基于超像素和度量学习的极化SAR地物分类方法技术

本发明专利技术公开一种基于超像素和度量学习的极化SAR地物分类方法，实现步骤为：(1)输入图像；(2)滤波；(3)分割伪彩色图；(4)提取特征；(5)确定待供选取样本集；(6)采用度量学习分类器，进行迭代分类，得到分类结果；(7)对分类结果进行上色；(8)输出上色后的分类结果图。本发明专利技术采用基于超像素和度量学习的极化SAR地物分类方法对图像进行分类，避免了各种复杂的特征分解过程，特征提取的操作比较简单方便，保持了很好的空间连续性，降低了相干斑噪声的影响，提高了分类精度。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及图像分类
中的一种基于超像素和度量学习的极化合成孔径雷达SAR(Polarimetric Synthetic Aperture Radar，PolSAR)地物分类方法。本专利技术可用于对极化SAR图像进行地物分类。
技术介绍
极化SAR图像分类是图像解译过程中的一个重要步骤，也是极化SAR图像处理的一个重要研究方向。极化SAR能获得比传统的单极化SAR更丰富的地物信息，快速、准确成为极化SAR图像分类实际应用的前提。对极化SAR图像的分类研究，有着十分重要的意义。近年来，极化SAR图像分类日益受到人们的重视，很多分类方法被提出来，这些方法的基本原理都是利用极化信息，从极化散射矩阵中提取相关参数，作为特征矩阵，再结合其他方法对极化SAR图像进行分类。一些现有的分类方法处理信息量比较大的极化SAR图像时，容易受到噪声的干扰，分类精度较低，处理速度太慢，时间复杂度过高，本专利技术提出的基于超像素和度量学习的极化SAR地物分类方法：一方面，特征提取仅利用相干矩阵信息，对极化SAR图像信息的丰富性要求不高，该方法适应性更强；另一方面，可以直接使用现有的支持向量机工具包，克服了传统分类方法时间复杂度过高的问题。西安电子科技大学在其申请的专利“一种基于稀疏表示和超像素的极化SAR地物分类方法”(专利申请号CN201410062296.X，公开号CN104123555A)中公开了一种基于稀疏表示和超像素的极化SAR地物分类方法。该方法首先进行超像素分割，对原始的极化SAR图像提取射机理方面的特征，做为每个像素点的特征，然后进行超像素级的联合稀疏表示，利用稀疏表示分类器进行分类，求出每个超像素相干矩阵的均值，然后利用分类结果进行超像素级的复Wishart迭代，最后得到最终的分类结果。该方法虽然充分利用了空间的相似性提高了正确率，但是该方法仍然存在的不足之处是，其一，分类前需要利用H/α分解、Freeman分解方法得到每个像素点的特征参数，这些传统的极化目标的特征分解过程比较繁琐。其二，利用训练字典得到联合稀疏表示，然后经过稀疏表示分类器进行分类，处理速度太慢，时间复杂度太高。武汉大学在其申请的专利“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号CN201310310179.6，公开号CN103366184A)中公开了一种基于混合分类器的极化SAR数据数据分类方法及系统。该方法首先获取极化SAR数据的不同类初始极化特征，采用决策树分类器从初始极化特征中选择用于分类的极化特征，然后采用SVM分类器对极化SAR数据进行分类。该方法综合了决策树分类器和SVM分类器的优势，但是该方法仍然存在的不足之处是，对极化SAR图像进行处理时，是按单个像素进行特征提取的，容易受到噪声的干扰，因此分类效率有所降低。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提出了一种基于超像素和度量学习的极化SAR地物分类方法，以减少相干噪声对图像处理的影响，充分利用了空间的相似性，将度量学习分类器与超像素相结合，在提高正确率的同时，降低了时间复杂度。实现本专利技术目的基本思路是：首先，对待分类的极化SAR图像进行滤波、产生超像素、提取特征；然后，获得待供选取样本集；最后，用度量学习分类器对极化SAR图像进行迭代分类。为实现上述目的，本专利技术具体实现步骤包括如下：(1)输入待分类的极化SAR图像；(2)滤波：采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像，并对滤波后的极化SAR数据进行Pauli分解，获得伪彩色图；(3)分割伪彩色图：(3a)在伪彩色图中设置等间距的3000个种子点；(3b)采用几何流扩张方法膨胀等间距的3000个种子，形成区域；(3c)采用几何流公式，进行区域边界曲线运动，在边界强度弱或者没有边界的地方，曲线运动速度大，边界强度较强的地方，曲线速度慢甚至停止；(3d)根据未分配区域的轮廓，更新边界上像素点以及在边界附近未分配像素点；(3e)判断区域边界曲线是否相交，若是，停止边界曲线的增长，得到3000个超像素，执行步骤(4)，否则，执行步骤(3b)；(4)提取特征：(4a)分别提取滤波后的极化SAR图像一个像素的协方差矩阵中位于上三角处的三个元素的实部值和虚部值、协方差矩阵中位于对角线上三个元素的实部值，将所提取的9个值依次按列构成一个像素9维的特征向量；(4b)对滤波后的极化SAR图像的所有像素进行步骤(4a)的相同操作，得到所有像素的特征向量；(5)采用普里姆算法，确定待供选取样本集；(6)迭代分类：(6a)从供训练集选取的样本集中选取一个像素点的8邻域点与该像素点落入同一个超像素块中的像素点，将该像素点的8邻域点加入到训练集中，并将8邻域的点从待供选取样本集中删除；(6b)对样本集中所有像素点进行步骤(6a)的相同操作，得到训练集；(6c)使用度量学习分类器对训练集进行分类，得到训练好的度量学习分类器；(6d)使用训练好的度量学习分类器对滤波后的极化SAR数据进行分类，同时获得每个像素点的置信度；(6e)根据从度量学习分类器得到的置信度，每次每类选取置信度最高的像素点加入到训练集中；(6f)判断是否满足迭代截止条件，若是，得到分类结果，执行步骤(7)，否则，执行步骤(6a)；(7)上色：(7a)将分类结果中标签相同的作为同一类别；(7b)按照红色、绿色、蓝色三基色上色法，对分类结果进行上色，同一类别上相同的颜色，得到上色后的分类结果图；(8)输出上色后的分类结果图。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术在提取极化SAR图像特征时，仅利用了滤波后的极化SAR图像的协方差矩阵，克服了现有技术的极化目标的特征分解过程比较繁琐的问题，使得本专利技术特征提取过程中具有操作简单，耗时短的优点。第二，由于本专利技术通过分割伪彩色图产生3000个超像素，保持了极化SAR图像的空间连续性，克服了现有技术容易受到噪声干扰的问题，使得本专利技术具有对极化SAR图像分类效率高的优点。第三，由于本专利技术采用度量学习分类器进行迭代分类，克服了现有技术处理速度过慢，时间复杂度过高的问题，使得本专利技术具有对极化SAR图像分类过程中时间短，分类精度高的优点。附图说明图1是本专利技术的流程图；图2是本专利技术仿真图。具体实施方式下面结合附图对本专利技术做进一步的描述。参照附图1，本专利技术的具体步骤如下：步骤1，输入待分类的极化SAR图像。步骤2，滤波。采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像，并对滤波后的极化SAR数据进行Pauli分解，获得伪彩色图。步骤3，分割伪彩色图。第一步，在伪彩色图中设置等间距的3000个种子点；第二步，采用几何流扩张方法膨胀等间距的3000个种子，形成区域；第三步，采用几何流公式，进行区域边界曲线运动，在边界强度弱或者没有边界的地方，曲线运动速度大，边界强度较强的地方，曲线速度慢甚至停止。几何流公式如下： &p本文档来自技高网...

【技术保护点】
一种基于超像素和度量学习的极化SAR地物分类方法，包括步骤如下：(1)输入待分类的极化SAR图像；(2)滤波；采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像，并对滤波后的极化SAR数据进行Pauli分解，获得伪彩色图；(3)分割伪彩色图：(3a)在伪彩色图中设置等间距的3000个种子点；(3b)采用几何流扩张方法膨胀等间距的3000个种子，形成区域；(3c)采用几何流公式，进行区域边界曲线运动；(3d)根据伪彩色图未分配区域的轮廓，更新边界上像素点以及在边界附近未分配像素点；(3e)判断区域边界曲线是否相交，若是，停止边界曲线的增长，得到3000个超像素，执行步骤(4)，否则，执行步骤(3b)；(4)提取特征：(4a)分别提取滤波后的极化SAR图像一个像素的协方差矩阵中位于上三角处的三个元素的实部值和虚部值、协方差矩阵中位于对角线上三个元素的实部值，将所提取的9个值依次按列构成一个像素9维的特征向量；(4b)对滤波后的极化SAR图像的所有像素进行步骤(4a)的相同操作，得到所有像素的特征向量；(5)采用普里姆算法，确定待供选取样本集；(6)迭代分类：(6a)从供训练集选取的样本集中选取一个像素点的8邻域点与该像素点落入同一个超像素块中的像素点，将该像素点的8邻域点加入到训练集中，并将8邻域的点从待供选取样本集中删除；(6b)对样本集中所有像素点进行步骤(6a)的相同操作，得到训练集；(6c)使用度量学习分类器对训练集进行分类，得到训练好的度量学习分类器；(6d)使用训练好的度量学习分类器对滤波后的极化SAR数据进行分类，同时获得每个像素点的置信度；(6e)根据从训练好的度量学习分类器得到的置信度，每次每类选取置信度最高的像素点加入到训练集中；(6f)判断是否满足迭代截止条件，若是，则执行步骤(7)，否则，执行步骤(6a)；(7)上色：(7a)将分类结果中标签相同的作为同一类别；(7b)按照红色、绿色、蓝色三基色上色法，对分类结果进行上色，同一类别上相同的颜色，得到上色后的分类结果图；(8)输出上色后的分类结果图。...

【技术特征摘要】
1.一种基于超像素和度量学习的极化SAR地物分类方法，包括步骤如下：(1)输入待分类的极化SAR图像；(2)滤波；采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像，并对滤波后的极化SAR数据进行Pauli分解，获得伪彩色图；(3)分割伪彩色图：(3a)在伪彩色图中设置等间距的3000个种子点；(3b)采用几何流扩张方法膨胀等间距的3000个种子，形成区域；(3c)采用几何流公式，进行区域边界曲线运动；(3d)根据伪彩色图未分配区域的轮廓，更新边界上像素点以及在边界附近未分配像素点；(3e)判断区域边界曲线是否相交，若是，停止边界曲线的增长，得到3000个超像素，执行步骤(4)，否则，执行步骤(3b)；(4)提取特征：(4a)分别提取滤波后的极化SAR图像一个像素的协方差矩阵中位于上三角处的三个元素的实部值和虚部值、协方差矩阵中位于对角线上三个元素的实部值，将所提取的9个值依次按列构成一个像素9维的特征向量；(4b)对滤波后的极化SAR图像的所有像素进行步骤(4a)的相同操作，得到所有像素的特征向量；(5)采用普里姆算法，确定待供选取样本集；(6)迭代分类：(6a)从供训练集选取的样本集中选取一个像素点的8邻域点与该像素点落入同一个超像素块中的像素点，将该像素点的8邻域点加入到训练集中，并将8邻域的点从待供选取样本集中删除；(6b)对样本集中所有像素点进行步骤(6a)的相同操作，得到训练集；(6c)使用度量学习分类器对训练集进行分类，得到训练好的度量学习分类器；(6d)使用训练好的度量学习分类器对滤波后的极化SAR数据进行分类，同时获得每个像素点的置信度；(6e)根据从训练好的度量学习分类器得到的置信度，每次每类选取置信度最高的像素点加入到训练集中；(6f)判断是否满足迭代截止条件，若是，则执行步骤(7)，否则，执行步骤(6a)；(7)上色：(7a)将...

【专利技术属性】
技术研发人员：焦李成，屈嵘，王明洁，马文萍，马晶晶，侯彪，杨淑媛，刘红英，冯婕，
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