基于匹配追蹤選擇集成的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于匹配追蹤選擇集成的極化SAR圖像分類方法，主要解決現有技術訓練樣本選擇難，運算復雜度高的問題。其實現步驟是：1.極化SAR圖像輸入，并進行特征提??；2.從提取特征后的極化SAR圖像每一類中選取已知類別的樣本組成訓練樣本集，并對訓練樣本集進行隨機劃分，形成多個訓練樣本子集；3.通過分類算法對每個樣本子集進行學習得到預測類別；4.基于每個訓練樣本子集的預測類別和已知類別得到相應的系數，將對應0系數的訓練樣本子集刪除；5.用權值系數將所得預測類別進行加權合得到最終的分類結果。本發(fā)明具有識別精度高，運算時間短，計算復雜度低的優(yōu)點，可用于對多種類型地物的分類和解析。
【專利說明】基于匹配追蹤選擇集成的極化SAR圖像分類方法

【技術領域】
[0001] 本發(fā)明屬于圖像處理【技術領域】，特別是涉及極化SAR，可用于地物類型解析，地物 分類。

【背景技術】
[0002] 極化合成孔徑雷達已經成為了一個非常熱門的研究方向。極化合成孔徑雷達被廣 泛的使用在目標探測，地物分類等眾多領域。極化SAR的數據形式是以矩陣作為表征，在 可以提供更為豐富的散射信息的同時也提高了數據的復雜度，其信息的提取和處理也更為 困難。因此對于這種復雜圖像來說，如何能夠有效的進行處理和解譯是如今迫切需要解決 的問題。機器學習技術在極化SAR圖像中的應用是最近開始受到學術界關注的研究方向之 一。機器學習專門研究計算機如何去模擬或實現人類的學習行為，從而獲取新的知識或技 能，使之不斷改善自身的性能。從機器學習的角度出發(fā)，極化SAR圖像分類可相當于一個有 監(jiān)督或無監(jiān)督的分類問題，自然可以使用一些機器學習的方法對極化SAR圖像分類。然而， 對于極化SAR圖像而言，因為地物目標的復雜性和不同于一般SAR的數據特性，這也就意味 著并不是所有的機器學習方法都對其是有效的。另一方面，對于一般的機器學習算法而言， 當有標記樣本數越多，則獲得的分類器性能可能越好。但是，因為雷達角度和地物形狀等多 種因素的影響不同，導致同一類地物產生不同的散射而不同類的地物產生類似的散射，所 以并不能保證數據越多性能越好，甚至有些樣本對于極化SAR分類是有害的.另外，處理的 樣本數越大，分類的復雜度越高。


【發(fā)明內容】

[0003] 本發(fā)明目的在于針對上述已有技術的不足，提出一種基于匹配追蹤選擇集成的極 化SAR圖像分類方法，以降低計算復雜度，提高圖像的分類準確率。
[0004] 為實現上述目的，本發(fā)明提供基于匹配追蹤選擇集成的極化SAR方法，包括如下 步驟：
[0005] (1)輸入包含有c類地物的極化SAR圖像：

【權利要求】
1. 一種基于匹配追蹤選擇集成的極化SAR圖像分類方法，包括如下步驟： (1)輸入包含有c類地物的極化SAR圖像，并進行特征提取，得到極化SAR圖像數據集 ，其中d是特征數； ⑵從極化SAR圖像數據集妒中選取已知其類別仏，…Yr"，Ym}，i = 1，…，m的多個樣 本點組成初始樣本集S，并對該樣本集S進行隨機劃分，獲得m個樣本子集{Sp…S^··，SJ， i = 1，...，m ; (3) 通過分類器算法分別對這m個子集進行學習分類，獲得其對應的 預測類別
(4) 基于子集Si對應的預測類別和其已知類別1，獲得對應于每一個訓練樣本子集的 權重系數a i，i = 1，…，m ; (5) 利用獲得的權重系數ai，將極化SAR圖像m個體樣本的分類結果合并在一起，得 到像素點最終的預測類別Label。
2. 根據權利要求1所述的方法，其中所述步驟1中提取c類地物極化SAR圖像的特征， 按如下步驟進行： 2a)提取相干矩陣特征T :
其中，上標*表示共軛，該相干矩陣特征為一個3 X 3矩陣； 2b)提取相干矩陣的三個特征值λ i λ 2和λ 3 :
其中，U3表示特征向量，上標表示共軛轉置； 2c)提取熵特征Η :
其中
2d)提取反熵特征A :
2e)提取角度特征α:
其中，
表示特征向量113中的第一個元素，α 2 = arccos(U3(2)), U3(2)表示特征向量 U3 中的第二個元素，a 3 = arccos(U3(3)), U3(3)表示 特征向量仏中的第三個元素。
3. 根據權利要求1所述的方法，其中步驟3所述的通過分類器算法分別對這m個子集 {Sp…Sr··，SJ進行學習分類，按如下步驟進行： 3a)計算每個訓練樣本子集Si的基于超平面的法向量Wi和偏差biaSi的最優(yōu)超平面 ：
其中上標t表示轉置； 3b)根據最優(yōu)超平面f(Si)得到預測類別類別比：
4. 根據權利要求1所述的方法，其中步驟4所述的基于子集Si對應的預測類別和其已 知類別Yi，獲得對應于每一個訓練樣本子集的權重系數a i，i = 1，…，m ;按如下步驟進行： 4a)預先給定初始的殘差氏，i = 1，···，!!!，并給出定循環(huán)次數或者誤差閾值； 4b)根據獲得的訓練樣本的預測類別{^，…tv··，hm}和初始的殘差氏，計算每一個個 體分類器的對應系數
取其中的最大值作為a _; 4c)計算出新的殘差R'i:R' iiRi-ciihi; 4d)根據新的殘差R' i計算得到新的一組系數
，將其中的每一個 系數與最大值進行對比，如果
，則更新〇_為amax= ai，否則，ai = 〇 ； 4e)當循環(huán)過程達到預定次數，或者誤差超過預先設定閾值時，結束整個過程，否則，重 復步驟4c)和4d)。
5. 根據權利要求1所述的方法，其中所述步驟5中利用獲得的權重系數a i，將極化SAR 圖像m個體樣本的分類結果合并在一起，通過如下公式進行：
其中Label表示最終預測類別，m表示個體樣本的個數，a i表示權重系數，h表示預測類 別。
【文檔編號】G06K9/62GK104217219SQ201410468698
【公開日】2014年12月17日 申請日期:2014年9月15日 優(yōu)先權日:2014年9月15日
【發(fā)明者】焦李成, 陳博, 王爽, 馬文萍, 劉紅英, 熊濤, 楊淑媛, 侯彪 申請人:西安電子科技大學