基于模糊稀疏LSSVM的极化SAR图像分类方法技术

本发明专利技术提出了一种基于模糊稀疏LSSVM的极化SAR图像分类方法，主要解决现有的技术对极化合成孔径雷达SAR图像分类，所用时间长和分类精度低的问题。其实现步骤是：(1)输入图像；(2)预处理；(3)特征提取；(4)选取训练样本；(5)计算模糊隶属度；(6)训练分类器；(7)分类；(8)计算分类精度。本发明专利技术具有能克服噪声对训练分类器的影响、分类速度快、分类精度高等优点，能够有效地对极化合成孔径雷达SAR图像分类，实现目标识别与跟踪定位。

【技术实现步骤摘要】
基于模糊稀疏LSSVM的极化SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及图像分类
中的一种基于模糊稀疏最小二乘支持向量机(LeastSquaresSupportVectorMachineLSSVM)的极化合成孔径雷达(SyntheticApertureRadarSAR)图像分类方法。本专利技术可用于对极化SAR图像进行地物分类并标记，实现目标识别与跟踪定位。
技术介绍
极化SAR图像分类可以认为是对图像中的像素点进行分类的过程，根据图像中每个像素点的属性特征判断该像素点所属的类别，完成对图像的分类。由于统计学习理论是一种专门研究小样本情况下的机器学习理论，基于统计学习理论的支持向量机是一种有效的监督分类器，已广泛应用于目标识别与图像分割等领域。孟云闪发表的论文“LSSVM算法在极化SAR影响分类中的应用”(《地理空间信息》，文章编号：1672-4623(2012)03-0043-03)中公开了一种用LSSVM对极化SAR图像分类的方法。该方法的实现过程为，首先对极化SAR影像进行目标分解，提取5个参数组成的矢量集作为特征，其次将特征矢量集进行线性归一化处理，最后将传统的SVM分类器和LSSVM分类器进行性能对比，并采用LSSVM获得分类结果。该方法的不足之处在于，此方法最终选择了LSSVM分类器，此分类模型无法保证得到的解是全局最优解，并且解缺乏稀疏性，容易导致过拟合，无法克服孤立点和噪声的影响，导致分类精度低。西安电子科技大学申请的专利“一种基于半监督SVM和MeanShift的极化SAR图像分类方法”(专利申请号：201410076676.9，公布号：CN103914704A)。该方法的实现过程为，首先分别建立极化SAR图像分类训练集和分类测试集，其次用SVM算法获得极化SAR图像的分类结果，选取置信度高的样本集，用MeanShift修改SVM分类结果，更新样本集、测试集和分类模型，最后用该分类模型对极化SAR图像进行分类。该方法的不足之处在于，此方法采用了传统的SVM分类器，需要借助二次规划求分类模型，所以在对极化SAR图像进行分类时，由于数据量较大，导致计算复杂度高，训练时间长，效率低下。
技术实现思路
本专利技术方法的目的在于克服上述现有技术的不足，提出一种基于模糊稀疏最小二乘支持向量机LSSVM的极化SAR图像方法。该方法采用了将训练样本集的模糊隶属度加入到了稀疏最小二乘支持向量机分类器的模型中，有效克服了噪声对构造分类面的影响，实现了对极化合成孔径雷达SAR图像的准确分类。本专利技术的具体步骤如下：(1)输入图像：输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)预处理：对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵；(3)特征提取：依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵；(4)选取训练样本：从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集；(5)计算模糊隶属度：(5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集；(5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间；(5c)采用类半径公式，分别计算正、负类样本集的类半径；(5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心距；(5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训练样本集的模糊隶属度；(6)训练分类器：将训练样本集的模糊隶属度和步骤(4)得到的训练样本集，输入到稀疏最小二乘支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器；(7)分类：(7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类；(7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的分类时间；(8)计算分类精度：统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。本专利技术与现有技术相比具有如下优点：第一、由于本专利技术采用了稀疏最小二乘支持支持向量机分类器，克服了现有技术采用最小二乘支持向量机需要求解多个线性方程的复杂模型，导致运算复杂度高，训练速度慢，得到的解不稀疏的问题，使得本专利技术的分类速度快，有利于实现对图像的快速分类。第二、由于本专利技术将模糊隶属度加入到了选择的训练集中，克服了现有技术在训练分类器时，训练样本中夹杂的噪声对构造分类面的影响，导致分类精度低的问题，使得本专利技术能够实现对图像的准确分类，提高了分类精度。附图说明图1为本专利技术的流程图；图2为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图；图3为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图对应的实际地物标记图；图4为本专利技术对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图进行分类的分类结果图。具体实施方式下面结合附图对本专利技术做进一步的详细描述。参照附图1，对本专利技术的具体实施步骤做进一步的详细描述。步骤1，输入图像。输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵。在本专利技术实施例中，由WINDOWSXP系统输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵。其中，待分类的极化合成孔径雷达SAR图像的相干矩阵是一个3*3*N的矩阵，N表示待分类的极化合成孔径雷达SAR图像像素的总数，待分类的极化合成孔径雷达SAR图像中的每个像素为一个3*3的矩阵。步骤2，预处理。对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵。步骤3，特征提取。依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵。步骤4，选取训练样本。从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集。其中训练样本集中每个训练样本为一个1*9的特征向量。步骤5，计算模糊隶属度。选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集。采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间，径向基核函数公式如下：其中，K(X,Y)表示训练样本X和训练样本Y的核，表示训练样本X和训练样本Y之间欧式范数的平方，δ表示径向基核函数的径向宽度。采用类半径公式，分别计算正、负类样本集的类半径，类半径公式如下：其中，r表示正类或负类样本集的类半径，K(·)表示径向基核函数，本文档来自技高网...

【技术保护点】
一种基于模糊稀疏LSSVM的极化SAR图像分类方法，具体步骤如下：(1)输入图像：输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)预处理：对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵；(3)特征提取：依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵；(4)选取训练样本：从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集；(5)计算模糊隶属度：(5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集；(5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间；(5c)采用类半径公式，分别计算正、负类样本集的类半径；(5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心距；(5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训练样本集的模糊隶属度；(6)训练分类器：将训练样本集的模糊隶属度和步骤(4)得到的训练样本集，输入到稀疏最小二乘支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器；(7)分类：(7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类；(7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的分类时间；(8)计算分类精度：统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。...

【技术特征摘要】
1.一种基于模糊稀疏LSSVM的极化SAR图像分类方法，具体步骤如下：(1)输入图像：输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)预处理：对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵；(3)特征提取：依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵；(4)选取训练样本：从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集；(5)计算模糊隶属度：(5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集；(5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间；(5c)采用类半径公式，分别计算正、负类样本集的类半径；(5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心距；(5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训练样本集的模糊隶属度；(6)训练分类器：将训练样本集的模糊隶属度和步骤(4)得到的训练样本集，输入到稀疏最小二乘支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器；(7)分类：(7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类；(7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的分类时间；(8)计算分类精度：统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。2.根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于，步骤(1)所述的待分类的极化合成孔径雷达SAR图像的相干矩阵是一个3*3*N的矩阵，其中，N表示待分类的极化合成孔径雷达SAR图像像素的总数，待分类的极化合成孔径雷达SAR图像中的每个像素为一...

【专利技术属性】
技术研发人员：焦李成，马文萍，隋艳立，马晶晶，侯彪，王爽，杨淑媛，
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