CN103886335B - 基于模糊粒子群和散射熵的极化sar图像分类方法 - Google Patents
基于模糊粒子群和散射熵的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN103886335B CN103886335B CN201410140296.7A CN201410140296A CN103886335B CN 103886335 B CN103886335 B CN 103886335B CN 201410140296 A CN201410140296 A CN 201410140296A CN 103886335 B CN103886335 B CN 103886335B
- Authority
- CN
- China
- Prior art keywords
- particle
- image data
- classification
- sar image
- sar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于模糊粒子群和散射熵的极化SAR图像分类方法，其实现步骤为：(1)输入极化合成孔径雷达SAR图像数据的相干矩阵；(2)预处理；(3)提取散射特征；(4)初始分类；(5)优化初始分类；(6)最终分类；(7)输出分类结果。本发明采用对初始分类进行优化的方法，克服了现有技术对极化SAR图像数据的初始聚类中心直接进行分类，产生的极化SAR图像数据分类不精确的不足，使得本发明可以提高极化SAR图像数据的分类精确度，减少复威舍特Wishart的迭代次数降低计算复杂度，提高极化SAR图像数据的分类效率，可用于目标识别、极化SAR图像中不同目标的地物分类。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及图像处理和遥感技术领域中的一种基于模糊粒子群和散射熵的极化合成孔径雷达(Synthetic Aperture Radar SAR)图像分类方法。本发明可用于目标识别图像信息的获取、极化合成孔径雷达SAR图像中不同目标的地物分类。
背景技术
近年来，极化合成孔径雷达SAR已成为遥感领域最先进的传感器之一。到目前为止，极化合成孔径雷达SAR图像分类中基于特征的目标分解的无监督分类是极化合成孔径雷达SAR图像分类的重要分支。基于特征的目标分解一般而言就是把极化测量数据(散射矩阵、协方差矩阵、相干矩阵等)分解成各种不同的成分，这些成分可用于表征目标的散射或几何结构信息。目标分解的方法有很多，其中1997年Cloude和Pottier首次提出的基于特征值/特征适量分析的克劳德Cloude分解和2004年J.S.Lee等提出的弗瑞曼Freeman分解在极化合成孔径雷达SAR图像分类中应用最广泛。
由于基于散射机理的极化合成孔径雷达SAR无监督分类方法具有与数据无关的优点，应用这种方法不需要知道数据的概率分布，不需要利用类别已知的数据进行训练，而且可以合理地解释结果的散射机理。因此基于散射机理的全极化合成孔径雷达SAR无监督分类方法得到了广泛的应用，基于散射机理的极化合成孔径雷达SAR无监督分类常用的特征分解有两种，克劳德Cloude分解和弗瑞曼Freeman分解。
西安电子科技大学在其专利申请“基于Freeman分解和数据分布特征的极化SAR图像分类方法”(专利申请号：201210415131.7，公开号：CN102968640A)中提出基于Freeman分解和数据分布特征的极化合成孔径雷达SAR图像分类方法。这种方法首先对极化合成孔径雷达SAR数据进行Freeman分解，并根据散射功率特征将极化合成孔径雷达SAR数据分为三类，然后根据分布特征参数值再将上述三类各分为三类，最后根据九个初始分类中心进行复Wishart迭代得到最终分类结果。该方法存在的不足是，只注意了分类复杂度的提高问题而忽略了初始九分类结果的优化问题，导致分类结果不够精确。
西安电子科技大学在其专利申请“基于Cloude分解和K_wishart分布的极化SAR图像分类方法”(专利申请号：201210414789.6，公开号：CN102999761A)中提出了一种Cloude解和K_wishart分布的极化合成孔径雷达SAR图像分类方法。这种方法首先对极化合成孔径雷达SAR数据进行Cloude分解，根据分解得到散射熵H和散射角α进行初始8分类，然后根据8个初始分类中心进行K_wishart迭代得到分类结果。该方法存在的不足是，虽然该方法提高了分类精确度，但由于多次进行K_wishart迭代导致运算复杂度大大增加。
发明内容
本发明的目的在于克服上述现有技术的不足，在Cloude_Wishart分类方法的基础上提出一种基于模糊粒子群和散射熵的极化SAR图像分类方法，用融合模糊粒子群算法优化的传统H/α_Wishart极化合成孔径雷达SAR图像数据分类方法的初始聚类中心，再使用复威舍特Wishart聚类方法将极化合成孔径雷达SAR图像数据进行分类，最终分类结果，实现地物分类。该方法既能保留了分类结果的物理散射信息，又能实现有效的地物分类，并且使分类结果更加清晰。
本发明实现上述目的的思路是：首先输入极化合成孔径雷达SAR图像数据，滤除相干斑极化合成孔径雷达SAR图像数据的相干斑噪声。其次根据散射熵H和散射角α将极化合成孔径雷达SAR图像数据分为八类，并得到八个分类。然后利用模糊粒子群算法对初始聚类中心进行优化，得到新的聚类中心。最后通过复威舍特Wishart聚类方法得到最终分类结果。
本发明的步骤包括如下：
(1)输入极化合成孔径雷达SAR图像数据的相干矩阵；
(2)预处理：
用李Lee滤波，对相干矩阵进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声；
(3)提取散射特征：
对预处理后的相干矩阵中每个像素点进行克劳德Cloude分解，得到散射特征散射熵和散射角；
(4)初始分类：
根据散射熵和散射角的值对极化合成孔径雷达SAR图像数据的分类规则，将极化合成孔径雷达SAR图像数据分为八个初始分类；
(5)优化初始分类：
(5a)设定参数；
(5b)初始化粒子群，确定每个粒子最优位置和粒子群最优位置，将八个初始分类作为初始粒子群，将初始粒子群中每个粒子的当前位置作为粒子最优位置，计算每个粒子的适应度值，比较所有粒子的适应度值的大小，筛选出适应度值最大的粒子，将其位置作为粒子群最优位置；
(5c)采用隶属度公式，计算极化合成孔径雷达SAR图像数据的第j个像素yj对粒子群中第l个粒子vl的隶属度μlj，其中l＝1,2，……，8；比较八个隶属度的大小，从中找出最大的隶属度μmj，将极化合成孔径雷达SAR图像数据的像素yj划分到最大隶属度μmj的第m个分类中；
(5d)计算每个粒子的适应度值，如果本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值，则将本次迭代的粒子位置作为粒子最优位置，否则，将上一次迭代的粒子最优位置作为粒子最优位置；比较所有粒子最优位置的适应度值大小，如果最大的适应度值大于上一次迭代的粒子群最优位置的适应度值，则将适应度最大的粒子位置作为粒子群最优位置，否则将上一次迭代的粒子群最优位置作为粒子群最优位置；
(5e)采用粒子的飞行速度和位置更新方法，更新粒子的飞行速度和位置，得到新一代的粒子；
(5f)重复执行步骤(5c)到(5f)20次；
(5g)停止迭代；
(6)最终分类：
(6a)将粒子群中优化后的粒子作为极化合成孔径雷达SAR图像数据中像素的初始分类，按照下式，计算极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离：
其中，d(<T>,ci)表示极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离，T表示预处理后的相干矩阵，<·>表示按视数取平均操作，ci表示极化合成孔径雷达SAR图像数据中像素的第i个分类，i表示分类个数，i＝1,2,……,8，[ci]表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci的行列式，表示对第i个分类ci求逆，表示取矩阵的迹，表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积；
(6b)比较极化合成孔径雷达SAR图像数据中像素点到第a和第b个分类的复威舍特Wishart距离的大小，如果极化合成孔径雷达SAR图像数据中像素点离第a个分类的复威舍特Wishart距离小，则划分到第a个分类中；如果极化合成孔径雷达SAR图像数据中像素点离第b个分类的复威舍特Wishart距离小，则划分到第b个分类中，a，b＝1,2，……，8，a≠b，完成最终分类；
(7)输出分类结果。
本发明与现有技术相比具有以下优点：
第一，由于本发明采用对初始聚类中心进行优化的方法，克服了现有技术对极化合成孔径雷达SAR图像数据的初始聚类中心直接进行分类，产生的极化合成孔径雷达SAR图像数据分类不精确的不足，使得本发明可以提高极化合成孔径雷达SAR图像数据的分类精确度。
第二，由于本发明采用一次复威舍特Wishart计算的方法，克服了现有技术因利用K_wishart多次迭代而产生的计算复杂度高，处理极化合成孔径雷达SAR图像数据用时长的不足，使得本发明可以降低处理极化合成孔径雷达SAR图像数据分类过程中的计算复杂度，提高了极化合成孔径雷达SAR图像数据分类的效率。
附图说明
图1为本发明的流程图；
图2为本发明模糊粒子群优化优化初始分类步骤的流程图；
图3为本发明的分类结果图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1，本发明的具体步骤如下。
步骤1.输入极化合成孔径雷达SAR图像数据的相干矩阵。
步骤2.预处理。
用李Lee滤波，对相干矩阵进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声。
步骤3.提取散射特征。
对预处理后的相干矩阵中每个像素点进行克劳德Cloude分解，得到散射特征散射熵和散射角，其中，克劳德Cloude分解的具体步骤如下：
第一步，计算每个特征值在特征值的总值中所占的比例：
其中，ps表示第s个特征值在特征值的总值中所占的比例，λs表示预处理后相干矩阵的第s个特征值，s＝1,2,3。
第二步，计算极化合成孔径雷达SAR图像数据中每个像素的散射熵：
其中，H表示极化合成孔径雷达SAR图像数据中每个像素的散射熵，ps表示第s个特征值在特征值的总值中所占的比例，s＝1,2,3。
第三步，计算极化合成孔径雷达SAR图像数据中每个像素的散射角：
其中，α表示极化合成孔径雷达SAR图像数据中每个像素的散射角，ps表示第s个特征值在特征值的总值中所占的比例，αs表示预处理后相干矩阵的第s个特征值对应的散射角，s＝1,2,3。
步骤4.初始分类。
根据散射熵和散射角的值对极化合成孔径雷达SAR图像数据的分类规则，将极化合成孔径雷达SAR图像数据分为八个初始分类，其中，散射熵H和散射角α的值对极化合成孔径雷达SAR图像数据的分类规则如下：
将0≤H≤0.5且0≤α≤42.5对应的像素点，划分为第一类。
将0＜H≤0.5且42.5＜α≤47.5对应的像素点，划分为第二类。
将0＜H≤0.5且47.5＜α≤90对应的像素点，划分为第三类。
将0.5＜H≤0.9且0＜α≤42.5对应的像素点，划分为第四类。
将0.5＜H≤0.9且42.5＜α≤47.5对应的像素点，划分为第五类。
将0.5＜H≤0.9且47.5＜α≤90对应的像素点，划分为第六类。
将0.9＜H≤1且42.5＜α≤47.5对应的像素点，划分为第七类。
将0.9＜H≤1且47.5＜α≤90对应的像素点，划分为第八类。
下面参照附图2，对本发明的优化初始分类的具体步骤描述如下。
步骤5.优化初始分类。
(5a)设定参数，参数设定如下：分类数目设为8，粒子个数设为8，模糊因子设为2.13，粒子群中平衡粒子全局和局部搜索能力的参数上限设为1，粒子群中平衡粒子全局和局部搜索能力的参数下限设为0，将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的社会因素设为2.1，将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的经验因素设为2.1，最大迭代次数设为20。
(5b)初始化粒子群，确定每个粒子最优位置和粒子群最优位置，将八个初始分类作为初始粒子群，将初始粒子群中每个粒子的当前位置作为粒子最优位置，计算每个粒子的适应度值，比较所有粒子的适应度值的大小，筛选出适应度值最大的粒子，将其位置作为粒子群最优位置，其中，计算每个粒子的适应度值的具体步骤如下：
第一步，按照下式，计算极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和：
其中，J表示极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和，c表示极化合成孔径雷达SAR图像数据分类过程中的分类数目，xi表示极化合成孔径雷达SAR图像数据中属于第j类的第i个像素，cj表示极化合成孔径雷达SAR图像数据的第j个分类，d(xi,cj)表示极化合成孔径雷达SAR图像数据中第j类中的第i个像素到第j个分类的欧式距离。
第二步，按照下式，计算极化合成孔径雷达SAR图像数据中任意两个分类之间距离的和：
其中，d表示极化合成孔径雷达SAR图像数据中任意两个分类之间距离的和，cj1,cj2分别表示极化合成孔径雷达SAR图像数据分类过程中第j1，第j2个分类，d(cj1,cj2)表示分类过程中第j1和第j2个分类之间的欧氏距离。
第三步，按照下式，计算每个粒子的适应度值：
F(Xi(t))＝c/J+d
其中，F(Xi(t))表示极化合成孔径雷达SAR图像数据的第i个分类在第t次迭代后的适应度值，Xi(t)表示极化合成孔径雷达SAR图像数据的第i个分类在第t次迭代后的位置，t表示迭代次数，t＝1,2,…，20，c表示极化合成孔径雷达SAR图像数据的分类数目，c＝8，J表示极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和，d表示极化合成孔径雷达SAR图像数据中任意两个分类之间距离的和。
(5c)计算像素隶属度，采用隶属度公式，计算极化合成孔径雷达SAR图像数据的第j个像素yj对粒子群中第l个粒子vl的隶属度μlj，其中l＝1,2，……，8；比较八个隶属度的大小，从中找出最大的隶属度μmj，将极化合成孔径雷达SAR图像数据的像素yj划分到最大隶属度μmj的第m个分类中，其中，隶属度公式如下：
其中，μlj表示极化合成孔径雷达SAR图像数据中第j个像素对粒子群中第l个粒子的隶属度，m表示模糊因子，m＝2.13，yj表示极化合成孔径雷达SAR图像数据的第j个像素，c表示极化合成孔径雷达SAR图像数据分类过程中的分类数目，vl表示极化合成孔径雷达SAR图像数据的第l个粒子，vk表示极化合成孔径雷达SAR图像数据的第k个粒子，l＝1,2,……,8。
(5d)计算适应度，计算每个粒子的适应度值，如果本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值，则将本次迭代的粒子位置作为粒子最优位置，否则，将上一次迭代的粒子最优位置作为粒子最优位置；比较所有粒子最优位置的适应度值大小，如果最大的适应度值大于上一次迭代的粒子群最优位置的适应度值，则将适应度最大的粒子位置作为粒子群最优位置，否则将上一次迭代的粒子群最优位置作为粒子群最优位置，其中每个粒子的适应度值的计算公式如步骤(5b)。
(5e)更新速度和位置，采用粒子的飞行速度和位置更新方法，更新粒子的飞行速度和位置，得到新一代的粒子，其中，粒子飞行速度和位置更新方法的具体步骤如下：
第一步，按照下式，计算粒子群中粒子飞行速度的调节参数：
其中，k表示粒子群中粒子飞行速度的调节参数，表示每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的社会因素，表示每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的经验因素，
第二步，按照下式，计算粒子群中平衡全局和局部搜索能力的参数：
其中，ω表示粒子群中平衡全局和局部搜索能力的参数，ωmin表示粒子群中平衡全局和局部搜索能力的参数下限，ωmin＝0，ωmax表示粒子群中平衡全局和局部搜索能力的参数上限，ωmax＝1，Tmax表示最大迭代次数，Tmax＝20，t表示迭代次数。
第三步，按照下式，计算粒子的飞行速度：
其中，Vi(t)表示粒子群中第i个粒子在第t次迭代后的飞行速度，k表示粒子群中粒子飞行速度的调节参数，ω表示粒子群中平衡粒子全局和局部搜索能力的参数，Vi(t-1)表示粒子群中第i个粒子在第t-1次迭代后的飞行速度，表示将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的社会因素，表示将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的经验因素，ri1，ri2表示从0到1之间的两个不同的随机数，Pi(t)表示粒子群中第i个粒子在第t次迭代后的最优位置，Xi(t-1)表示粒子群中第i个粒子在第t-1次迭代后的位置，G(t)表示粒子群中第t次迭代后的群体最优位置，i表示粒子群中第i个粒子，i＝1,2,……,8。
第四步，按照下式，计算粒子的位置：
Xi(t)＝Xi(t-1)+Vi(t)
其中，Xi(t)表示粒子群中第i个粒子在第t次迭代后的位置，Xi(t-1)表示粒子群中第i个粒子在第t-1次迭代后的位置，Vi(t)表示粒子群中第i个粒子在第t次迭代后的飞行速度，i表示粒子群中第i个粒子，i＝1,2,……,8。
(5f)重复执行步骤(5c)到(5f)20次。
(5g)停止迭代。
步骤6.最终分类。
(6a)将粒子群中优化后的粒子作为极化合成孔径雷达SAR图像数据中像素的初始分类，按照下式，计算极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离：
其中，d(<T>,ci)表示极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离，T表示预处理后的相干矩阵，<·>表示按视数取平均操作，ci表示极化合成孔径雷达SAR图像数据中像素的第i个分类，i表示分类个数，i＝1,2,……,8，[ci]表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci的行列式，表示对第i个分类ci求逆，表示取矩阵的迹，表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积。
(6b)比较极化合成孔径雷达SAR图像数据中像素点到第a和第b个分类的复威舍特Wishart距离的大小，如果极化合成孔径雷达SAR图像数据中像素点离第a个分类的复威舍特Wishart距离小，则划分到第a个分类中；如果极化合成孔径雷达SAR图像数据中像素点离第b个分类的复威舍特Wishart距离小，则划分到第b个分类中，a，b＝1,2，……，8，a≠b，完成最终分类。
步骤7.输出分类结果。
下面通过仿真对本发明的效果做进一步的描述。
1、仿真实验条件。
本发明的仿真是在主频为3.20GHZ的Intel(R)Core(TM)i3CPU、内存2G的硬件环境和Windows 7旗舰版操作系统、MATLAB R2011a的软件环境下进行的。
2、实验内容及结果分析。
本发明的仿真将视数为四的San Francisco Bay极化合成孔径雷达SAR图像如图3(a)的数据作为测试数据。用本发明上述极化合成孔径雷达SAR图像的数据进行分类仿真，得到分类结果图见图3(b)和从第1次迭代到第20次迭代的适应度值，因为适应度为逐渐增大的，选取的个数并不影响显示的结果，所以仅将从第1次迭代到第20次迭代每隔两代的适应度值作为代表列于表1。
表1第1次迭代到第20次迭代每隔两代的适应度值
| 迭代次数 | 2 | 4 | 6 | 8 | 10 | 12 | 14 | 16 | 18 | 20 |
| 适应度值 | 30 | 63 | 102 | 110 | 116 | 118 | 120 | 123 | 127 | 131 |
由表1可见，本发明所采用的优化算法具有快速收敛的特点，并且每进行一次迭代适应度值都会得到明显的增加，表明极化合成孔径雷达SAR图像数据中任意两个分类之间距离之和与极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和的倒数都增大了，也就是说极化合成孔径雷达SAR图像数据中任意不同分类像素之间的距离越来远，极化合成孔径雷达SAR图像数据中同一分类像素之间的距离越来越近，因此可以说明分类效果得到了显著提高。
图3(a)为本发明中极化合成孔径雷达SAR图像数据测试数据，图3(b)为本发明中将极化合成孔径雷达SAR图像数据分为八类的结果图，由图3(b)可以看出本发明在大块的分割区域的边缘比较平滑，如海洋区域，细节处分割效果更加精细，如旧金山大桥，类别差异较小的地方也能分得开，如城镇与绿地。由于本发明在采用利用散射熵进行划分初始分类的同时，又采用了模糊粒子群对初始分类进行优化处理，使得分类结果区域一致性较好，分类结果更加精确，表明本发明可以有效解决极化合成孔径雷达SAR图像分类问题。
Claims (7)
1.一种基于模糊粒子群和散射熵的极化SAR图像分类方法，包括如下步骤：
(1)输入极化合成孔径雷达SAR图像数据的相干矩阵；
(2)预处理：
用李Lee滤波，对相干矩阵进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声；
(3)提取散射特征：
对预处理后的相干矩阵中每个像素点进行克劳德Cloude分解，得到散射特征散射熵和散射角；
(4)初始分类：
根据散射熵和散射角的值对极化合成孔径雷达SAR图像数据的分类规则，将极化合成孔径雷达SAR图像数据分为八个初始分类；
(5)优化初始分类：
(5a)设定参数；
(5b)初始化粒子群，确定每个粒子最优位置和粒子群最优位置，将八个初始分类作为初始粒子群，将初始粒子群中每个粒子的当前位置作为粒子最优位置，计算每个粒子的适应度值，比较所有粒子的适应度值的大小，筛选出适应度值最大的粒子，将其位置作为粒子群最优位置；
(5c)采用隶属度公式，计算极化合成孔径雷达SAR图像数据的第j个像素yj对粒子群中第i个粒子vi的隶属度μij，其中i＝1,2，……，8；比较八个隶属度的大小，从中找出最大的隶属度μmj，将极化合成孔径雷达SAR图像数据的像素yj划分到最大隶属度μmj的第m个分类中；
(5d)计算每个粒子的适应度值，如果本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值，则将本次迭代的粒子位置作为粒子最优位置，否则，将上一次迭代的粒子最优位置作为粒子最优位置；比较所有粒子最优位置的适应度值大小，如果最大的适应度值大于上一次迭代的粒子群最优位置的适应度值，则将适应度最大的粒子位置作为粒子群最优位置，否则将上一次迭代的粒子群最优位置作为粒子群最优位置；
(5e)采用粒子的飞行速度和位置更新方法，更新粒子的飞行速度和位置，得到新一代的粒子；
(5f)重复执行步骤(5c)到(5f)20次；
(5g)停止迭代；
(6)最终分类：
(6a)将粒子群中优化后的粒子作为极化合成孔径雷达SAR图像数据中像素的初始分类，按照下式，计算极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离：
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mo><</mo>
<mi>T</mi>
<mo>></mo>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>ln</mi>
<mo>[</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>]</mo>
<mo>+</mo>
<mi>Tr</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo><</mo>
<mi>T</mi>
<mo>></mo>
<mo>)</mo>
</mrow>
</mrow>
其中，d(<T>,ci)表示极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离，T表示预处理后的相干矩阵，<·>表示按视数取平均操作，ci表示极化合成孔径雷达SAR图像数据中像素的第i个分类，i表示分类个数，i＝1,2,……,8，[ci]表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci的行列式，表示对第i个分类ci求逆，表示取矩阵的迹，表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积；
(6b)比较极化合成孔径雷达SAR图像数据中像素点到第a和第b个分类的复威舍特Wishart距离的大小，如果极化合成孔径雷达SAR图像数据中像素点离第a个分类的复威舍特Wishart距离小，则划分到第a个分类中；如果极化合成孔径雷达SAR图像数据中像素点离第b个分类的复威舍特Wishart距离小，则划分到第b个分类中，a，b＝1,2，……，8，a≠b，完成最终分类；
(7)输出分类结果。
2.根据权利要求1所述的基于模糊粒子群和散射熵的极化SAR图像分类方法，其特征在于，步骤(3)所述的克劳德Cloude分解的具体步骤如下：
第一步，计算每个特征值在特征值的总值中所占的比例：
<mrow>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>s</mi>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，ps表示第s个特征值在特征值的总值中所占的比例，λs表示预处理后相干矩阵的第s个特征值，s＝1,2,3；
第二步，计算极化合成孔径雷达SAR图像数据中每个像素的散射熵：
<mrow>
<mi>H</mi>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<msub>
<mi>log</mi>
<mn>3</mn>
</msub>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
</mrow>
其中，H表示极化合成孔径雷达SAR图像数据中每个像素的散射熵，ps表示第s个特征值在特征值的总值中所占的比例，s＝1,2,3；
第三步，计算极化合成孔径雷达SAR图像数据中每个像素的散射角：
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>p</mi>
<mi>s</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>s</mi>
</msub>
</mrow>
其中，α表示极化合成孔径雷达SAR图像数据中每个像素的散射角，ps表示第s个特征值在特征值的总值中所占的比例，αs表示预处理后相干矩阵的第s个特征值对应的散射角，s＝1,2,3。
3.根据权利要求1所述的基于模糊粒子群和散射熵的极化SAR图像分类方法，其特征在于，步骤(4a)所述的散射熵H和散射角α的值对极化合成孔径雷达SAR图像数据的分类规则如下：
将0≤H≤0.5且0≤α≤42.5对应的像素点，划分为第一类；
将0＜H≤0.5且42.5＜α≤47.5对应的像素点，划分为第二类；
将0＜H≤0.5且47.5＜α≤90对应的像素点，划分为第三类；
将0.5＜H≤0.9且0＜α≤42.5对应的像素点，划分为第四类；
将0.5＜H≤0.9且42.5＜α≤47.5对应的像素点，划分为第五类；
将0.5＜H≤0.9且47.5＜α≤90对应的像素点，划分为第六类；
将0.9＜H≤1且42.5＜α≤47.5对应的像素点，划分为第七类；
将0.9＜H≤1且47.5＜α≤90对应的像素点，划分为第八类。
4.根据权利要求1所述的基于模糊粒子群和散射熵的极化SAR图像分类方法，其特征在于，步骤(5a)所述参数设定如下：分类数目设为8，粒子个数设为8，模糊因子设为2.13，粒子群中平衡粒子全局和局部搜索能力的参数上限设为1，粒子群中平衡粒子全局和局部搜索能力的参数下限设为0，将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的社会因素设为2.1，将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的经验因素设为2.1，最大迭代次数设为20。
5.根据权利要求1所述的基于模糊粒子群和散射熵的极化SAR图像分类方法，其特征在于，步骤(5b)、步骤(5d)中的所述计算每个粒子的适应度值的具体步骤如下：
第一步，按照下式，计算极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和：
<mrow>
<mi>J</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，J表示极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和，c表示极化合成孔径雷达SAR图像数据分类过程中的分类数目c＝8，xi表示极化合成孔径雷达SAR图像数据中属于第j类的第i个像素，cj表示极化合成孔径雷达SAR图像数据的第j个分类，d(xi,cj)表示极化合成孔径雷达SAR图像数据中第j类中的第i个像素到第j个分类的欧式距离；
第二步，按照下式，计算极化合成孔径雷达SAR图像数据中任意两个分类之间距离的和：
<mrow>
<mi>d</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>c</mi>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，d表示极化合成孔径雷达SAR图像数据中任意两个分类之间距离的和，分别表示极化合成孔径雷达SAR图像数据分类过程中第j1，第j2个分类，表示分类过程中第j1和第j2个分类之间的欧氏距离；
第三步，按照下式，计算每个粒子的适应度值：
F(Xi(t))＝c/J+d
其中，F(Xi(t))表示极化合成孔径雷达SAR图像数据的第i个分类在第t次迭代后的适应度值，Xi(t)表示极化合成孔径雷达SAR图像数据的第i个分类在第t次迭代后的位置，t表示迭代次数，t＝1,2,…，20，c表示极化合成孔径雷达SAR图像数据的分类数目，J表示极化合成孔径雷达SAR图像数据中所有像素到其相应的分类的距离之和，d表示极化合成孔径雷达SAR图像数据中任意两个分类之间距离的和。
6.根据权利要求1所述的基于模糊粒子群和散射熵的极化SAR图像分类方法，其特征在于，步骤(5c)所述隶属度公式如下：
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>l</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>l</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mfrac>
<mn>2</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
其中，μlj表示极化合成孔径雷达SAR图像数据中第j个像素对粒子群中第l个粒子的隶属度，m表示模糊因子，m＝2.13，yj表示极化合成孔径雷达SAR图像数据的第j个像素，c表示极化合成孔径雷达SAR图像数据分类过程中的分类数目，||·||表示取模运算，vl表示极化合成孔径雷达SAR图像数据的第l个粒子，vk表示极化合成孔径雷达SAR图像数据的第k个粒子，l＝1,2,……,8。
7.根据权利要求1所述的基于模糊粒子群和散射熵的极化SAR图像分类方法，其特征在于，步骤(5e)所述粒子飞行速度和位置更新方法的具体步骤如下：
第一步，按照下式，计算粒子群中粒子飞行速度的调节参数：
其中，k表示粒子群中粒子飞行速度的调节参数， 表示每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的社会因素， 表示每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的经验因素，
第二步，按照下式，计算粒子群中平衡全局和局部搜索能力的参数：
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>.</mo>
<mi>t</mi>
</mrow>
其中，ω表示粒子群中平衡全局和局部搜索能力的参数，ωmin表示粒子群中平衡全局和局部搜索能力的参数下限，ωmin＝0，ωmax表示粒子群中平衡全局和局部搜索能力的参数上限，ωmax＝1，Tmax表示最大迭代次数，Tmax＝20，t表示迭代次数；
第三步，按照下式，计算粒子的飞行速度：
其中，Vi(t)表示粒子群中第i个粒子在第t次迭代后的飞行速度，k表示粒子群中粒子飞行速度的调节参数，ω表示粒子群中平衡粒子全局和局部搜索能力的参数，Vi(t-1)表示粒子群中第i个粒子在第t-1次迭代后的飞行速度，表示将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的社会因素，表示将每个粒子拉向粒子最优位置和粒子群最优位置的随机加速项的经验因素，ri1，ri2表示从0到1之间的两个不同的随机数，Pi(t)表示粒子群中第i个粒子在第t次迭代后的最优位置，Xi(t-1)表示粒子群中第i个粒子在第t-1次迭代后的位置，G(t)表示粒子群中第t次迭代后的群体最优位置，i表示粒子群中第i个粒子，i＝1,2,……,8；
第四步，按照下式，计算粒子的位置：
Xi(t)＝Xi(t-1)+Vi(t)
其中，Xi(t)表示粒子群中第i个粒子在第t次迭代后的位置，Xi(t-1)表示粒子群中第i个粒子在第t-1次迭代后的位置，Vi(t)表示粒子群中第i个粒子在第t次迭代后的飞行速度，i表示粒子群中第i个粒子，i＝1,2,……,8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410140296.7A CN103886335B (zh) | 2014-04-09 | 2014-04-09 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410140296.7A CN103886335B (zh) | 2014-04-09 | 2014-04-09 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103886335A CN103886335A (zh) | 2014-06-25 |
| CN103886335B true CN103886335B (zh) | 2018-04-17 |
Family
ID=50955218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410140296.7A Active CN103886335B (zh) | 2014-04-09 | 2014-04-09 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103886335B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463227B (zh) * | 2014-12-25 | 2017-10-24 | 西安电子科技大学 | 基于fqpso和目标分解的极化sar图像分类方法 |
| CN106291554B (zh) * | 2016-07-29 | 2019-02-19 | 西安电子科技大学 | 基于k-wishart分布的极化sar舰船检测方法 |
| CN106650791A (zh) * | 2016-11-21 | 2017-05-10 | 中国科学院东北地理与农业生态研究所 | 一种基于改进粒子群的非监督遥感影像分类方法 |
| CN108761397B (zh) * | 2018-05-30 | 2022-05-27 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
| CN112330560B (zh) * | 2020-11-05 | 2024-02-20 | 中国科学院国家空间科学中心 | 一种合成孔径雷达数据图像可视化增强方法及系统 |
| CN113466802B (zh) * | 2021-06-30 | 2023-06-09 | 中国科学院空天信息创新研究院 | 基于粒子群算法与最优波束合成方法的距离模糊抑制方法 |
| CN116524358B (zh) * | 2023-04-25 | 2024-05-03 | 北京卫星信息工程研究所 | 用于目标识别的sar数据集扩增方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
| CN103365985A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 一种类别自适应的极化sar分类方法 |
| CN103413146A (zh) * | 2013-08-23 | 2013-11-27 | 西安电子科技大学 | 基于Freeman熵和自学习的极化SAR图像精细分类方法 |
| CN103617427A (zh) * | 2013-12-13 | 2014-03-05 | 首都师范大学 | 极化sar图像分类方法 |
-
2014
- 2014-04-09 CN CN201410140296.7A patent/CN103886335B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982338A (zh) * | 2012-10-25 | 2013-03-20 | 西安电子科技大学 | 基于谱聚类的极化sar图像分类方法 |
| CN103365985A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 一种类别自适应的极化sar分类方法 |
| CN103413146A (zh) * | 2013-08-23 | 2013-11-27 | 西安电子科技大学 | 基于Freeman熵和自学习的极化SAR图像精细分类方法 |
| CN103617427A (zh) * | 2013-12-13 | 2014-03-05 | 首都师范大学 | 极化sar图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于粒子群算法的全极化SAR图像非监督分类算法研究;张中山 等;《武汉大学学报·信息科学版》;20100805;941页左边栏的第1段，942页左边栏第1段，942页右边栏倒数第1段-943页左边栏第1段，942页左边栏倒数第1段-右边栏第1段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103886335A (zh) | 2014-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
| CN107103338B (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
| CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
| CN111275044A (zh) | 基于样本选择和自适应难例挖掘的弱监督目标检测方法 | |
| CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
| CN107491734B (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
| CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
| CN108416318A (zh) | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 | |
| CN105320764B (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
| CN106296734B (zh) | 基于极限学习机和boosting多核学习的目标跟踪方法 | |
| CN104732224B (zh) | 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法 | |
| CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
| CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
| CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
| Deng | Clustering with fuzzy C-means and common challenges | |
| CN104463227A (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
| CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 | |
| CN103810287B (zh) | 基于有监督共享组件主题模型的图像分类方法 | |
| Singh et al. | Wavelet based histogram of oriented gradients feature descriptors for classification of partially occluded objects | |
| CN108509835A (zh) | 基于DFIC超像素的PolSAR图像地物分类方法 | |
| CN117036897A (zh) | 一种基于Meta RCNN的少样本目标检测方法 | |
| CN104050486B (zh) | 基于图和Wishart距离的极化SAR图像分类方法 | |
| CN113723482B (zh) | 基于多示例孪生网络的高光谱目标检测方法 | |
| Qiao et al. | Lung nodule classification using curvelet transform, LDA algorithm and BAT-SVM algorithm | |
| Liu et al. | Target detection of hyperspectral image based on faster R-CNN with data set adjustment and parameter turning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |