基于极化-纹理特征与DPL的极化SAR图像分类方法技术

本发明专利技术公开了一种基于极化‑纹理特征与DPL的极化SAR图像分类方法，主要解决现有技术中极化合成孔径雷达SAR图像分类过程中图像信息不全面字典判别性能差而导致的运算时间长、分类效率低的问题。本发明专利技术的具体步骤如下：(1)读入极化SAR图像；(2)滤波；(3)构造样本集；(4)稀疏编码；(5)构造邻域特征样本矩阵；(6)归一化邻域特征样本矩阵；(7)选取训练样本和测试样本；(8)训练合成字典和分析字典；(9)测试合成字典和分析字典；(10)上色；(11)输出分类结果图。本发明专利技术具有对极化SAR图像分类正确率高和分类效率高的优点。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及目标识别
中的一种基于极化-纹理特征与对偶字典学习DPL(Dictionary Pair Learning)的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本专利技术可用于极化SAR图像的地物分类。
技术介绍
合成孔径雷达是一种高分辨率成像雷达。由于微波具有穿透特性，不受光线强度的影响，因此合成孔径雷达具有全天时、全天候的工作能力。随着技术的发展，合成孔径雷达逐渐向高分辨、多极化、多通道方向发展。相比于传统的SAR图像，极化SAR能够提供更加丰富的目标信息，有利于确定和理解散射机制，提高目标检测和分类识别的能力。近年来，利用极化SAR数据进行分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。经典的极化合成孔径雷达SAR图像分类方法包括：电子科技大学在其申请的专利“一种基于Cloude特征分解的极化SAR图像分类方法”(专利申请号：201410341457.9，公开号：CN104123563A)中提出了一种基于Cloude特征分解的极化SAR图像无监督分类方法。该方法首先对极化SAR图像中的每个像素点进行Cloude分解，得到散射熵H和散射角α；然后计算散射熵和散射角的统计直方图，并对直方图进行分割，得到分割阈值；然后将得到的分割阈值作为散射熵和散射角特征构成的二维平面的划分点，对极化SAR图像进行初始划分；最后将得到的初始分类的类中心和类别数输入到Wishart分类器，得到所述极化SAR图像的分类结果。该方法虽然综合了对H和α参数进行直方图分割获得划分的阈值，但是仍然存在的不足之处是，该方法计算量大，耗时长，实现过程复杂。西安电子科技大学在其申请的专利“基于Cloude分解和K-wishart分布的极化SAR图像分类方法”(专利申请号：201210414789.6，公开号：102999761A)中提出了一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法。该方法首先对图像中的每个像素点进行Cloude分解，得到散射熵H和散射角α；然后根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；最后对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果。这种方法虽然改进了传统的基于H/α极化分解的分类方法，但是仍然存在的不足之处是，这两个特征不足以表示所有的极化信息，所以仍有许多区域划分错误，没有考虑极化SAR图像的纹理特征，导致区域内杂点较多，区域一致性较差。
技术实现思路
本专利技术的目的是克服上述现有技术的不足，提供一种基于多特征编码和对偶字典的极化SAR图像分类方法。本专利技术与现有技术中其他极化合成孔径雷达SAR图像分类技术相比利用了更加丰富的极化信息，从而使得计算量降低，耗时短，分类精度有所提高。本专利技术实现上述目的的思路是：先对极化合成孔径雷达SAR图像进行滤波，再从滤波后的极化SAR图像中提取每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量，将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成这个像素点的特征向量，再将所有像素点的特征向量组成一个样本集，对样本集进行稀疏编码，得到稀疏表示系数矩阵，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量，将所有像素点的邻域特征向量组成一个邻域特征样本矩阵，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵，从归一化后的邻域特征样本矩阵中随机选取训练样本和测试样本，输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典，输入测试样本，对训练好的合成字典和分析字典进行测试，得到测试正确率，将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测标签，对得到的整幅图像的预测标签进行上色，得到上色后的分类结果图。本专利技术实现的具体步骤包括如下：(1)读入极化SAR图像；(2)滤波：采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像；(3)构造样本集：(3a)采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量；(3b)采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量；(3c)采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量；(3d)将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量；(3e)将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(4)稀疏编码：采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵；(5)构造邻域特征样本矩阵：(5a)采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量；(5b)将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(6)归一化邻域特征样本矩阵：采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵；(7)选取训练样本和测试样本：从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本；(8)训练合成字典和分析字典；(8a)输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典；(8b)采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典；(9)测试合成字典和分析字典：(9a)将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别；(9b)按照下式，计算测试样本的测试正确率： a = s i z e ( p = = l ) s i z e ( l ) ]]>其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别；(9c)将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别；(10)上色：根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图；(11)输出分类结果图。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术在构造样本集时采用极化SAR目标本文档来自技高网...

【技术保护点】
一种基于极化‑纹理特征与DPL的极化SAR图像分类方法，包括如下步骤：(1)读入极化SAR图像；(2)滤波：采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像；(3)构造样本集：(3a)采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量；(3b)采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量；(3c)采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量；(3d)将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量；(3e)将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(4)稀疏编码：采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵；(5)构造邻域特征样本矩阵：(5a)采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量；(5b)将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(6)归一化邻域特征样本矩阵：采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵；(7)选取训练样本和测试样本：从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本；(8)训练合成字典和分析字典；(8a)输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典；(8b)采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典；(9)测试合成字典和分析字典：(9a)将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别；(9b)按照下式，计算测试样本的测试正确率：a=size(p==l)size(l)]]>其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别；(9c)将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别；(10)上色：根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图；(11)输出分类结果图。...

【技术特征摘要】
1.一种基于极化-纹理特征与DPL的极化SAR图像分类方法，包括如下步骤：(1)读入极化SAR图像；(2)滤波：采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像；(3)构造样本集：(3a)采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量；(3b)采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量；(3c)采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量；(3d)将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量；(3e)将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(4)稀疏编码：采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵；(5)构造邻域特征样本矩阵：(5a)采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量；(5b)将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(6)归一化邻域特征样本矩阵：采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵；(7)选取训练样本和测试样本：从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本；(8)训练合成字典和分析字典；(8a)输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典；(8b)采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典；(9)测试合成字典和分析字典：(9a)将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别；(9b)按照下式，计算测试样本的测试正确率： a = s i z e ( p = = l ) s i z e ( l ) ]]>其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别；(9c)将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别；(10)上色：根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图；(11)输出分类结果图。2.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(3a)中所述的特征提取方法的具体步骤如下：第一步，从滤波后的极化SAR图像中的任意一个像素点3*3维的相干矩阵中，取出上三角三个元素的实部和虚部以及对角线上三个元素，将取出的9个元素作为该像素点的9个特征；第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的特征，若是，则执行第三步；否则，执行第一步；第三步，将每个像素点的特征拉成一个9*1维的向量，得到滤波后的极化SAR图像中每个像素点的原始特征向量。3.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(3b)中所述的极化SAR目标分解方法的具体步骤如下：第一步，根据极化SAR图像Pauli分解方法得到的3个分解...

【专利技术属性】
技术研发人员：焦李成，马文萍，白茜茜，尚荣华，马晶晶，张丹，侯彪，杨淑媛，赵进，赵佳琦，
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