基于几何感知判别词典学习的极化SAR图像监督分类方法技术

基于几何感知判别词典学习的极化SAR图像监督分类方法，涉及图像处理。1)输入待分类极化合成孔径雷达SAR图像及其真实地物标记图像，得到其极化相干矩阵；2)对提取的相干矩阵进行滤波，去除斑点噪声；每个类别选取5％的数据作为训练样本，其余作为测试样本；3)对每类样本分别使用k均值聚类得到多个聚类中心，作为字典元素构成初始字典；4)计算每个训练样本经过字典表示的稀疏向量；5)根据稀疏向量与标签信息训练SVM分类器；6)利用稀疏向量与分类器更新字典；7)若字典更新幅度大于1e‑5，返回步骤4)，否则执行步骤8)；8)计算每个测试样本经过字典表示的稀疏向量，利用SVM分类器得最终分类结果。

【技术实现步骤摘要】
基于几何感知判别词典学习的极化SAR图像监督分类方法
本专利技术涉及图像处理，尤其是涉及可用于极化SAR图像地物分类的一种基于几何感知判别词典学习的极化SAR图像监督分类方法。
技术介绍
在最近的几十年中，极化合成孔径雷达(PolSAR)作为遥感研究的重要分支，由于其广泛的应用而引起了研究人员的关注。PolSAR的最重要应用之一是图像分类，其中将每个像素分配给一个地形类型。分类图可以直接用于应用程序，也可以用作进一步处理步骤的输入，例如灾难管理，现场解释，环境监测，农业等。但是，POLSAR图像分类由于其复杂的表示和强烈的斑点干扰而被认为是一项艰巨的任务。尽管已经提出了许多方法，但是POLAR图像分类问题仍然是一个活跃的研究主题。通常，以不同状态发送和接收电磁波的PolSAR可以提供更详细的信息，表示为四极化矩阵，而不是单极化SAR中的单个值。为了直观地表达有关几何结构和物理属性信息的隐含特征，例如统计，散射，纹理，空间和颜色信息，已经提出了许多有用的分解算法。CloudePottier等人(S.R.CloudeandE.Pottier,“Anentropybasedclassificationschemeforlandapplicationsofpolarimetricsar,”IEEETransactionsonGeoscienceandRemoteSensing,vol.35,no.1,pp.68–78,Jan1997.)使用三级伯努利统计模型从数据生成平均目标散射矩阵参数的估计值。Yamaguchi等人扩展了Freeman和Durden引入的三分量分解方法，将其扩展为处理一般散射情况的四分量分解算法。但是，由于分解时会丢失一些信息，因此每个提出的分解算法都无法代表原始数据完美。另一方面，堆叠的高维极化特征向量仍然是最重要的信息，这是多余的，因为这些极化特征可以从其他算法中分解出来，并可以用其他方式表示。因此，有必要提取适当的低维特征以提高分类性能。Y.Wang等人(Y.Wang,etal.“Hierarchicalpolarimetricsarimageclassificationbasedonfeatureselectionandgeneticalgorithm,”in201412thInternationalConferenceonSignalProcessing(ICSP),Oct2014,pp.764–768.)选择了各种各样的极化特征以构建高维极化流形，该流形通过降维算法映射到最紧凑的低维结构中。
技术实现思路
本专利技术的目的在于针对现有技术存在的上述不足，提供提升模型鲁棒性和分类精度的一种基于几何感知判别词典学习的极化SAR图像监督分类方法。本专利技术包括以下步骤：1)输入待分类极化合成孔径雷达SAR图像及其真实地物标记图像，得到其极化相干矩阵T；2)对提取的相干矩阵进行滤波，去除斑点噪声，得到滤波后的相干矩阵；每个类别选取5％的数据作为训练样本，其余作为测试样本；3)对每类样本分别使用k均值聚类得到多个聚类中心，作为字典元素构成初始字典；4)计算每个训练样本经过字典表示的稀疏向量；5)根据稀疏向量与标签信息训练SVM分类器；6)利用稀疏向量与分类器更新字典；7)若字典更新幅度大于1e-5，返回步骤4)，否则直接执行步骤8)；8)计算每个测试样本经过字典表示的稀疏向量，利用SVM分类器得到最终的分类结果。在步骤2)中，所述对提取的相干矩阵进行滤波，去除斑点噪声，得到滤波后的相干矩阵是基于步骤1)所得极化相干矩阵T，采用窗口大小为7×7的BoxCar滤波方法，对提取的相干矩阵进行滤波，降低PolSAR图像的斑点效应，去除斑点噪声，并将矩阵的迹小于1e-5的像素点作为离群点过滤。在步骤3)中，所述构成初始字典的具体步骤可为：对于每一个类，视其训练样本数为n，分别进行k均值聚类，每个样本与聚类中心的距离度量定义为KL散度距离，样本X1，X2的KL散度定义为：其中tr(*)表示矩阵的迹，size(X,1)表示矩阵的行数。循环迭代直到聚类中心不再发生移动，得到一个类别的聚类中心，将所有类别计算得到的聚类中心视为字典元素构成初始字典。在于在步骤4)中，所述字典使用以下字典模型：其中，表示字典，Xi为第i个相干矩阵X，zi表示Xi在字典上的稀疏表示，表示稀疏向量矩阵Z的稀疏度，表示字典的稀疏度，L(Z,y,ω,b)表示稀疏向量z在超参数为ω,b的SVM分类器中对于标签y分类损失，其中：其中，θ为权重系数。当字典与SVM分类器参数ω,b都固定时，对于给定的数据矩阵Xi∈Hd+，稀疏向量z的最小值可以表示为以下子问题：对zj求偏导数得到：其中，在步骤5)中，所述根据稀疏向量与标签信息训练SVM分类器的具体方法可为：当稀疏向量z与SVM分类器参数ω,b都固定时，可以将字典的最小值表示为以下非凸优化问题：采用了黎曼共轭梯度(CG)方法对其求导，对于非线性函数Θ(Bi),第k+1步的字典元素表示为：其中，γk是通过有效的线性搜索方法找到的步长，而下降方向ξ(k)定义为：其中，grad(*)表示梯度函数，映射ΦX(Y)定义了两个点的向量传输，对于黎曼流形上的两个点X,Y∈TPM，其中，▽Θ(B)是Θ(B)的欧式梯度，第j代的字典元素定义为：令导数可被近似为在步骤8)中，所使用的字典模型为：对于得到稀疏向量z使用SVM分类器计算所属类别：对于每个像素点依次预测其所属类别，即可实现计划图像的分类。本专利技术从三维张量字典学习优化入手，考虑数据的类别信息和固有的黎曼几何信息，以使得计算出的字典更适合数据集，从而提升模型鲁棒性，有效提升了分类精度。本专利技术利用从极化数据中提取的极化相干矩阵构建一个三维极化特征张量字典，根据基于字典表示方法得到低维特征向量，使用最大间隔支持向量机进行分类，根据训练完毕的分类器与特征向量更新张量字典，不断循环直到字典更新幅度小于阈值，以此得到合适的字典与分类器对SAR图像进行分类。本专利技术在不需要破坏三维极化特征张量结构的基础上，寻找到合适的字典转化，去除了特征量之间的冗余性，避免了维数灾难问题，很好地改善了分类效果，并且提高了算法的效率与稳健性，能够应用在各种复杂地形的分类中。与现有技术相比，本专利技术具有如下突出的优点和技术效果：1.本专利技术利用一种新颖的几何感知判别词典学习框架进行PolSAR图像分类，每个数据点都表示为来自学习字典的HPD原子的非负线性组合，通过对类别信息和固有的黎曼几何信息进行编码，原始数据表征为稀疏编码系数，在不需要破坏三维极化特征张量的情况下将其转换为稀疏表示。2.本专利技术使用交替方向乘子法求解所提出的目标函本文档来自技高网...

【技术保护点】
1.基于几何感知判别词典学习的极化SAR图像监督分类方法，其特征在于以下步骤：/n1)输入待分类极化合成孔径雷达SAR图像及其真实地物标记图像，得到其极化相干矩阵T；/n2)对提取的相干矩阵进行滤波，去除斑点噪声，得到滤波后的相干矩阵；每个类别选取5％的数据作为训练样本，其余作为测试样本；/n3)对每类样本分别使用k均值聚类得到多个聚类中心，作为字典元素构成初始字典；/n4)计算每个训练样本经过字典表示的稀疏向量；/n5)根据稀疏向量与标签信息训练SVM分类器；/n6)利用稀疏向量与分类器更新字典；/n7)若字典更新幅度大于1e-5，返回步骤4)，否则直接执行步骤8)；/n8)计算每个测试样本经过字典表示的稀疏向量，利用SVM分类器得到最终的分类结果。/n

【技术特征摘要】
1.基于几何感知判别词典学习的极化SAR图像监督分类方法，其特征在于以下步骤：
1)输入待分类极化合成孔径雷达SAR图像及其真实地物标记图像，得到其极化相干矩阵T；
2)对提取的相干矩阵进行滤波，去除斑点噪声，得到滤波后的相干矩阵；每个类别选取5％的数据作为训练样本，其余作为测试样本；
3)对每类样本分别使用k均值聚类得到多个聚类中心，作为字典元素构成初始字典；
4)计算每个训练样本经过字典表示的稀疏向量；
5)根据稀疏向量与标签信息训练SVM分类器；
6)利用稀疏向量与分类器更新字典；
7)若字典更新幅度大于1e-5，返回步骤4)，否则直接执行步骤8)；
8)计算每个测试样本经过字典表示的稀疏向量，利用SVM分类器得到最终的分类结果。


2.如权利要求1所述基于几何感知判别词典学习的极化SAR图像监督分类方法，其特征在于在步骤2)中，所述对提取的相干矩阵进行滤波，去除斑点噪声，得到滤波后的相干矩阵是基于步骤1)所得极化相干矩阵T，采用窗口大小为7×7的BoxCar滤波方法，对提取的相干矩阵进行滤波，降低PolSAR图像的斑点效应，去除斑点噪声，并过滤迹小于1e-5的离群点。


3.如权利要求1所述基于几何感知判别词典学习的极化SAR图像监督分类方法，其特征在于在步骤3)中，所述构成初始字典的具体步骤为：
对于每一个类，视其训练样本数为n，分别进行k均值聚类，每个样本与聚类中心的距离度量定义为KL散度距离，样本X1，X2的KL散度定义为：



其中,tr(*)表示矩阵的迹，size(X,1)表示矩阵的行数；
循环迭代直到聚类中心不再发生移动，得到一个类别的聚类中心，将所有类别计算得到的聚类中心视为字典元素构成初始字典。


4.如权利要求1所述基于几何感知判别词典学习的极化SAR图像监督分类方法，其特征在于在步骤4)中，所述计算每...

【专利技术属性】
技术研发人员：曲延云，赖轩，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35