基于多特征联合建模的极化SAR影像分类方法技术

本发明专利技术公开了基于多特征联合建模的极化SAR影像分类方法，包括：（1）从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；（2）计算当前类训练样本中各像素点的极化协方差矩阵，构建当前类训练样本的极化特征向量；（3）构建当前类训练样本的CoAS模型；（4）构建待分类影像的极化特征向量；（5）构造待分类影像的联合后验概率；（6）根据联合后验概率，结合MRF模型对待分类影像进行分类。本发明专利技术方法具有优异的分类效果，与传统的基于统计模型的极化SAR影像分类方法相比，本分类精度可提高5%~10%。

【技术实现步骤摘要】

本专利技术属于遥感影像处理
，特别是涉及一种基于多特征联合建模的极化SAR影像分类方法。
技术介绍
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动成像雷达系统，具有全天候、昼夜成像的特点。极化SAR系统可工作在不同极化通道组合模式下，能获得更多的地物目标信息。近年来，越来越多的极化SAR系统出现，极化SAR信息的解译和应用显示出更加广泛的应用前景。影像分类是极化SAR影像解译的一项重要内容，面对海量极化SAR数据，通过对极化SAR影像进行自动分类和识别，有助于提高判读效率，增加人们从大场景极化SAR影像获取信息的能力。现有的极化SAR影像分类方法大致可以分为3类：1)根据极化SAR成像特点，对数据进行统计模型分析，利用Bayes方法进行分类；2)通过极化目标分解，基于极化SAR散射机理进行分类；3)从处理方法入手，在已有极化特征集的基础上，引入更有效的机器学习领域的处理方法，更充分地利用极化信息，达到分类目的。极化SAR统计建模与分类一直是极化SAR影像解译的热点，如针对后向散射矩阵S2建模的复Gaussian分布。这些分布一般都满足乘积模型，假设散射体和相干斑服从某一分布推导而来，通常针对协方差矩阵C3或相干矩阵T3建模，如经典的复Wishart分布、K分布、G分布和KummerU分布等。近年来，随着极化SAR影像的分辨率越来越高，研究者们提出了多种混合分布模型来描述异质或极度异质区域的统计特性，如Doulgeris在极化SAR多尺度高斯混合模型时，提出了描述协方差矩阵C3的K-Wishart混合分布；Gao则针对单视和多视极化SAR数据，提出了复高斯混合分布和复Wishart混合分布模型，取得了较好的分类效果。现有的基于统计模型的极化SAR影像分类方法中，统计模型都是针对用于极化测度的后向散射矩阵S2、极化协方差矩阵C3、极化相干矩阵T3等。而这些极化测度矩阵都是复矩阵，理论推导和计算都相对复杂；混合模型的提出进一步加剧了这一状况；另外，这些统计模型都是根据极化散射理论推导而来，没有充分考虑地物目标的物理特性，即极化SAR信息并未得到充分利用。
技术实现思路
针对现有技术存在的不足，本专利技术从极化特征统计特性出发，提供了一种可充分利用到SAR信息并可降低计算量的基于多特征联合建模的极化SAR影像分类方法。本专利技术思路如下：针对极化协方差矩阵C3直接推导的极化特征进行建模，以Alpha-stable分布描述极化特征的边缘分布特性；然后，通过Copula理论构造联合分布模型；最后，在MRF(Markov Random Field)框架下，结合Bayes准则，实现极化SAR影像的分类。本专利技术以极化协方差矩阵C3直接推导的一组简单极化特征为建模对象，在考虑地物目标的物理特性的同时，还充分利用了影像的极化信息，从而可准确地进行极化SAR影像分类。本专利技术的建模对象不再是传统的极化测度矩阵(S2,C3,T3)，而是由协方差矩阵C3直接推导而来的一组简单的极化特征向量v(C)。原始极化SAR影像格式为S2或T3时，需要影像转换为C3格式。由极化协方差矩阵C3直接推导而来的一组简单极化特征可组成极化特征向量v(C)，v(C)中各维极化特征都是实数，建模对象由复矩阵变为实向量，且各维极化特征都反映了典型地物的物理散射特性。在不考虑反射对称性(Azimuthal symmetry)情况下，v(C)由9个实极化特征构成： v ( C ) = { σ h h 0 , σ h v 0 , σ v v 0 , | ρ h h h v | , ψ h h h v , | ρ h h v v | , ψ h h v v , | ρ h v v v | , ψ h v v v本文档来自技高网...

【技术保护点】
一种基于多特征联合建模的极化SAR影像分类方法，其特征是，包括：构建CoAS模型和对待分类影像进行分类两个步骤，其中：所述的构建CoAS模型进一步包括：(1)从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；对各类地物训练样本分别执行步骤(2)～(3)：(2)根据当前类地物训练样本的极化协方差矩阵构建极化特征向量v(C)，其中，分别为极化通道hh、hv、vv的幅度；|ρhhhv|、|ρhhvv|、|ρhvvv|分别为极化通道hh和hv间、hh和vv间、hv和vv间的复相关系数；ψhhhv、ψhhvv、ψhvvv分别为极化通道hh和hv间、hh和vv间、hv和vv间的相位差；(3)构建当前类地物的CoAS模型，具体为：3.1利用当前类地物训练样本的极化特征向量，估计各极化特征的Alpha‑stable分布参数；3.2根据Alpha‑stable分布参数计算各极化特征的概率密度函数和累积密度函数；3.3采用Copula函数表示当前类地物训练样本所有极化特征的联合分布密度，采用各极化特征的概率密度函数和累积密度函数估计Copula函数参数，得当前类地物的CoAS模型；所述的对待分类影像进行分类进一步包括：(4)根据待分类影像的极化协方差矩阵构建待分类影像的极化特征向量v(C)；(5)根据待分类影像的极化特征向量v(C)构造联合后验概率，具体为：5.1对各极化特征分别进行：采用各类地物的CoAS模型参数，分别估计当前极化特征关于各类地物的概率密度函数，并获得对应的累积密度函数；5.2根据各极化特征关于各类地物的概率密度函数和累计密度函数，采用各类地物的CoAS模型，计算待分类影像关于各类地物的联合分布密度，即联合后验概率；(6)根据联合后验概率，结合MRF模型对待分类影像进行分类。...

【技术特征摘要】
1.一种基于多特征联合建模的极化SAR影像分类方法，其特征是，包括：构建CoAS模型和对待分类影像进行分类两个步骤，其中：所述的构建CoAS模型进一步包括：(1)从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；对各类地物训练样本分别执行步骤(2)～(3)：(2)根据当前类地物训练样本的极化协方差矩阵构建极化特征向量v(C)，其中，分别为极化通道hh、hv、vv的幅度；|ρhhhv|、|ρhhvv|、|ρhvvv|分别为极化通道hh和hv间、hh和vv间、hv和vv间的复相关系数；ψhhhv、ψhhvv、ψhvvv分别为极化通道hh和hv间、hh和vv间、hv和vv间的相位差；(3)构建当前类地物的CoAS模型，具体为：3.1利用当前类地物训练样本的极化特征向量，估计各极化特征的Alpha-stable分布参数；3.2根据Alpha-stable分布参数计算各极化特征的概率密度函数和累积密度函数；3.3采用Copula函数表示当前类地物训练样本所有极化特征的联合分布密度，采用各极化特征的概率密度函数和累积密度函数估计Copula函数参数，得当前类地物的CoAS模型；所述的对待分类影像进行分类进一步包括：(4)根据待分类影像的极化协方差矩阵构建待分类影像的极化特征向量v(C)；(5)根据待分类影像的极化特征向量v(C)构造联合后验概率，具体为：5.1对各极化特征分别进行：采用各类地物的CoAS模型参数，分别估计当前极化特征关于各类地物的概率密度函数，并获得对应的累积密度函数；5.2根据各极化特征关于各类地物的概率密度函数和累计密度函数，采用各类地物的CoAS模型，计算待分类影像关于各类地物的联合分布密度，即联合后验概率；(6)根据联合后验概率，结合MRF模型对待分类影像进行分类。2.如权利要求1所述的基于多特征联合建模的极化SAR影像分类方法，其特征是：步骤(2)所述的极化特征向量其中，分别为极化通道hh、hv、vv的幅度特征；|ρhhhv|为极化通道hh和hv间的相关系数；ψhhhv为极化通道hh和hv间的相位差特征。3.如权利要求1或2所述的基于多特征联合建模的极化SAR影像分类方法，其特征是：采用MCMC方法修正子步骤3.1所估计的各极化特征的Alpha-stable分布参数，具体为：①以采用基于傅里叶变换估计法估计的各极化特征的Alpha-stable分布参数作为Alpha-stable分布参数初始量并预设迭代次数；②对第l次迭代所得Alpha-stable分布参数分别以正态分布随机生成当前候选Alpha-stable分布参数δα、δβ、δγ、δμ分别取前面所有次迭代或部分次迭代所得Alpha-stable分布参数α、β、γ和μ的标准差；③计算当前候选Alpha-stable分布参数的接收概率Accept： Accept = Π i = 1 M S α ^ k d new ( x d k i | β ^ k d ...

【专利技术属性】
技术研发人员：徐新，董浩，宋超，桂容，唐晓旭，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42