一种基于特征优化的制造技术

本发明专利技术公开了一种基于特征优化的

【技术实现步骤摘要】
一种基于特征优化的SAR影像湿地分类方法


[0001]本专利技术涉及遥感图像处理
，更具体的说是涉及一种基于特征优化的
SAR
影像湿地分类方法
。

技术介绍

[0002]在遥感影像处理中，地物分类主要利用不同地物在传感器中的不同表现形式，对影像中各像元对应的实际地物按照某种规则或算法划分不同的类别，从而达到遥感影像地物分类的效果
。
湿地是水陆相互作用形成的独特生态系统，与森林
、
海洋并列为世界三大生态系统，包含极其丰富的自然资源，是生态系统资源的重要组成部分
。
精确获取大范围湿地景观格局的空间分布信息及演化趋势，已然成为湿地保护极其重要的环节
。
作为先进的对地观测手段之一，
SAR
不仅可以穿透湿地植被冠层能够真实地对湿地地表地物目标进行观测，同时后向散射系数包含了观测地物目标的参数信息，能够真实而准确地反映地物目标的特点与类别
。
[0003]现阶段利用极化
SAR
技术对湿地地物进行分类识别存在以下问题亟待解决：
(1)
由于湿地地物复杂多样，仅利用雷达后向散射系数对湿地进行特征表达存在解译模糊性的问题，构建合适的地物散射特征集是湿地地物精准解译的关键；
(2)
目前在湿地应用中，不同时相
SAR
影像相干性研究基本停留在单极化影像上，如何充分利用全极化信息进行相干性估计优化是湿地特征精准提取的关键
。(3)
对湿地特征提取存在特征挖掘有限
。
如何利用深度学习的优势对特征进行优化是湿地地物高效提取的关键
。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于特征优化的
SAR
影像湿地分类方法，利用全极化
SAR
影像结合深度学习技术，适用于对不同湿地类型地物进行分类，解决了特征表达能力不足的问题，精确掌握不同时期湿地地物类型与周围环境的联动关系，提高了湿地地物分类精度
。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于特征优化的
SAR
影像湿地分类方法，包括：
[0007]对待监测湿地的全极化
SAR
影像进行预处理，得到
SAR
影像的极化散射矩阵，对所述极化散射矩阵进行转化得到
Pauli
转化向量和相干矩阵或协方差矩阵；
[0008]利用所述极化散射矩阵提取湿地地物在单一时相下的同极化相位差特征；
[0009]利用所述
Pauli
转化向量提取湿地地物在不同时相下的全极化相干性优化改进特征；
[0010]对所述相干矩阵或协方差矩阵进行极化分解，扩充湿地地物的极化特征信息，得到湿地地物的极化分解特征；
[0011]利用所述极化散射矩阵
、
所述相干矩阵或协方差矩阵
、
所述同极化相位差特征
、
所述全极化相干性优化改进特征和所述极化分解特征构建湿地地物的初始特征集；
[0012]利用预先训练好的
CNN
模型对所述初始特征集进行优化，得到优选特征集；
[0013]利用深度随机森林方法对所述优选特征集进行分类，得到待监测湿地的地物分类结果
。
[0014]进一步的，在上述一种基于特征优化的
SAR
影像湿地分类方法中，所述极化散射矩阵的表达式为：
[0015][0016]其中，
h
和
v
分别表示水平和垂直极化方式，
S
hh
表示水平发射水平接收的地物散射变量，
S
hv
表示水平发射垂直接收的地物散射变量，
S
vh
表示垂直发射水平接收的地物散射变量，
S
vv
表示垂直发射垂直接收的地物散射变量
。
[0017]进一步的，在上述一种基于特征优化的
SAR
影像湿地分类方法中，所述
Pauli
转化向量的表达式为：
[0018][0019]其中，
T
表示转置
。
[0020]进一步的，在上述一种基于特征优化的
SAR
影像湿地分类方法中，所述相干矩阵的表达式为：
[0021][0022]所述协方差矩阵的表达式为：
[0023][0024]其中，
*
表示共轭；
<>
表示假设随机散射介质各向同性下的空间统计平均
。
[0025]进一步的，在上述一种基于特征优化的
SAR
影像湿地分类方法中，单一时相的同极化相位差特征的提取公式为：
[0026][0027][0028]其中，
arg()
表示求相位，
ρ
hhvv
为同极化相干系数
。
[0029]进一步的，在上述一种基于特征优化的
SAR
影像湿地分类方法中，所述利用所述
Pauli
转化向量提取湿地地物的全极化相干性优化改进特征，包括：
[0030]利用不同时相的
Pauli
转化向量对全极化相干性最优估计表达式进行扩展；
[0031]利用拉格朗日函数对扩展后的全极化相干性最优估计表达式求解函数极值；
[0032]确定拉格朗日函数的权重向量
、
拉格朗日梯度和转化极值条件，并进行特征值向量的提取，选取特征值向量中的最大值作为多极化相干性优化改进特征
。
[0033]进一步的，在上述一种基于特征优化的
SAR
影像湿地分类方法中，全极化相干性最优估计表达式如下所示：
[0034][0035]其中，为全极化相干性最优估计，
W1与
W2分别为权重向量，上标
H
表示矩阵共轭转置，
k1
和
k2
表示不同时刻的
Pauli
转化向量；
[0036]利用拉格朗日函数对全极化相干性估计函数进行函数极值的求解公式为：
[0037][0038]其中，
μ1和
μ2为拉格朗日乘子，
C1
和
C2
为拉格朗日条件常数；
[0039]分别对求解公式
L
进行
μ1、
μ2、W1、W2求偏导，确定
L
合适的权重向量
、
拉格朗日梯度和转化极值条件，构建如下方程：
[0040]ν
＝
μ1μ2*
[0041][0042][0043]其中，
W1与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于特征优化的
SAR
影像湿地分类方法，其特征在于，包括：对待监测湿地的全极化
SAR
影像进行预处理，得到
SAR
影像的极化散射矩阵，对所述极化散射矩阵进行转化得到
Pauli
转化向量和相干矩阵或协方差矩阵；利用所述极化散射矩阵提取湿地地物在单一时相下的同极化相位差特征；利用所述
Pauli
转化向量提取湿地地物在不同时相下的全极化相干性优化改进特征；对所述相干矩阵或协方差矩阵进行极化分解，扩充湿地地物的极化特征信息，得到湿地地物的极化分解特征；利用所述极化散射矩阵
、
所述相干矩阵或协方差矩阵
、
所述同极化相位差特征
、
所述全极化相干性优化改进特征和所述极化分解特征构建湿地地物的初始特征集；利用预先训练好的
CNN
模型对所述初始特征集进行优化，得到优选特征集；利用深度随机森林方法对所述优选特征集进行分类，得到待监测湿地的地物分类结果
。2.
根据权利要求1所述的一种基于特征优化的
SAR
影像湿地分类方法，其特征在于，所述极化散射矩阵的表达式为：其中，
h
和
v
分别表示水平和垂直极化方式，
S
hh
表示水平发射水平接收的地物散射变量，
S
hv
表示水平发射垂直接收的地物散射变量，
S
vh
表示垂直发射水平接收的地物散射变量，
S
vv
表示垂直发射垂直接收的地物散射变量
。3.
根据权利要求2所述的一种基于特征优化的
SAR
影像湿地分类方法，其特征在于，所述
Pauli
转化向量的表达式为：其中，
T
表示转置
。4.
根据权利要求2所述的一种基于特征优化的
SAR
影像湿地分类方法，其特征在于，所述相干矩阵的表达式为：所述协方差矩阵的表达式为：其中，
*
表示共轭；
<>
表示假设随机散射介质各向同性下的空间统计平均
。
5.
根据权利要求2所述的一种基于特征优化的
SAR
影像湿地分类方法，其特征在于，单一时相的同极化相位差特征的提取公式为：一时相的同极化相位差特征的提取公式为：其中，
arg()
表示求相位，
ρ
hhvv
为同极化相干系数
。6.
根据权利要求1所述的一种基于特征优化的
SAR
影像湿地分类方法，其特征在于，所述利用所述
Pauli
转化向量提取湿地地物的全极化相干性优化改进特征，包括：利用不同时相的
Pauli
转化向量对全极化相干性最优估计表达式进行扩展；利用拉格朗日函数对扩展后的全极化相干性最优估计表达式求解函数极值；确定拉格朗日函数的权重向量
...

【专利技术属性】
技术研发人员：赵金奇，王猛，商浩淼，刘瑶，舒菲娅，李宇轩，陈志盛，牛玉芬，陈奥，
申请(专利权)人：莱斯科技湖北有限公司，
类型：发明
国别省市：