一种雷达遥感图像场景特征描述和分类方法技术

本发明专利技术公开了一种雷达遥感图像场景特征描述和分类方法，包括：步骤一、构建极化SAR图像的极化协方差矩阵和极化相干矩阵，针对自然地物具有的HV散射构建其体散射模型，计算极化SAR图像中建筑物的几何朝向方位角；步骤二、基于建筑物的几何朝向方位角构建交叉散射模型；步骤三、将步骤一得到的自然地物的体散射模型和步骤二得到的建筑物的交叉散射模型导入多成分极化目标分解表达式，进而求解得到极化散射功率；步骤四、将每个像素的极化散射功率组成特征矢量，导入SVM分类器获取像素类别。本发明专利技术能够有效提高雷达遥感图像的场景特征描述能力以及图像分类精度。

A Method of Scene Feature Description and Classification for Radar Remote Sensing Images

【技术实现步骤摘要】
一种雷达遥感图像场景特征描述和分类方法
本专利技术属于遥感图像解译领域，具体涉及一种雷达遥感图像场景特征描述和分类方法，能够为雷达图像内容分析以及场景分类提供重要的类别属性信息。
技术介绍
极化合成孔径雷达(SAR)图像场景特征表达和场景分类是遥感图像解译中最为重要的研究内容，对图像场景目标检测识别、城区建设规划、遥感监测和农作物估产都有十分重要的意义。极化目标分解是描述雷达图像目标散射机制特征最根本的手段之一，也是极化SAR图像解译的重要理论基础。极化目标分解得到的各个目标散射功率可应用于雷达图像场景地物分类，然而城区建筑物和森林的散射机理混淆是制约极化目标分解的主要问题，也是限制城区场景分类的关键因素之一。由于城区目标大多比较复杂，属于分布式目标，因此用于城区的极化目标分解技术大都属于非相干目标分解，散射模型极化分解是目前应用较为广泛也是非常受关注的目标散射机理分析方法。多成分极化目标分解方法是典型的分解方法，其将总散射功率分解为表面散射、偶次散射、体散射、螺旋散射和线散射。但其体散射模型并不能有效描述城区建筑物产生的HV散射，因此该分解方法在区分建筑物和森林的体散射以及去除极化SAR图像散射机理混淆方面仍有缺陷。充分挖掘建筑物和森林自然地物的散射机制形成机理，在此基础上提出建筑物和森林的HV散射模型，对于提升雷达图像极化目标表征具有重要意义。雷达图像的场景分类方法根据是否需要人工选取训练样本，可以分为有监督分类和无监督分类。根据分类器的选择，分类方法可以分为参数方法和非参数方法。参数方法一般需要假设数据的分布模型，估计出模型参数，然后使用最大似然(MaximumLikelihood,ML)和最大后验概率(MaximumaPosteriori,MAP)等分类方法。非参数方法不需要使用数据的统计模型，通过人工神经网络(ArtificialNeuralNetwork,ANN)或者支撑向量机(SupportVectorMachine,SVM)等方法得到最终的分类结果。SVM以统计学习理论为基础，在小样本条件下能够取得良好的分类效果，比ANN具有更好的泛化能力。Fukuda等提出了使用SVM的极化SAR非监督分类方法。SVM可以直接使用多种特征，如张腊梅等使用SVM对多成分极化目标分解(MCSM)得到的极化分解特征与GLCM特征进行分类。基于散射模型的极化目标分解把协方差矩阵或相干矩阵表示成若干项具有不同物理意义的基本散射机理之和，这些方法大都源自Freeman提出的三成分极化目标分解。但由于自然地物和人工建筑物产生的HV散射都被单一体散射模型描述，因此两种地物的极化特征存在混淆。因此，需要一种新的处理方法解决雷达图像场景特征描述和分类问题。
技术实现思路
本专利技术的目的在于针对上述现有技术中的问题，提供一种雷达遥感图像场景特征描述和分类方法，有效提高雷达遥感图像的场景特征描述能力以及图像分类精度。为了实现上述目的，本专利技术采用的技术方案包括以下步骤：步骤一、构建极化SAR图像的极化协方差矩阵和极化相干矩阵，针对自然地物具有的HV散射构建其体散射模型，计算极化SAR图像中建筑物的几何朝向方位角θ；步骤二、基于建筑物的几何朝向方位角构建交叉散射模型；步骤三、将步骤一得到的自然地物的体散射模型和步骤二得到的建筑物的交叉散射模型导入多成分极化目标分解表达式，进而求解得到极化散射功率；步骤四、将每个像素的极化散射功率组成特征矢量，导入SVM分类器获取像素类别。所述的步骤一通过雷达极化散射矩阵以及Pauli散射矢量获取极化相干矩阵；雷达极化散射矩阵表示为：其中，H和V分别表示水平极化和垂直极化；SPQ为以Q极化方式发射、P极化方式接收时，散射矩阵的目标后向复散射系数，P,Q＝H,V，在满足互易定理的后向散射情况下有SHV＝SVH；Pauli散射矢量表示为：其中，上标T表示矩阵转置；则极化相干矩阵表达式为：其中，上标表示矩阵的共轭转置，上标*表示复共轭；极化协方差矩阵表达式为：其中，构建得到的自然地物体散射模型为：其中，τ为共极化比参数，τ＝<|SHH|2>/<|SVV|2>。步骤一根据极化相干矩阵表达式获取极化SAR图像中建筑物的几何朝向方位角θ：将极化相干矩阵旋转一个角度θ，得到最小化交叉散射项T33；其中，为旋转矩阵；则，旋转后的交叉散射项T′33表示为：T′33＝T33cos22θ-Re(T23)sin4θ+T22sin22θ；将T′33对θ求导并将其导数设为零，得到极化SAR图像建筑物几何朝向方位角θ的表达式为：式中，Re{T23}表示T23的实部。步骤二构建得到的建筑物交叉体散射模型为：其中，θdom为建筑物的极化方位角；由于二面角散射结构体的极化方位角分布为：则：其中，Td(θ)为标准二面角反射子在方位角为θ时的相干矩阵散射模型：所述的步骤三获取极化散射功率表达式的具体过程为：首先，将自然地物的体散射模型导入多成分极化目标分解表达式，得：其中，τ为共极化比参数，fw为线散射加权系数。将螺旋散射以及线散射成分从去除，得到：判断HV散射是自然地物产生的体散射还是二面角结构建筑物产生的体散射：极化目标分解的解析表达式为：其中，fs,fd,fv,fc和fw分别表示表面散射、偶次散射、体散射、螺旋散射以及线散射的加权系数，[T]s,[T]d,[T]c和[T]w则表示对应的相干散射模型，表示如下：其中，α和β表示散射体在水平极化与垂直极化上的比值，γ和ρ分别为HH极化和HV极化与VV极化的后向散射系数的比值，即：再将自然地物的体散射模型和建筑物的交叉散射模型代入极化目标分解的解析表达式：fw，fc的解析式如下：体散射模型系数fv有两种计算结果，分别为：分解得到极化散射功率表达式并获取极化散射功率；极化散射功率表达式为：所述的步骤四获取SVM分类器的具体步骤如下：假定分类超平面的表达式为：x·w+b＝0，其中，w为n维权值向量，x·w表示这两个向量的内积，b为偏置量，H+和H-与H平行，且分别过两类样本中离H最近的样本，这些样本点称为支撑向量，满足|x·w+b|＝1，H+与H-之间的距离被称为分类间隔，分类间隔的计算式为2/||w||；最优分类超平面对应于最大的分类间隔，求解线性约束下的二次规划问题：通过引入Lagrange算子αi≥0，i＝1,2,...,l，，给出αi的全局最优解αi*，i＝1,2,...,l，，则最优分类超平面对应的权值向量和偏置量为：其中，SV表示支撑向量的集合，则SVM分类器的分类函数为：与现有技术相比，本专利技术具有如下的有益效果：针对旋转建筑物与森林等自然植被的散射机理混淆现象，在多成分极化目标分解基础上，引入一般性体散射模型和基于自适应极化方位角的HV散射模型来描述自然区域和建筑物的HV散射，将自然地物的体散射模型和建筑物的交叉散射模型导入多成分极化目标分解，有效提高了雷达遥感图像场景特征描述能力。最后将每个像素的散射功率组成特征矢量，导入SVM分类器获取逐个像素类别，对雷达图像场景进行分类，对提高基于散射功率特征的PolSAR图像分类精度有很好的促进作用。附图说明图1改进的多成分极化目标分解示意图；图2分类超平面示意图；图3雷达遥感图像极化分解特征合成图：(a)本文档来自技高网...

【技术保护点】
1.一种雷达遥感图像场景特征描述和分类方法，其特征在于，包括以下步骤：步骤一、构建极化SAR图像的极化协方差矩阵和极化相干矩阵，针对自然地物具有的HV散射构建其体散射模型，计算极化SAR图像中建筑物的几何朝向方位角θ；步骤二、基于建筑物的几何朝向方位角构建交叉散射模型；步骤三、将步骤一得到的自然地物的体散射模型和步骤二得到的建筑物的交叉散射模型导入多成分极化目标分解表达式，进而求解得到极化散射功率；步骤四、将每个像素的极化散射功率组成特征矢量，导入SVM分类器获取像素类别。

【技术特征摘要】
1.一种雷达遥感图像场景特征描述和分类方法，其特征在于，包括以下步骤：步骤一、构建极化SAR图像的极化协方差矩阵和极化相干矩阵，针对自然地物具有的HV散射构建其体散射模型，计算极化SAR图像中建筑物的几何朝向方位角θ；步骤二、基于建筑物的几何朝向方位角构建交叉散射模型；步骤三、将步骤一得到的自然地物的体散射模型和步骤二得到的建筑物的交叉散射模型导入多成分极化目标分解表达式，进而求解得到极化散射功率；步骤四、将每个像素的极化散射功率组成特征矢量，导入SVM分类器获取像素类别。2.根据权利要求1所述的雷达遥感图像场景特征描述和分类方法，其特征在于：所述的步骤一通过雷达极化散射矩阵以及Pauli散射矢量获取极化相干矩阵；雷达极化散射矩阵表示为：其中，H和V分别表示水平极化和垂直极化；SPQ为以Q极化方式发射、P极化方式接收时，散射矩阵的目标后向复散射系数，P,Q＝H,V，在满足互易定理的后向散射情况下有SHV＝SVH；Pauli散射矢量表示为：其中，上标T表示矩阵转置；则极化相干矩阵表达式为：其中，上标表示矩阵的共轭转置，上标*表示复共轭；极化协方差矩阵表达式为：其中，3.根据权利要求2所述的雷达遥感图像场景特征描述和分类方法，其特征在于：构建得到的自然地物体散射模型为：其中，τ为共极化比参数，τ＝<|SHH|2>/<|SVV|2>。4.根据权利要求2所述的雷达遥感图像场景特征描述和分类方法，其特征在于：步骤一根据极化相干矩阵表达式获取极化SAR图像中建筑物的几何朝向方位角θ：将极化相干矩阵旋转一个角度θ，得到最小化交叉散射项T33；其中，为旋转矩阵；则，旋转后的交叉散射项T′33表示为：T′33＝T33cos22θ-Re(T23)sin4θ+T22sin22θ；将T′33对θ求导并将其导数设为零，得到极化SAR图像建筑物几何朝向方位角θ的表达式为：式中，Re{T23}表示T23的实部。5.根据权利要求1所述的雷达遥感图像场景特征描述和分类方法，其特征在于：步骤二构建得...

【专利技术属性】
技术研发人员：项德良，王世晞，张亮，徐建忠，
申请(专利权)人：杭州世平信息科技有限公司，
类型：发明
国别省市：浙江,33