一种基于超像素特征的低秩表示的极化SAR图像分类方法技术

技术编号:15555442 阅读:112 留言:0更新日期:2017-06-09 10:43
本发明专利技术公开了一种基于超像素特征的低秩表示的极化SAR图像分类方法,主要提高了现有经典算法在边缘的分类正确率的问题。主要过程:(1)对极化SAR数据进行Freeman分解,得到表面散射能量,体散射能量和二次散射能量,通过这三个能量计算散射功率熵和共极化比;(2)对RGB合成图进行超像素处理,得超像素结果图;(3)对每个超像素提取上述五个特征的平均值,并构建所有超像素的一个特征矩阵,每一列代表一个超像素的特征;(4)对特征矩阵进行低秩表示,获取低秩系数,对低秩系数进行聚类;(5)对聚类结果进行wishart调整,最后着色。本发明专利技术对比其它经典的方法能够更好提高分类正确率,因此可以用于极化SAR图像分类。

【技术实现步骤摘要】
一种基于超像素特征的低秩表示的极化SAR图像分类方法
本专利技术属于图像处理
,具体地说是属于极化SAR图像分类领域的一种基于超像素特征的低秩表示的极化SAR图像分类方法,可用于对极化SAR图像分类处理。
技术介绍
极化合成孔径雷达(PolarimetricSyntheticApertureRadar)已经成为国内外合成孔径雷达发展的重要方向之一。与单极化雷达图像相比,极化合成孔径雷达图像能够提供更多的地物信息。快速、准确SAR图像分类是实现各种实际应用的前提。因此,对极化SAR图像的分类的研究,具有十分重要的意义。传统的单极化成像雷达采用固定极化天线来发射和接收射频信号,只能测量散射波矢量的一个分量,获得的信息量是有限的。为了保留散射波的全部信息,必须采用一种矢量测量过程来测量散射波的极化特性。极化合成孔径雷达(POLSAR)在不同收发极化组合下,测量地物目标的极化散射特性,即是多参数,多通道的雷达成像系统。由于电磁波极化对目标的介电常数、物理特性、几何形状和取向等比较敏感,因而极化测量可以得到所有极化状态信号的幅度和相对相位,大大提高了成像雷达对目标的各种信息的捕获和获取能力。它可以更完整的记录目标的极化散射信息,因此成为国内外合成雷达研究的热点之一。目前,国外很多机构的星载和机载极化SAR系统可以获取不同波段的全极化SAR数据。美国航空航天局(NASA)喷气推进实验室(JPL)在1955年研制成功的极化SARCV-900是第一部实用的极化SAR系统。比较典型的机载极化SAR系统主要有美国的AIRSAR(NASA/JPL)系统,丹麦的EMISAR(DCRS)系统,德国的ESAR(DLR)系统,日本的PISAR(NASDA-CRL)系统,法国的RAMSES(ONERA)系统,加拿大的CV580系统等。典型的星载极化SAR系统有美国的SIR-C(NASA/JPL)系统,欧空局的EnvisatASAR(ESA)系统,日本的ALOSPALSAR(JAXA)系统,加拿大的RADARSAT2(CSA)系统,德国的TerraSAR-X系统等。从目前的发展趋势看,极化合成孔径雷达在海洋学、冰川学、地质学、地形学以及生态学等学科中有着广泛的应用,如评估农作物生长状况,土壤湿度检测,植被分布,火山状态分析,海洋生物分布,海冰检测和海洋污染检测等。具有很高的应用价值,受到国内外的高度重视。
技术实现思路
本专利技术的目的在于克服已有技术的不足,在分类效果上面得到了一定的提高,主要体现在边界上面。提出了一种基于超像素特征的低秩表示的极化SAR图像分类方法,以实现对极化SAR图像分类的效果,达到对复杂的地物特征清晰的进行分辨。为实现上述目的,本专利技术提供一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:包括如下步骤:1)对输入的极化SAR图像数据做预处理,即采用7*7的窗口进行Lee滤波;2)对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解,得到表面散射能量Ps,体散射能量Pv,二次散射能量Pd,并且通过以下目标函数求得散射功率熵Hp和共极化比R;其中其中,Ps表示表面散射能量,Pv表示体散射能量,Pd表示二次散射能量,Hp表示散射功率熵,R表示共极化比,SVV表示以竖直方向发射,竖直方向接收的天线极化方式所获得的散射系数,SHH表示以水平方向发射,水平方向接收的天线极化方式所获得的散射系数;3)对RGB合成图进行超像素处理,即tubopixel处理,降低数据的复杂性,获取超像素结果图;x={x1,x2,…xk,…,xn}其中,xk代表第k个超像素,n为超像素的个数;4)对每个超像素xk分别提取特征,针对第2步中所得到的数据,对超像素里所包含的像素点的表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征,构建特征矩阵X;X={X1,X2,…,Xk,…,Xn}Xk={Psk,Pvk,Pdk,Hpk,Rk}Τ其中5)对特征矩阵X进行归一化处理,处理的方式为:均值方差归一化;设e=(e1,e2,…,ek),建立映射其中,emean=mean(e)=mean(e1,e2,…,ek),evar=var(e)=var(e1,e2,…,ek)使每个分量规范到[-1,1]上;6)对归一化的特征矩阵X进行低秩处理,求得低秩表示系数Z,并对系数进行聚类,得到聚类结果C,聚类方法采用了谱聚类,模糊K均值聚类等经典算法,通过以下目标函数求得低秩表示系数:其中,X表示特征矩阵,Z表示低秩表示系数,||||*为核范数,即矩阵奇异值的和7)针对低秩表示系数聚类的结果C,作为Wishart迭代分类的首次迭代的训练样本来计算Vw,然后像素被归类到距离因子最小的那一类中,来做最最后的调整;即,对于所有的j≠w,如果下式:d(〈Z〉,Vw)≤d(〈Z〉,Vj)得到满足,则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决,并由重新分类得到的分类结果来更新Vw,如此迭代一直到满足某个标准为止。其中,〈Z〉为极化SAR中每个像素的散射相关矩阵8)对最后通过wishart迭代出来的结果,进行随机着色,颜色的显示自主设置。上述的步骤4中的超像素的各特征值求解如下:(a)分别计算每个超像素里面所包含的像素个数。(b)从第一个超像素开始,直到所有的超像素,提取每一个超像素里面所包含的像素点个数,并根据这些像素点的位置来提取表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R特征。(c)根据下式分别求出每个超像素的Ps,Pv,Pd,Hp,R平均值,求取平均值的表示式为:其中,Pi表示第i个超像素的特征,n表示每个超像素里面所含有的像素点的个数,pj为某个像素点的特征。上述的步骤6中,低秩表示方法的求解过程如下:目标式:(a)首先是对公式里面的一些值进行初始化,即对出现的所有参数和即将用到的参数均需要初始化。(b)在未达到终止条件时,通过增广拉格朗日乘子法来更新参数,即固定里面其他的参数来更新某一个参数。(c)达到终止条件,更新结束,即得到最后的低秩表示系数Z。终止条件为:||X-XZ||∞<εand||Z-J||∞<εε根据实验获取的经验值,一般设置为10-8。本专利技术与现有的技术相比具有以下技术效果和优点:本专利技术通过,(1)对极化SAR数据进行Freeman分解,得到表面散射能量,体散射能量和二次散射能量,通过这三个能量计算散射功率熵和共极化比;(2)对RGB合成图进行超像素处理,得超像素结果图;(3)对每个超像素提取上述五个特征的平均值,并构建所有超像素的一个特征矩阵,每一列代表一个超像素的特征;(4)对特征矩阵进行低秩表示,获取低秩系数,对低秩系数进行聚类;(5)对聚类结果进行wishart调整,最后着色。本专利技术对比其它经典的方法能够更好提高分类正确率,因此可以用于极化SAR图像分类,具有以下优点和效果:1.本专利技术克服了极化SAR图像分类的边界分类的问题,通过提取特征并结合低秩方法,使分类结果得到了一定的提高,实现对极化SAR图像分类的效果,达到对复杂的地物特征清晰的进行分辨。2.本专利技术在处理效率上有一定的提高。3.本专利技术属于本文档来自技高网
...
一种基于超像素特征的低秩表示的极化SAR图像分类方法

【技术保护点】
一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:包括如下步骤:1)对输入的极化SAR图像数据做预处理,即采用7*7的窗口进行Lee滤波;2)对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解,得到表面散射能量P

【技术特征摘要】
1.一种基于超像素特征的低秩表示的极化SAR图像分类方法,其特征是:包括如下步骤:1)对输入的极化SAR图像数据做预处理,即采用7*7的窗口进行Lee滤波;2)对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解,得到表面散射能量Ps,体散射能量Pv,二次散射能量Pd,并且通过以下目标函数求得散射功率熵Hp和共极化比R;其中其中,Ps表示表面散射能量,Pv表示体散射能量,Pd表示二次散射能量,Hp表示散射功率熵,R表示共极化比,SVV表示以竖直方向发射,竖直方向接收的天线极化方式所获得的散射系数,SHH表示以水平方向发射,水平方向接收的天线极化方式所获得的散射系数;3)对RGB合成图进行超像素处理,即tubopixel处理,降低数据的复杂性,获取超像素结果图;x={x1,x2,…xk,…,xn}其中,xk代表第k个超像素,n为超像素的个数;4)对每个超像素xk分别提取特征,针对第2步中所得到的数据,对超像素里所包含的像素点的表面散射能量Ps,体散射能量Pv,二次散射能量Pd,散射功率熵Hp和共极化比R特征分别求出平均值,对所有的超像素提取同样的特征,构建特征矩阵X;X={X1,X2,…,Xk,…,Xn}Xk={Psk,Pvk,Pdk,Hpk,Rk}T所述的超像素的各特征值求解如下:(a)分别计算每个超像素里面所包...

【专利技术属性】
技术研发人员:钟桦焦李成何念王爽侯彪马晶晶马文萍
申请(专利权)人:西安电子科技大学
类型:发明
国别省市:陕西,61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1