本发明专利技术公开了一种基于超像素相关矩阵的极化SAR图像半监督分类方法，主要解决现有技术需要大量训练样本的问题。其实现步骤为：1)读入极化SAR图像进行将相干斑噪声的预处理，并合成伪彩色图像；2)计算测试超像素和训练超像素的区域中心，并构建数据矩阵和物理特征相关矩阵；3)利用数据矩阵计算稀疏结构特征相关矩阵；4)将物理特征相关矩阵与稀疏结构特征相关矩阵进行加权融合；5)对融合后的相关矩阵利用半监督的方法进行分类，输出最终的分类结果。本发明专利技术减少了相干斑噪声对分类结果的影响，有效地减少了对训练样本数量的要求，提高了分类的准确率，可用于极化SAR图像中地物的分类和识别。
【技术实现步骤摘要】
基于超像素相关矩阵的极化SAR图像半监督分类方法
本专利技术属于图像处理
，特别涉及极化SAR图像半监督分类方法，可用于目标识别。
技术介绍
合成孔径雷达SAR是一种从空间对地观测的有效手段，具有全天候、全天时工作的特点，已在地质勘探、城市规划、军事探测等方面有了非常广泛的应用。极化合成孔径雷达PolSAR是SAR技术不断发展而产生的一种相干多通道微波成像系统，它通过测量地面每一分辨单元在不同极化组合下的散射特性来获取目标的极化信息，与单极化SAR相比，PolSAR更完整的记录了目标的后向散射信息，因而大大增强了雷达获取目标信息的能力。目前，国外很多机构的机载和星载极化SAR系统可以提供不同波段的全极化SAR数据。比较典型的机载极化SAR系统有美国的AIRSAR，丹麦的EMISAR，德国的ESAR，日本的PISAR，法国的RAMSES，加拿大的CV580等；典型的星载极化SAR系统包括美国的SIR-C，欧空局的EnvisatASAR，日本的ALOS，加拿大的RADARSAT2，德国的TerraSAR-X等。在国内，许多高校和研究所也在开展相关的研究工作，并且已在极化SAR的理论和应用方面取得了巨大的进步。极化SAR图像分类是极化SAR图像解译过程中的一个重要步骤，也是极化SAR信息处理的一个重要的研究方向。根据极化信息的利用方式，极化SAR分类的方法可分为直接利用极化散射特征的方法，利用极化统计特征的方法和结合散射特征与统计特征的方法；根据所用算法的不同，分为统计、知识、神经网络、模糊逻辑、小波分析、支持向量机等方法；虽然这些方法已经取得了较好的效果，但是这些传统的基于单个像素点的方法不可避免的会受到极化SAR图像中相干斑噪声的影响。根据是否需要人工指导，可分为有监督和非监督两类，有监督的分类方法可以快速准确的实现图像的分类，但是因为在处理过程中需要模型的建立和学习，时间复杂度较高；无监督方法的实现更为快速，但是无监督分类的准确度却比较低。所以如何在训练样本数较少的情况下准确的实现极化SAR图像的分类是亟待解决的问题。
技术实现思路
本专利技术的目的在于针对上述技术的不足，提出一种基于超像素相关矩阵的极化SAR图像半监督分类方法，以减小相干斑噪声对图像处理的影响，并在训练样本数较少的情况下提高分类的准确度。本专利技术的技术方案是这样实现的：对极化SAR对应的伪彩色图像进行过分割，得到若干个超像素；分别计算测试超像素和训练超像素的区域中心；利用修正的Wishart距离计算任两个超像素之间的相关性，得到物理特征相关矩阵；利用对矩阵的秩进行最小化约束的方法得到稀疏结构相关矩阵；将上述两个相关矩阵进行加权融合，最终利用半监督图的方法实现极化SAR图像的分类，其技术步骤包括如下：(1)输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像；1.1)读入一幅极化SAR数据，利用精致Lee滤波器对其进行降相干斑噪声的预处理，得到对应的协方差矩阵，滤波器的窗口大小设定为7×7；1.2)对协方差矩阵进行Pauli能量特征分解，并合成极化SAR数据对应的伪彩色图像；(2)对极化SAR图像过分割,计算测试超像素的区域中心Θi和训练超像素的区域中心Σi：2.1)对伪彩色图像进行过分割，得到若干个超像素，S1,S2,…Si,…Sk，作为测试超像素，其中Si代表第i个超像素，i＝1…k，k为划分的超像素的个数；2.2)对每个超像素Si中单个像素点对应的协方差矩阵求和并计算均值，得到每一个测试超像素的区域中心Θi；2.3)在该极化SAR图像对应的标准图中每类随机选取N个像素点作为训练样本点，并将其均分成m个集合，每个集合作为一个训练超像素；对每个训练超像素中单个像素点对应的协方差矩阵求和并计算均值，得到训练超像素对应的区域中心Σi，若标准图包含c类目标，则训练超像素的总数为c×m。(3)将训练超像素的区域中心Σi和测试超像素的区域中心Θi依次排放，得到数据矩阵：X＝[x1,…xi,…xnum]＝[Ψ1,Ψ2,…,Ψc,Θ1,Θ2,…,Θn]，其中xi代表数据矩阵中第i个超像素的区域中心，i＝1…num，num为超像素的总个数，Ψi代表第i类训练超像素的集合，Ψi＝[Σ1Σ2…Σm]；(4)计算任意两个超像素之间的修正的Wishart距离disi,j，得到相关性simi,j,构建物理特征相关矩阵Sim:其中，i＝1…num,j＝1…num，分别是x,xi,xj的最大似然估计，Tr[·]为矩阵的迹，参数q表示极化SAR发射和接收天线是否为同一指令，若是，则q＝3，否则q＝4；(5)构建稀疏结构特征相关矩阵Z*：5a)将数据矩阵X本身作为稀疏表示的字典，通过对系数矩阵Z的秩进行最小化约束，求得系数矩阵Z：其中，矩阵A为稀疏表示的基，即字典，E为噪声，λ为控制噪声影响的参数，β为约束矩阵Z稀疏性的参数，||·||*为核范数，为l2,1范数，Eij为矩阵E第i行第j列的元素，||·||0为l0范数，表示矩阵中不为0的值的个数，因为l0范数求解问题是一个NP-hard问题，故将此约束放宽为l1范数进行求解，表示为Zij为矩阵Z第i行第j列的元素；5b)由系数矩阵Z计算稀疏结构特征相关矩阵其中T表示矩阵的转置；(6)对物理特征相关矩阵Sim和稀疏结构特征相关矩阵Z*进行加权融合，得到新的相关矩阵W＝Sim+αZ*，其中α为控制矩阵融合的权重，取值范围为0到50；(7)利用融合后的相关矩阵W进行半监督分类，得到每个测试超像素的类别；7.1)计算拉普拉斯矩阵C＝M-W，其中，M是由相关矩阵W每一行元素求和构成的对角矩阵；7.2)输入训练超像素的类概率矩阵Ptrain＝[P1,…,Pi,…,Pt]，计算测试超像素的类概率矩阵其中，Pi＝[p1,…pj,…pc]T，k＝1…c，j＝1…c，i＝1…t，c为目标的类别个数，t为训练超像素的个数，Pi表示第j个训练超像素的类概率向量，是拉普拉斯矩阵C的子矩阵，表示训练超像素的拉普拉斯矩阵，ce,f表示矩阵C的第e行第f列的元素，e＝1…t，f＝t+1…num，num为超像素的总个数，Cul＝CluT，表示测试超像素的拉普拉斯矩阵，T表示矩阵的转置；7.3)取出类概率矩阵Ptest的第h个列向量Ph＝[p1,h,…ps,h,…pc,h]，寻找Ph中最大值所在的位置sh，该sh的值即为第h个测试超像素所属的类别，其中h＝1…n，s＝1…c，ps,h表示第h个测试超像素属于第s类的概率；(8)将每个测试超像素所属的类别对应到原始极化SAR图像，输出最终的分类结果。本专利技术与现有技术相比存在以下优点：1.本专利技术选用基于超像素而不是单个像素点的方法进行极化SAR图像的分类过程，减少了相干斑噪声对分类结果的影像，大大提高了分类的准确率。2.本专利技术融合了物理特相关征矩阵和稀疏结构特相关征矩阵，利用了物理信息和全局结构信息，使超像素之间的相关性更加明显。3.本专利技术使用半监督的方法进行最终的极化SAR图像分类，利用了训练样本和测试样本间的相关性，减小了对训练样本数量的要求，相比其他的有监督分类方法，本专利技术可使用较少的训练样得到较为满意的分类结果。附图说明图1是本专利技术的实现流程图；图2是本专利技术中系数矩阵求解过程的本文档来自技高网...
【技术保护点】
一种基于超像素相关矩阵的极化SAR图像半监督分类方法，包括如下步骤： (1)输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像； (2)对伪彩色图像过分割,计算测试超像素的区域中心Θi和训练超像素的区域中心Σi； (3)将训练超像素的区域中心Σi和测试超像素的区域中心Θi依次排放，得到数据矩阵：X＝[x1,…xi,…xnum]＝[Ψ1,Ψ2,…,Ψc,Θ1,Θ2,…,Θn]，其中xi代表数据矩阵中第i个超像素的区域中心，i＝1…num，num为超像素的总个数，Ψi代表第i类训练超像素的集合，Ψi＝[Σ1Σ2…Σm]； (4)计算任意两个超像素之间的修正的Wishart距离disi,j，得到相关性simi,j,构建物理特征相关矩阵Sim: 其中，i＝1…num,j＝1…num，分别是x,xi,xj的最大似然估计，Tr[·]为矩阵的迹，参数q表示极化SAR发射和接收天线是否为同一指令，若是，则q＝3，否则q＝4；(5)构建稀疏结构特征相关矩阵Z*： 5.1)将数据矩阵X本身作为稀疏表示的字典，通过对系数矩阵Z的秩进行最小化约束，求得系数矩阵Z： 其中，矩阵A为稀疏表示的基，即字典，E为噪声，λ为控制噪声影响的参数，β 为约束矩阵Z稀疏性的参数，||·||*为核范数，为l2,1范数，Eij为矩阵E第i行第j列的元素，||·||0为l0范数，表示矩阵中不为0的值的个数，因为l0范数求解问题是一个NP‑hard问题，故将此约束放宽为l1范数进行求解，表示为Zij为矩阵Z第i行第j列的元素；5.2)由系数矩阵Z计算稀疏结构特征相关矩阵其中T表示矩阵的转置；(6)对物理特征相关矩阵Sim和稀疏结构特征相关矩阵Z*进行加权融合，得到新的相关矩阵W＝Sim+αZ*，其中α为控制矩阵融合的权重，取值范围为0到50； (7)利用融合后的相关矩阵W进行半监督分类，得到每个测试超像素的类别； (8)将每个测试超像素所属的类别对应到原始极化SAR图像，输出最终的分类结果。...
【技术特征摘要】
1.一种基于超像素相关矩阵的极化SAR图像半监督分类方法，包括如下步骤：(1)输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像；(2)对伪彩色图像过分割,计算测试超像素的区域中心Θi和训练超像素的区域中心Σi；(3)将训练超像素的区域中心Σi和测试超像素的区域中心Θi依次排放，得到数据矩阵：X＝[x1,…xi,…xnum]＝[Ψ1,Ψ2,…,Ψc,Θ1,Θ2,…,Θn]，其中xi代表数据矩阵中第i个超像素的区域中心，i＝1…num，num为超像素的总个数，Ψi代表第i类训练超像素的集合，Ψi＝[Σ1Σ2…Σm]；(4)计算任意两个超像素之间的修正的Wishart距离disi,j，得到相关性simi,j,构建物理特征相关矩阵Sim:其中，i＝1…num,j＝1…num，分别是x,xi,xj的最大似然估计，Tr[·]为矩阵的迹，参数q表示极化SAR发射和接收天线是否为同一指令，若是，则q＝3，否则q＝4；(5)构建稀疏结构特征相关矩阵Z*：5.1)将数据矩阵X本身作为稀疏表示的字典，通过对系数矩阵Z的秩进行最小化约束，求得系数矩阵Z：其中，矩阵A为稀疏表示的基，即字典，E为噪声，λ为控制噪声影响的参数，β为约束矩阵Z稀疏性的参数，||·||*为核范数，为l2,1范数，Eij为矩阵E第i行第j列的元素，||·||0为l0范数，表示矩阵中不为0的值的个数，因为l0范数求解问题是一个NP-hard问题，故将此约束放宽为l1范数进行求解，表示为Zij为矩阵Z第i行第j列的元素；5.2)由系数矩阵Z计算稀疏结构特征相关矩阵其中T表示矩阵的转置；(6)对物理特征相关矩阵Sim和稀疏结构特征相关矩阵Z*进行加权融合，得到新的相关矩阵W＝Sim+αZ*，其中α为控制矩阵融合的权重，取值范围为0到50；(7)利用融合后的相关矩阵W进行半监督分类，得到每个测试超像素的类别；(8)将每个测试超像素所属的类别对应到原始极化SAR图像，输出最终的分类结果。2.根据权利要求1所述的基于超像素相关矩阵的极化SAR图像半监督分类方法，其特征在于：步骤(1)所述的输入极化SAR图像，对其进行降相干斑噪声的预处理，并合成伪彩色图像，按照如下步骤进行：1.1)读入一幅极化SA...
【专利技术属性】
技术研发人员：焦李成，刘芳，高晓莹，杨淑媛，马文萍，马晶晶，王爽，侯彪，符丹钰，
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
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。