本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，更進(jìn)一步涉及一種極化sar地物分類方法，可適用于目標(biāo)識(shí)別和大場(chǎng)景的地物分類。
背景技術(shù)：
：隨著微波遙感技術(shù)的發(fā)展日新月異，作為其中典型代表之一的高分辨率極化合成孔徑雷達(dá)必然會(huì)成為sar領(lǐng)域的流行趨勢(shì)。雖然高分辨率極化合成孔徑雷達(dá)包含了豐富的后向散射信息，但實(shí)踐中發(fā)現(xiàn)，僅僅采用淺層極化特征已經(jīng)無(wú)法充分表達(dá)現(xiàn)實(shí)圖像中包含的復(fù)雜場(chǎng)景信息。極化sar圖像的分類涉及物理、概率論、模式識(shí)別、數(shù)據(jù)挖掘、信號(hào)處理等眾多學(xué)科，是圖像處理領(lǐng)域的重要分支之一。目前，極化sar圖像分類技術(shù)已經(jīng)廣泛應(yīng)用于軍事和民用等領(lǐng)域。目前針對(duì)極化sar圖像分類中的研究方法中，主要是基于極化散射矩陣s、極化相干矩陣t和極化協(xié)方差矩陣c進(jìn)行特征提取，常見的特征包括極化相干矩陣t的特征值和特征向量，以及采用cloude分解得到的散射熵h、散射角α和各向異性系數(shù)a和采用freeman分解得到的三種散射功率等。通過(guò)對(duì)比上述這些特征在不同類別之間的差異性，進(jìn)而實(shí)現(xiàn)極化sar圖像中不同地物目標(biāo)的分類，例如：首都師范大學(xué)在其申請(qǐng)的專利“極化sar圖像分類方法”(專利申請(qǐng)?zhí)枺?01310685303.7，公開號(hào)：cn103617427a)中提出了一種基于決策樹分類模型的分類方法。該方法提出的一種極化sar圖像分類方法包括：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；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)；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；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。該方法雖然可以提高分類結(jié)果的精度。但是，該方法由于分解圖像時(shí)子孔徑的個(gè)數(shù)與地面空間分辨率成反比，導(dǎo)致地面空間分辨率由于子孔徑的個(gè)數(shù)增加而降低，使最終的分類精度受限。武漢大學(xué)在其申請(qǐng)的專利“一種基于條件隨機(jī)場(chǎng)模型的sar圖像監(jiān)督分類方法”(專利申請(qǐng)?zhí)枺?01010256689.6，公開號(hào)：cn101950363a)中提出了一種基于條件隨機(jī)場(chǎng)模型的sar圖像分類方法。該方法提出的一種sar圖像分類方法包括：將圖像過(guò)分割成多個(gè)區(qū)域；將多個(gè)區(qū)域描述成一個(gè)區(qū)域連接圖rag；建立條件隨機(jī)場(chǎng)crf模型。該方法雖然可以結(jié)合更多更復(fù)雜的sar圖像特征和合適的圖像上下文間的關(guān)系，從而獲得更加魯棒的分類結(jié)果。但是該方法的不足之處是：針對(duì)不同數(shù)據(jù)期望得到同樣良好的分類精度，需要進(jìn)行不同的特征選擇，這顯然大大增加了科研人員的工作量，而且，經(jīng)典sar圖像特征對(duì)于圖像的表達(dá)并不充分，這同樣會(huì)對(duì)該方法的分類結(jié)果造成一定影響。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于淺層特征與t矩陣深度學(xué)習(xí)的極化sar分類方法，以實(shí)現(xiàn)對(duì)極化合成孔徑雷達(dá)圖像原始數(shù)據(jù)的有效表示，并且充分利用極化sar數(shù)據(jù)的極化特征，提高分類目標(biāo)的準(zhǔn)確性。為實(shí)現(xiàn)上述目的，本發(fā)明目的技術(shù)方案包括如下：(1)輸入原始極化sar圖像，并對(duì)該圖像進(jìn)行濾波處理，去除圖像中的斑點(diǎn)噪聲，獲得濾波后的極化sar圖像；(2)提取其淺層極化特征，該淺層極化特征包括散射熵h、散射角α和各向異性系數(shù)a這三種特征；(3)將提取得到的三種淺層極化特征h、α、a與極化相干矩陣t進(jìn)行數(shù)據(jù)融合，構(gòu)造訓(xùn)練樣本和測(cè)試樣本；(4)利用卷積神經(jīng)網(wǎng)絡(luò)cnn對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，得到能對(duì)數(shù)據(jù)進(jìn)行特征表示的訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；(5)采用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行特征提取，并且通過(guò)softmax分類器，得到最終分類結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：1)分類更加精確由于本發(fā)明采用極化淺層特征與極化相干矩陣進(jìn)行數(shù)據(jù)融合的方法構(gòu)造訓(xùn)練數(shù)據(jù)和測(cè)試樣本，從而使其樣本中包含的極化合成孔徑雷達(dá)圖像信息更加豐富，充分挖掘了極化合成孔徑雷達(dá)圖像中地物之間的可區(qū)分信息，使其樣本中類間距變大，類內(nèi)距變小，這樣可以更容易找到性能優(yōu)良的目標(biāo)函數(shù)，進(jìn)而得到的分類結(jié)果更加準(zhǔn)確。2)提高同譜異物和同物異譜的分類準(zhǔn)確性本發(fā)明由于預(yù)先對(duì)極化sar圖像提取了極化特征，再將其與極化相干矩陣t進(jìn)行數(shù)據(jù)融合，基于融合數(shù)據(jù)進(jìn)行學(xué)習(xí)和分類，同時(shí)在訓(xùn)練過(guò)程中基于塊進(jìn)行處理，最終能夠?qū)ι⑸湫畔⑾嘟牟煌匚锛赐V異物和散射信息差異明顯的同一地物即同物異譜實(shí)現(xiàn)很好的分類。附圖說(shuō)明圖1是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是本發(fā)明仿真使用的極化sar數(shù)據(jù)的paulirgb合成圖；圖3是本發(fā)明仿真使用的極化sar數(shù)據(jù)的真實(shí)地物標(biāo)記圖；圖4是用現(xiàn)有支持向量機(jī)svm對(duì)圖2的分類結(jié)果圖；圖5是用現(xiàn)有基于h、a、α的監(jiān)督wishart分類方法對(duì)圖2的分類結(jié)果圖；圖6是用本發(fā)明對(duì)圖2的分類結(jié)果圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例和效果作進(jìn)一步詳細(xì)描述。參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：步驟1.對(duì)原始極化sar圖像進(jìn)行濾波處理。輸入待分類的極化sar圖像，采用polsarpro_v4.0軟件中的精致極化lee濾波器，通過(guò)大小為7×7的像素滑動(dòng)窗口，去除待分類圖像中的斑點(diǎn)噪聲，獲得濾波后的極化sar圖像。步驟2.提取濾波后的極化sar圖像的極化淺層特征。現(xiàn)有提取極化淺層特征的常用方法包括freeman分解和cloude分解，本實(shí)例采用cloude分解方法對(duì)濾波后的極化sar圖像提取極化淺層特征，其步驟如下：(2a)按如下公式將極化相干矩陣t進(jìn)行相似對(duì)角化處理：其中，h表示共軛轉(zhuǎn)置；λ1、λ2、λ3表示濾波后的極化相干矩陣t的三個(gè)不同的特征值；e1表示第一特征值λ1對(duì)應(yīng)的特征向量；e2表示第二特征值λ2對(duì)應(yīng)的特征向量；e3表示第三特征值λ3對(duì)應(yīng)的特征向量，每一個(gè)特征值對(duì)應(yīng)的特征向量如下：其中αi表示目標(biāo)的第i個(gè)散射角，其取值范圍為[0,90°]；βi表示目標(biāo)的第i個(gè)方位角，其取值范圍為[-180°,180°]；表示目標(biāo)的水平發(fā)射水平接收hh通道與vv通道相位角之和；δ表示目標(biāo)的2倍水平發(fā)射水平接收vv通道相位角；γ表示目標(biāo)的與水平發(fā)射垂直接收hv通道相位角之差；(2b)根據(jù)三個(gè)不同的特征值λ1、λ2、λ3，得到如下極化特征：散射角：α＝p1α1+p2α2+p3α3散射熵：h＝p1log3(p1)+p2log3(p2)+p3log3(p3)各向異性系數(shù)：式中α1是目標(biāo)的第1個(gè)散射角，α2是目標(biāo)的第2個(gè)散射角，α3是目標(biāo)的第3個(gè)散射角；是第一特征值和三個(gè)特征值和的比值，是第二特征值和三個(gè)特征值和的比值，是第三特征值和三個(gè)特征值和的比值；步驟3.構(gòu)造訓(xùn)練樣本和測(cè)試樣本。將提取得到的三種淺層極化特征h、α、a與極化相干矩陣t進(jìn)行數(shù)據(jù)融合，構(gòu)造訓(xùn)練樣本和測(cè)試樣本，按如下步驟進(jìn)行：(3a)通過(guò)如下極化散射矩陣s表示單個(gè)像素散射特性：其中，h表示水平極化，v表示垂直極化，shh表示水平發(fā)射水平接收的回波數(shù)據(jù)，svv表示垂直發(fā)射垂直接收的回波數(shù)據(jù)，shv表示水平發(fā)射垂直接收的回波數(shù)據(jù)，svh表示垂直發(fā)射水平接收的回波數(shù)據(jù)；(3b)基于極化散射矩陣s推導(dǎo)極化相干矩陣t，即將極化散射矩陣s對(duì)空間求集合平均進(jìn)而得到極化相干矩陣t：其中*代表共軛處理，<·>表示在假設(shè)隨機(jī)散射介質(zhì)各向同性下的空間統(tǒng)計(jì)平均，a＝shh+svv，b＝shh-svv，c＝2shv；(3c)根據(jù)極化相干矩陣t、散射熵h、散射角α和各向異性系數(shù)a，構(gòu)造大小為4×4的矩陣u，其中矩陣的具體形式如下：(3d)依據(jù)待分類極化sar圖像中地物種類的數(shù)目，在不同類別中分別選取區(qū)域制作訓(xùn)練樣本，即從選定區(qū)域中的左上角依次從左向右、從上向下滑動(dòng)一個(gè)像素，取大小為10×10的塊，將塊中每個(gè)像素由上述矩陣u代替，得到大小為40×40的訓(xùn)練樣本；(3e)將待分類的整張極化sar圖像按照步驟(3d)進(jìn)行取塊，得到測(cè)試樣本。步驟4.利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)。(4a)設(shè)定初始網(wǎng)絡(luò)初始結(jié)構(gòu)和參數(shù)：網(wǎng)絡(luò)結(jié)構(gòu)為7層，1個(gè)輸入層，1個(gè)輸出層，2個(gè)卷積層，2個(gè)下采樣層，1個(gè)全連接的隱藏層；迭代次數(shù)n＝1，學(xué)習(xí)率α＝1；(4b)從訓(xùn)練樣本中依次選取一個(gè)樣本，將該樣本輸入到網(wǎng)絡(luò)中；(4c)計(jì)算相應(yīng)的實(shí)際輸出：先通過(guò)第一層卷積層進(jìn)行初次特征提取，再通過(guò)第一層下采樣層進(jìn)行數(shù)據(jù)的降維，對(duì)于降維后的結(jié)果再經(jīng)過(guò)卷積和下采樣處理，得到最終的前向傳遞計(jì)算結(jié)果；(4d)選取的代價(jià)函數(shù)，計(jì)算實(shí)際輸出結(jié)果與理想輸出結(jié)果之間的差值，其中選取的代價(jià)函數(shù)e為：其中表示第n個(gè)樣本對(duì)應(yīng)的標(biāo)簽的第k維，表示第n個(gè)樣本對(duì)應(yīng)的網(wǎng)絡(luò)輸出的第k個(gè)輸出，c代表類別數(shù)量；(4e)采用反向傳導(dǎo)算法進(jìn)行參數(shù)的更新：其中j(w,b)為整體代價(jià)函數(shù)，是第l層第j單元與第l+1層第i單元之間的聯(lián)接參數(shù)，是第l+1層第i單元的偏置項(xiàng)；(4f)判斷訓(xùn)練樣本是否完成訓(xùn)練：若訓(xùn)練樣本都已完成訓(xùn)練，則執(zhí)行步驟(4g)，否則，返回步驟(4b)；(4g)令n＝n+1進(jìn)行下一次迭代，判斷迭代次數(shù)n是否等于200，若是，結(jié)束訓(xùn)練，執(zhí)行步驟(5)，否則返回步驟(4b)。步驟5.對(duì)測(cè)試樣本進(jìn)行分類。首先利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，然后采用softmax分類器對(duì)樣本進(jìn)行分類，得到分類結(jié)果。在全部樣本都完成分類的極化sar圖像上，將紅色、綠色、藍(lán)色三個(gè)顏色作為三基色，按照一定比例混合三基色得到9種不同顏色來(lái)對(duì)分類結(jié)果進(jìn)行上色，其中分類結(jié)果中相同類別上相同的顏色。本發(fā)明的效果可通過(guò)以下仿真進(jìn)一步說(shuō)明。1.仿真條件仿真在windows7旗艦版上進(jìn)行，cpu基本頻率為2.2ghz*16，利用polsarpro_v4.0軟件獲取極化相干矩陣t和pauli分解得到如圖2所示的偽彩圖像，其大小為750×1024。2.仿真內(nèi)容本發(fā)明將圖2所示的荷蘭弗萊福蘭省flevoland極化sar數(shù)據(jù)作為測(cè)試圖像，依據(jù)圖3的真實(shí)地物標(biāo)記對(duì)每個(gè)類別進(jìn)行取樣，制作訓(xùn)練樣本庫(kù)，將整副圖像作為測(cè)試樣本庫(kù)。仿真一，用現(xiàn)有的支持向量機(jī)svm分類方法對(duì)圖2進(jìn)行分類，分類結(jié)果如圖4。仿真二，用現(xiàn)有的基于h、a、α的監(jiān)督wishart分類方法對(duì)圖2進(jìn)行分類，分類結(jié)果如圖5。仿真三，用本發(fā)明對(duì)圖2進(jìn)行分類，分類結(jié)果如圖6。三個(gè)仿真實(shí)驗(yàn)每類的正確率及總的正確率，如表1。表1landusessvmwishart本發(fā)明sar分類方baresoil051.4％97.6％peas34.3％0100％wheat225.7％0100％water0097.5％rapeseed57.1％097.5％lucerne28.6％2.9％83.3％forest61.4％098.4％stembeans042.9％0barley12.9％084.6％average24.4％10.8％84.3％3.仿真效果分析由圖6和表1可見，本發(fā)明方法能夠?qū)O化sar中弱散射地物實(shí)現(xiàn)有效的分類，并且在9種地物中除去stembeans這一地物均實(shí)現(xiàn)很高的分類精度；同時(shí)對(duì)于散射強(qiáng)度不同的同一地物也可實(shí)現(xiàn)較高精確度的分類，尤其在極化sar圖像右上角散射強(qiáng)度不同的海洋地物取得了很高的分類精度，以及對(duì)于散射信息相近的不同地物也取得了很高的分類精度。當(dāng)前第1頁(yè)12