CN103617427A

CN103617427A - 极化sar图像分类方法

Info

Publication number: CN103617427A
Application number: CN201310685303.7A
Authority: CN
Inventors: 邓磊; 孙晨; 赵文吉
Original assignee: Capital Normal University
Current assignee: Capital Normal University
Priority date: 2013-12-13
Filing date: 2013-12-13
Publication date: 2014-03-05
Anticipated expiration: 2033-12-13
Also published as: CN103617427B

Abstract

本发明公开了一种极化SAR图像分类方法，包括：S1：提取极化SAR图像的特征：散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；S2：将所述极化SAR图像分解为两个子孔径图像后，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)；S3：将所述两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；S4：将所述第一特征集和所述第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。使用本发明极化SAR图像分类方法，可以提高分类结果的精度。

Description

极化SAR图像分类方法

技术领域

本发明涉及图像处理领域，具体涉及一种极化SAR图像分类方法。

背景技术

由于不同地物对电磁波的散射机理不同，通过分析全极化雷达的后向散射特征可以获取到更为丰富的地物信息，因而其在地面目标检测、地物识别分类提取中得到了应用广泛。目前，在研究地物散射特性的过程中，主要是通过对包含目标地物电磁散射特性的回波信号进行极化目标分解的方法来实现地物散射特性分析。通过极化目标分解可以得到体现地物散射类型的特征，进而利用这些特征对极化SAR图像进行分类。

传统的基于极化目标分解的分类方法是针对全分辨率图像的，全分辨率极化SAR图像是将目标散射信号进行全方位向的合成得到的，然而，在合成孔径雷达成像过程中，雷达平台与目标的相对位置是不断变化的，利用全分辨率图像进行分类没有充分考虑地物电磁特性随传感器方位视角变化的特点，目标散射特性的分析并不全面。近年来，出现了将SAR图像分解为多个子孔径图像，并分别利用子孔径图像分析目标在不同方位角下后向散射的瞬时变化，并将其应用于地物目标的分类和提取的方法，例如，Ainsworth等分析了子孔径图像间的高相关性，并结合wishart分类方法实现了对高分辨率极化SAR图像非平稳目标的提取；Reigber等利用相干时频分析方法来抑制杂波，并根据子孔径间的高度相干性来检测点散射体，进行城镇地区建筑物结构的检测等。

使用子孔径方法的缺点在于：

1、分类器都是针对少量特征进行规则的建立，难以全面地反映SAR图像特征，因此造成分类精度难以提高；

2、通常使用最大似然估计法对目标进行分类，这使得这些方法要求样本需符合特定的统计分布模型，并且生成的分类规则较难解译；

3、一般需要分解为多个子孔径，提取多个子孔径图像的均值、相干等特征以进行分类，而子孔径的个数与地面空间分辨率成反比，因此，子孔径个数增加虽然导致提取的特征（如均值、相干）更精确，但是地面空间分辨率却由于子孔径的个数而降低，其必然使最终的分类精度受限。

发明内容

为克服上述一个和/或多个缺点，本发明提供了一种极化SAR图像分类方法。

本发明提供的一种极化SAR图像分类方法，包括：S1：提取极化SAR图像的特征：散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；S2：将所述极化SAR图像分解为两个子孔径图像后，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)；S3：将所述两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；S4：将所述第一特征集和所述第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。

进一步地，在S1步骤中，利用Cloude分解从所述极化SAR图像提取所述第一特征集(H,A,α)；并且在S2步骤中，利用Cloude分解分别从所述两个子孔径图像提取所述两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)。

可选地，所述决策树分类模型为C5决策树分类模型。

进一步地，步骤S4具体包括：S41：将所述第一特征集和所述第二特征集合并为目标识别特征集；S42：利用所述决策树分类模型对预定的样本数据进行训练，以构建用于目标识别的规则；S43：利用所述决策树分类模型根据所述规则对所述目标识别特征集进行分类，得到所述极化SAR图像的分类结果。

本发明的有益效果在于：提供了一种极化SAR图像分类方法，其不仅利用了从极化SAR图像本身提取的特征集合，同时利用了从两个子孔径图像提取的各相应特征的差值的集合，即两种不同类型的特征集合，使得所提取的特征多层次、全面、丰富地反应极化SAR图像的特性；由于提取两种不同类型的特征集合，继而能够使用分类精度更好、分类性能更好的针对多种类型特征进行分类的决策树分类模型；另外，将图像仅分解为两个子孔径图像，最大限度地保证了地面空间分辨率，从而保证了分类精度。

附图说明

图1是本发明实施例的极化SAR图像分类方法的流程示意图。

图2是本发明实施例的方法与基于最大似然准则的wishart监督分类以及单纯利用极化分解特征的决策树分类方法的分类结果的对比示意图。

具体实施方式

为使本领域技术人员更好地理解本发明，下面参照附图对本发明的实施例进行详细说明。

图1是本发明实施例的极化SAR图像分类方法的流程示意图。参见图1，本发明实施例的极化SAR图像分类方法，包括：S1：提取极化SAR图像的特征：散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；S2：将极化SAR图像分解为两个子孔径图像后，分别提取两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)；S3：将两个子特征集中的各相应特征的值相减，得到各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；S4：将第一特征集和第二特征集输入到决策树分类模型中，得到极化SAR图像的分类结果。

本发明实施例的有益效果在于：不仅利用了从SAR图像本身提取的特征集合，同时利用了从两个子孔径图像提取的各相应特征的差值的集合，即两种不同类型的特征集合，使得所提取的特征多层次、全面、丰富地反应SAR图像的特性；由于提取两种不同类型的特征集合，继而能够使用分类精度更好、分类性能更好的针对多种类型特征进行分类的决策树分类模型；另外，将图像仅分解为两个子孔径图像，最大限度地保证了地面空间分辨率，从而保证了分类精度。

值得说明的是，上述方法中，由于步骤S1、步骤S2处理顺序的先后（甚至并行）不会影响到最终的分类结果，因此步骤S1与步骤S2并没有明确的顺序之分。

具体而言，在S1步骤中，可以利用Cloude分解从极化SAR图像提取第一特征集(H,A,α)；并且在S2步骤中，可以利用Cloude分解分别从两个子孔径图像提取两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)。Cloude分解是一种为本领域人员所知的对极化SAR图像提取上述特征的分解方法，当然也可以采用其他公知的分解方法。

通常可以使用包括QUEST、C&R、CHAID等在内的决策树分类模型进行分类。优选地，本发明实施例所使用的决策树分类模型为C5决策树分类模型，经测试表明，其进行多特征分类的效果更好。由于本发明实施例提取了两种不同类型的特征集合，即两类特征（一类为极化SAR图像本身的特征的集合，一类为极化SAR图像的两个子孔径图像各相应特征的差值所形成的特征集合），利用C5决策树模型构建极化SAR图像的分类规则，能够生成一个二叉树结构的分类规则文本，通过解译二叉树的叶子节点，可以分别得到每一类地物基于多种特征的分类依据，以便于进一步研究地物的散射机理与特征之间的关系。从而很好地解决了现有技术中，要求样本需符合特定的统计分布模型以及所生成的分类规则较难解译的缺陷。

此外，本发明实施例的极化SAR图像分类方法中，步骤S4可以具体包括：S41：将第一特征集和第二特征集合并为目标识别特征集；S42：利用决策树分类模型对预定的样本数据进行训练，以构建用于目标识别的规则；S43：利用决策树分类模型根据规则对目标识别特征集进行分类，得到极化SAR图像的分类结果。

在下面的描述中，还将进一步对本发明实施例的分类方法的性能与传统方法之间的性能进行分析与比较。

参考图2，图2是本发明实施例的方法与基于最大似然准则的wishart监督分类、以及单纯利用极化分解特征的决策树分类方法（图中示为：H/A/α-C5）的分类结果的对比示意图。从分类的整体效果来看，本发明实施例的方法与H/A/α-C5分类方法（均使用了决策树分类方法）能够将各种地物类型清晰的体现出来，具有较好的地物表现力，而在wishart监督分类方法的结果中斜建筑与稀疏植被出现大量的混分。基于地物的先验知识，分析三种方法分类结果的细节效果，其中，wishart监督分类的分类结果并没有将茂密植被与稀疏植很好的区分出来，裸地和稀疏植被的混合程度大且各类别的边界比较模糊；在H/A/α-C5的分类结果中一部分稀疏植被被错分到斜建筑和裸地，且城区中裸地和建筑的边界细节目视效果较差；从本发明提出方法的分类细节来看，类别之间的边界非常明显，道路的脉络更加清晰，并且斜建筑和稀疏植被的错分现象也得到显著改善。

下面三个表格分别示出了三种分类方法的混淆矩阵。

wishart监督分类方法的混淆矩阵

H/A/α-C5分类方法的混淆矩阵

本发明提出分类方法的混淆矩阵

从各类地物的分类结果的用户精度来看，在wishart监督分类方法的结果中，茂密植被与稀疏植被、斜建筑与稀疏植被出现了大量错分，精度较低；在H/A/α-C5分类方法的结果中，各类地物的分类精度都有所提高，植被与斜建筑的混分现象得到改善；与H/A/α-C5分类方法相比，本发明提出方法的精度评价结果显示，茂密植被与稀疏植的用户精度分别提高了16.72%和11.29%，斜建筑的精度提高了5.34%。

如下表所示，对上述三种分类方法的分类精度进行了对比。在目视判读的基础上，以测试样本数据作为参考点，对三种分类方法的分类结果进行精度验证。

分类结果精度对比

可以看到，其中wishart监督分类方法的精度最低，两种决策树分类方法的精度较wishart监督分类提高了将近20%；H/A/α–C5的分类方法总精度为85.21%，精度较高；而本发明实施例的方法总精度为88.39%，精度最高。

本发明不局限于上述特定实施例，在不背离本发明精神及其实质情况下，熟悉本领域的技术人员可根据本发明作出各种相应改变和变形，但这些相应改变和变形都应属于本发明所附权利要求的保护范围之内。

Claims

1.一种极化SAR图像分类方法，包括：

S1：提取极化SAR图像的特征：散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；

S2：将所述极化SAR图像分解为两个子孔径图像后，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)；

S3：将所述两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；

S4：将所述第一特征集和所述第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。

2.如权利要求1所述的极化SAR图像分类方法，其特征在于：

在S1步骤中，利用Cloude分解从所述极化SAR图像提取所述第一特征集(H,A,α)；并且

在S2步骤中，利用Cloude分解分别从所述两个子孔径图像提取所述两个子特征集(H₁,A₁,α₁)、(H₂,A₂,α₂)。

3.如权利要求1或2所述的极化SAR图像分类方法，其特征在于：

所述决策树分类模型为C5决策树分类模型。

4.如权利要求1所述的极化SAR图像分类方法，其特征在于，步骤S4具体包括：

S41：将所述第一特征集和所述第二特征集合并为目标识别特征集；

S42：利用所述决策树分类模型对预定的样本数据进行训练，以构建用于目标识别的规则；

S43：利用所述决策树分类模型根据所述规则对所述目标识别特征集进行分类，得到所述极化SAR图像的分类结果。