基于Freeman熵和自学习的极化SAR图像精细分类方法技术

本发明专利技术公开了一种基于Freeman熵和自学习的极化SAR图像精细分类方法。主要解决现有监督分类中地物标签难以获得以及阴影和混合散射区域不好区分的问题。其实现过程是：(1)对极化相干矩阵进行特征值分解，得到三个特征值；（2）对极化协方差矩阵进行分解，得到三种散射功率；（3）根据三个特征值与体散射功率构造输入特征向量；（4）对随机采样点的输入特征向量进行谱聚类；（5）根据采样点及其聚类标记进行SVM分类；（6）对分类结果进行MRF迭代；（7）对错分的像素点进行谱聚类，得到极化SAR图像的精细分类地物类别。本发明专利技术与现有的极化SAR图像分类方法相比，无需人工定义标签，分类结果更加精确，可用于极化SAR图像的目标检测和分类识别。

【技术实现步骤摘要】
基于Freeman熵和自学习的极化SAR图像精细分类方法
本专利技术属于图像处理
，涉及极化合成孔径雷达图像分类，可用于图像目标检测以及图像目标分类与识别。
技术介绍
随着雷达技术的日益发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息。极化SAR图像的理解和解译涉及信号处理，模式识别等众多学科。极化SAR图像分类作为极化SAR图像处理的基本问题之一，为极化SAR图像后期的识别奠定基础。现有的极化SAR图像分类可以分为无监督聚类和有监督分类两类。无监督聚类方法包括：Cloude等人提出的利用散射熵，散射角以及逆熵的阈值来划分类别以及Freeman等人提取每个像素的三种散射功率，按所占比重对图像进行分类。以上这两种方法所用的阈值均需要人为确定，代价大且过于武断。有监督分类方法包括：Kong等人提出的利用数据的统计信息对极化SAR图像进行分类，这种方法对数据分布有严格要求；Hellmann等人提出的利用神经网络分类器来进行分类，这种方法的收敛速度慢，且容易陷入局部最优。同时，由于极化SAR图像真实地物标签很难获得，使得人工定义标签的代价大且不准确。
技术实现思路
本专利技术目的在于克服上述已有技术的缺点，提出了一种基于Freeman熵和自学习的极化SAR图像精细分类方法，以自动获得训练样本标签，提高分类精度。为实现上述目的，本专利技术的极化SAR图像分类方法，包括如下步骤：（1）对极化SAR图像G的所有像素点进行特征值分解；（2）对每个像素点分别得到的三个大小不同的特征值λ1,λ2,λ3且λ1≥λ2≥λ3；（3）对极化SAR图像G的所有像素点进行Freeman分解，得到每个像素点的三种散射功率Pv,Ps,Pd，其中，Pv表示体散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；（4）取每个像素点的三个特征值λ1,λ2,λ3及体散射功率Pv，构成每个像素点的特征向量[λ1,λ2,λ3,Pv]，用所有像素点的特征构成特征矩阵X；（5）从特征矩阵X中随机采样m个点，构造特征子集Xm＝{xj|j＝1,...,m}，其中，xj是第j个采样点的特征，并利用马氏距离对特征子集Xm构造相似度矩阵W；5a)根据特征子集Xm中第j个采样点的特征利用马氏距离构造相似度矩阵wj：其中，xj表示特征子集Xm中第j个采样点的特征，xp表示特征子集Xm中第p个采样点的特征，Cm是特征子集Xm的协方差矩阵；5b)根据第j个采样点相似度矩阵wj，构造特征子集Xm的相似度矩阵W：W＝[w1,...,wj,...,wm]；（6）根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y；（7）对特征子集Xm和初始聚类标签标签Y进行学习，训练一个支撑矢量机SVM分类器；（8）用训练的支撑矢量机SVM对特征矩阵X进行分类，得到SVM分类结果标签Y′；（9）根据SVM分类结果标签Y′，利用每个像素点的特征值λ1对特征矩阵X进行马尔可夫随机场迭代，得到优化的分类结果标签Y′′；（10）根据每个像素点的三种散射功率Pv,Ps,Pd，计算每个像素点的Freeman散射熵Hp；(11)根据优化分类结果标签Y′′，取出标记为海洋的像素点，利用Freeman散射熵Hp对标记为海洋的像素点进行NJW谱聚类，得到最终地物类别标记。本专利技术与现有的技术相比具有以下优点：1.本专利技术利用NJW谱聚类算法得到采样子集的标签，解决了极化SAR图像真实地物标签难获取的问题；2.本专利技术利用马氏距离构造相似度矩阵和核函数，与传统的欧氏距离相比，考虑了特征之间的相关性，同时省去了高斯核函数的度量，因此不再需要调试核参数σ，使得分类算法具有自适应性且操作方便；3.通过二次精细分类，能够有效解决海洋和山体阴影混淆的问题，并能对具有混合散射的小目标区域进行划分。附图说明图1本专利技术的流程图；图2是现有极化SAR图像SanFranciscoBay的RGB合成图；图3是现有极化SAR图像Hiroshima的RGB合成图；图4是本专利技术与现有两种方法对图2的分类仿真结果；图5是本专利技术与现有两种算法对图3的分类仿真结果图。具体实施方式参照图1，本专利技术的具体实现步骤如下：步骤1：对极化SAR图像G的所有像素点进行特征值分解。极化SAR数据的每个像素点的信息由大小为3×3的极化相干矩阵T表示。由于矩阵的特征值最能代表矩阵包含的信息，所以利用MATLAB的eigs函数对每个像素点的极化相干矩阵T进行特征分解，分解表达式如下；其中，U3为极化相干矩阵T特征值分解的特征向量，λ1,λ2,λ3为极化相干矩阵T进行特征值分解得到的大小不同的特征值，其排序为λ1≥λ2≥λ3。步骤2：对极化SAR图像G的所有像素点进行Freeman分解。2a）极化SAR数据的每个像素点的信息由大小为3×3的极化协方差矩阵C表示：其中，H表示水平极化，V表示垂直极化，SHH表示水平向发射和水平向接收的回波数据，SVV表示垂直向发射和垂直向接收的回波数据，SHV表示水平向发射垂直向接收的回波数据，*表示数据的共轭，表示按视数平均；2b）协方差矩阵C分解成如下表达式：其中，为表面散射分量的协方差矩阵，为二面角散射分量的协方差矩阵，为体散射分量的协方差矩阵，fs为平面散射分量的分解系数，fd为二面角散射分量的分解系数，fv为体散射分量的分解系数，β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为α＝RghRvhRgvRvv，Rgh和Rgv分别表示地表的水平及垂直反射系数，Rvh和Rvv表示竖直墙体的水平及垂直反射系数；2c）将式2）中矩阵的元素与式1）中协方差矩阵C的元素相对应，获得一个具有五个未知数fs,fv,fd,α,β和四个方程的方程组如下：2d)计算像素点协方差矩阵C中的的值并判断正负，如果则α＝-1，如果则β＝1，给定α或β的值后，剩余的4个未知数则可根据式3)求解得出，其中Re(·)表示取实部；2e)根据求解出的fs,fv,fd,α,β，按照公式4)求解出散射功率Pv,Pd,Ps：其中，Ps表示表面散射功率，Pd表示二面角散射功率，Pv表示体散射功率。步骤3：取每个像素点的三个特征值λ1,λ2,λ3及体散射功率Pv，构成每个像素点的特征向量[λ1,λ2,λ3,Pv]，用所有像素点的特征构成特征矩阵X＝{xi|i＝1,...,M}，M为极化SAR图像G包含的像素点数，xi表示第i个像素点的特征，即步骤4：从特征矩阵X中随机采样m个点，构造特征子集Xm＝{xj|j＝1,...,m}，xj为第j个采样点的特征，即步骤5：利用马氏距离对特征子集Xm构造相似度矩阵W。5a)根据特征子集Xm中第j个采样点的特征利用马氏距离构造第j个采样点的相似度矩阵wj：其中，xj表示特征子集Xm中第j个采样点的特征，xp表示特征子集Xm中第p个采样点的特征，Cm表示特征子集Xm的协方差矩阵，m为采样点个数；5b)根据第j个采样点相似度矩阵wj，构造特征子集Xm的相似度矩阵W：W＝[w1,...,wj,...,wm]。步骤6：根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y。6本文档来自技高网...

【技术保护点】
一种基于Freeman熵和自学习的极化SAR图像精细分类的方法，包括如下步骤：（1）对极化SAR图像G的所有像素点进行特征值分解；（2）每个像素点分别得到的三个大小不同的特征值λ1,λ2,λ3且λ1≥λ2≥λ3；（3）对极化SAR图像G的所有像素点进行Freeman分解，得到每个像素点的三种散射功率Pv,Ps,Pd，其中，Pv表示体散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；（4）取每个像素点的三个特征值λ1,λ2,λ3及体散射功率Pv，构成每个像素点的特征向量[λ1,λ2,λ3,Pv]，用所有像素点的特征构成特征矩阵X；（5）从特征矩阵X中随机采样m个点，构造特征子集Xm＝{xj|j＝1,...,m}，其中，xj是第j个采样点的特征，并利用马氏距离对特征子集Xm构造相似度矩阵W；5a)根据特征子集Xm中第j个采样点的特征，利用马氏距离构造相似度矩阵wj：wj=(xj-xp)T·Cm-1·(xj-xp),p=1,2,...,m,其中，xj表示特征子集Xm中第j个采样点的特征，xp表示特征子集Xm中第p个采样点的特征，Cm是特征子集Xm的协方差矩阵；5b)根据第j个采样点相似度矩阵wj，构造特征子集Xm的相似度矩阵W：W＝[w1,...,wj,...,wm]；（6）根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y；（7）对特征子集Xm和初始聚类标签标签Y进行学习，训练一个支撑矢量机分类器SVM；（8）用训练的支撑矢量机SVM对特征矩阵X进行分类，得到一个新的SVM 分类结果标签Y′；（9）根据SVM分类结果标签Y′，利用每个像素点的特征值λ1对特征矩阵X进行马尔可夫随机场迭代，得到优化的分类结果标签Y′′；（10）根据每个像素点的三种散射功率Pv,Ps,Pd，计算每个像素点的Freeman散射熵Hp；(11)根据优化分类结果标签Y′′，取出标记为海洋的像素点，利用Freeman散射熵Hp对标记为海洋的像素点进行NJW谱聚类，得到最终地物类别。FDA0000371562630000012.jpg...

【技术特征摘要】
1.一种基于Freeman熵和自学习的极化SAR图像精细分类的方法，包括如下步骤：(1)对极化SAR图像G的所有像素点进行特征值分解；(2)每个像素点分别得到三个大小不同的特征值λ1,λ2,λ3且λ1≥λ2≥λ3；(3)对极化SAR图像G的所有像素点进行Freeman分解，得到每个像素点的三种散射功率Pv,Ps,Pd，其中，Pv表示体散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；(4)取每个像素点的三个特征值λ1,λ2,λ3及体散射功率Pv，构成每个像素点的特征向量[λ1,λ2,λ3,Pv]，用所有像素点的特征构成特征矩阵X；(5)从特征矩阵X中随机采样m个点，构造特征子集Xm＝{xj|j＝1,...,m}，其中，xj是第j个采样点的特征，并利用马氏距离对特征子集Xm构造相似度矩阵W；5a)根据特征子集Xm中第j个采样点的特征利用马氏距离构造相似度矩阵wj：其中，xj表示特征子集Xm中第j个采样点的特征，xp表示特征子集Xm中第p个采样点的特征，Cm是特征子集Xm的协方差矩阵；5b)根据第j个采样点相似度矩阵wj，构造特征子集Xm的相似度矩阵W：W＝[w1,...,wj,...,wm]；(6)根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y；(7)对特征子集Xm和初始聚类标签Y进行学习，训练一个支撑矢量机分类器SVM；(8)用训练的支撑矢量机SVM对特征矩阵X进行分类，得到一个新的SVM分类结果标签Y′；(9)根据SVM分类结果标签Y′，利用每个像素点的特征值λ1对特征矩阵X进行马尔可夫随机场迭代，得到优化的分类结果标签Y″；(10)根据每个像素点的三种散射功率Pv,Ps,Pd，计算每个像素点的Freeman散射熵Hp；(11)根据优化分类结果标签Y″，取出标记为海洋的像素点，利用Freeman散射熵Hp对标记为海洋的像素点进行NJW谱聚类，得到最终地物类别。2.根据权利要求1所述的极化SAR图像分类方法，其中步骤(6)所述的根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y，按照如下步骤进行：6a)计算相似度矩阵W的拉普拉斯矩阵L＝D-1/2WD-1/2,其中D为相似度矩阵W的度矩阵，D＝{d1,...,dj,...,d...

【专利技术属性】
技术研发人员：缑水平，焦李成，杜芳芳，马文萍，马晶晶，乔鑫，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：