩陣T中元素進(jìn)行重新排列，得到重排矩陣?；;(2)用主成分分析PCA方法對(duì)重排矩陣?；進(jìn)行處理，得到矩陣?；的白化矩陣W；(3)用基于視覺先驗(yàn)?zāi)Ｐ偷淖值鋵W(xué)習(xí)方法對(duì)重排矩陣?；進(jìn)行字典學(xué)習(xí)，得到針對(duì)待分類極化SAR圖像的自適應(yīng)字典Θ u:3a)初始化視覺先驗(yàn)?zāi)Ｐ偷膮?shù):設(shè)初始迭代計(jì)數(shù)i = 0,模型中神經(jīng)元個(gè)數(shù)j = 15,神經(jīng)元中方向向量氏的列數(shù)k = 30，初始自適應(yīng)字典Θ i由方向向量&和權(quán)值民組成={Ri, BJ，方向向量Bi是大小為8Xk的隨機(jī)矩陣，權(quán)值民是大小為kX j的隨機(jī)矩陣；3b)從重排矩陣?；中隨機(jī)獨(dú)立地選取100個(gè)像元作為每次迭代時(shí)的訓(xùn)練樣本Xi，對(duì)每次迭代時(shí)的訓(xùn)練樣本Xi進(jìn)行零均值和白化處理，得到預(yù)處理樣本x/:Xj' = WX (xj-mean(xj))；3c)輸入預(yù)處理樣本χ/和初始自適應(yīng)字典，通過最大后驗(yàn)概率估計(jì)方法計(jì)算稀疏系數(shù)Yij:Yij = argmaxp (y^.| Θ i, Xi')其中，P(yijl 9 i, Xi；)是稀疏系數(shù)的后驗(yàn)概率，argmax表示稀疏系數(shù)是使P(yijl 9 i, x/ )取最大值時(shí)的值；3d)將3c)中得到的稀疏系數(shù)yu作為輸入數(shù)據(jù)，用最大似然估計(jì)方法更新自適應(yīng)字典，得到更新后的自適應(yīng)字典0i+1:Θ i+1 = argmaxlog [p (χ/ | Θ i； y^.) p (yj ]，其中，argmax表示Θ i+1是使log[p (χ/ | Θ ” yu)p (yij)]取最大值時(shí)的值，p (yij)是稀疏系數(shù)yu的先驗(yàn)概率，p (Xi' I Θ i, Yij)是預(yù)處理樣本Xi'的后驗(yàn)概率；3e)迭代計(jì)數(shù)i = i+1，重復(fù)步驟3b)-3d)直到迭代計(jì)數(shù)i等于給定的迭代次數(shù)u=5000，得到最終的自適應(yīng)字典0u;(4)將重排矩陣?；和步驟(3)中學(xué)習(xí)到的自適應(yīng)字典9u作為輸入數(shù)據(jù)，根據(jù)下式，利用最大后驗(yàn)概率估計(jì)方法計(jì)算矩陣?；中每個(gè)像元的稀疏系數(shù)ya:ya = argmaxp (ya | Θ u, Tr) a = 1, 2,..., N ；將所有像元的稀疏系數(shù)組合在一起，得到極化SAR圖像的稀疏系數(shù):Y = {yi, y2,..., yN}，其中，N表示重排矩陣?；中像元的數(shù)目；(5)用Κ均值聚類算法對(duì)極化SAR圖像稀疏系數(shù)Υ進(jìn)行初始類別劃分，得到極化SAR圖像的最終的聚類標(biāo)簽{Class” Class2,..., ClassJ ； (6)將原始極化SAR相干矩陣T和步驟(5)獲得的最終的聚類標(biāo)簽{Class” Class2,..., ClassJ作為輸入數(shù)據(jù)，用復(fù)Wishart迭代方法對(duì)極化SAR圖像進(jìn)行二次分類，得到最終分類結(jié)果{F/z)，F(xiàn)2(z),..., F,)}；(7)用紅色R、綠色G、藍(lán)色B三個(gè)顏色分量作為三基色，給步驟(6)得到的分類結(jié)果{F/'F^)，...，匕(2)}上色，得到最終彩色分類結(jié)果圖，并將此結(jié)果作為最終的分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR分類方法，其特征在于:步驟(1)所述的將極化SAR的原始相干矩陣T作為輸入數(shù)據(jù)，對(duì)矩陣T中元素進(jìn)行重新排列，得到新矩陣?；，按如下步驟進(jìn)行:la)讀入有N個(gè)像元的極化相干矩陣Τ，每個(gè)像元為一個(gè)含有9個(gè)元素的3 X 3極化相干矩陣Τ3:
3.根據(jù)權(quán)利要求1所述的基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR分類方法，其特征在于:步驟(2)所述的用主成分分析PCA方法對(duì)重排矩陣?；進(jìn)行處理，得到矩陣?；的白化矩陣W，按如下步驟進(jìn)行:2a)從重排矩陣?；中先獨(dú)立隨機(jī)地選取η個(gè)像元作為計(jì)算白化矩陣的訓(xùn)練樣本X，η=10000,再對(duì)該訓(xùn)練樣本X進(jìn)行零均值處理，得到零均值矩陣ΧΜ:XM = X-mean (X)其中，mean (.)代表對(duì)矩陣X按列取均值；2b)計(jì)算零均值矩陣XM的協(xié)方差矩陣C:
4.根據(jù)權(quán)利要求1所述的基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR分類方法，其特征在于:步驟(5)所述的用Κ均值聚類算法對(duì)極化SAR圖像稀疏系數(shù)Υ進(jìn)行初始類別劃分，得到極化SAR圖像的最終的聚類標(biāo)簽{Classy Class2,..., ClassJ，按如下步驟進(jìn)行:5a)根據(jù)實(shí)際地物類別數(shù)給聚類類別數(shù)1賦值，從極化SAR圖像稀疏系數(shù)Y中任意選擇1個(gè)對(duì)象作為初始聚類中心IK” K2，…，KJ ；5b)根據(jù)下式計(jì)算極化SAR圖像中第t個(gè)像元到第ν個(gè)聚類中心Kv的距離d(t，ν):
5.根據(jù)權(quán)利要求1所述的基于視覺先驗(yàn)?zāi)Ｐ偷臉O化SAR分類方法，其特征在于:步驟(6)所述的將原始極化SAR相干矩陣T和最終的聚類標(biāo)簽{ClaSSl，Class2,..., ClassJ作為輸入數(shù)據(jù)，用復(fù)Wishart迭代方法對(duì)極化SAR圖像進(jìn)行分類，得到最終分類結(jié)果{F/z)，F(xiàn)2(z)，...，F(xiàn)/z)}，按如下步驟進(jìn)行:6a)設(shè)初始迭代計(jì)數(shù)s=0,再利用最終的聚類標(biāo)簽{Classp Class2,..., ClassJ給原始相干矩陣T中每個(gè)像元?jiǎng)澐诸悇e，得到矩陣T的第s次迭代的共1個(gè)類別集合的劃分結(jié)果(F (s) F (s) F (s)1.6b)根據(jù)類別劃分結(jié)果^^^'...，^’，通過下式計(jì)算矩陣了中每個(gè)類別的聚類中心，得到第ν類的第s次迭代的聚類中心Av(s):為⑷二1,2，…,,，
【文檔編號(hào)】G06K9/66GK103714353SQ201410010708
【公開日】2014年4月9日 申請(qǐng)日期:2014年1月9日 優(yōu)先權(quán)日:2014年1月9日
【發(fā)明者】侯彪, 焦李成, 陳超, 王爽, 張向榮, 馬文萍, 馬晶晶 申請(qǐng)人:西安電子科技大學(xué)