CN104123555A - 一种基于稀疏表示和超像素的极化sar地物分类方法 - Google Patents

Abstract

本发明公开了一种基于稀疏表示和超像素的极化SAR地物分类方法，其实现包括：输入待分类的极化SAR图像数据，对该图像进行处理，得到Pauli分解对应的伪彩图；对该伪彩图进行超像素的图像过分割，得到若干个超像素；对原始的极化SAR图像提取射机理方面的特征，共7维，做为每个像素点的特征；进行超像素级的联合稀疏表示，得到每个超像素特征的稀疏表示；利用稀疏表示分类器进行分类；求出每个超像素协方差矩阵的均值，然后利用上一步的分类结果进行超像素级的复Wishart迭代，最后得到最终的分类结果。本发明解决了传统的基于单个像素的分类区域一致性较差的问题，并在提高正确率的基础上，大幅加快了算法的运行速度。

Description

一种基于稀疏表示和超像素的极化SAR地物分类方法

技术领域：

本发明属于图像处理和遥感技术领域，涉及极化SAR图像的地物分类，具体是一种基于稀疏表示和超像素的极化SAR地物分类方法，可用于对具有区域一致性的极化SAR图像进行分类。 

背景技术：

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)图像处理是国防建设的重点学科。相比于普通单极化SAR，极化SAR是以散射矩阵或相干矩阵，协方差矩阵记录地物信息的。不同目标由于物理特性不同，在不同极化态下的幅度、相位、极化比，散射熵均存在不同，因此极化SAR可以获取更丰富的地物目标的信息。极化SAR图像分类是极化SAR图像解译的重要研究内容。极化SAR图像分类的目的就是利用得到的成像数据，将有相似性质的地物划分成一类，使同类地物之间的特征相近，而不同地物之间的特征相差较大，从而更真实清楚的获得图像中的信息。 

现有的极化SAR地物分类方法主要包括两个大类： 

(1)有监督极化SAR地物分类。有监督的极化SAR图像分类主要包括基于最大似然准则的方法，基于支持向量机和基于人工神经网络的分类方法。最大似然准则分类主要是利用自然界中大多数地物都是服从多元高斯分布来进行分类。基于支持向量机和人工神经网络的方法主要是把图像处理和机器学习的方法应用到极化SAR分类上来，它们在解决类别分布复杂的地物图像时十分有效。 

(2)无监督极化SAR地物分类。无监督的极化SAR图像分类主要包括基于统计k均值的方法，基于特征分解的方法和基于散射特性保持的分类方法。基于统计k均值的方法主要是随机将极化SAR图像分成若干类，然后找出聚类中心点，再不断进行复Wishart迭代得到分类结果。基于特征分解的方法主要有Clould等人提出的H/α分类方法，通过分解得到地物散射熵H和散射角α，以此为依据将地物分成8类，从而实现无监督的极化SAR地物分类。基于散射特性保持的分类方法主要是利用了Freeman分解得到的三种散射机理的功率进行分类，并进行复Wishart迭代来进行修正，从而得到较好的分类结果。 

上述方法很好利用了极化信息进行分类，但是这些基于像素的分类方法没有利用到极化SAR地物的空间相似性，即相邻地物在类别上也非常接近。因此分类结果的区域一致性往往很差。利用超像素的空间相似性，可以使分类更加准确。并且极化SAR的场景往往非常大，基于单像素的分类往往非常耗时，而利用超像素的方法，可以大幅度减小待分类样本的数量， 从而得到准确的结果。 

发明内容：

本发明的目的在地克服上述已有方法的不足，提出了一种基于稀疏表示和超像素的极化SAR地物分类方法，该方法能充分利用空间的相似性，并能在提高正确率的同时，大幅提高算法的运行时间。 

为实现上述目的，本发明采用以下技术方案：一种基于稀疏表示和超像素的极化SAR地物分类方法，具体步骤包括： 

步骤1，输入待分类的极化SAR图像数据，对SAR图像数据进行处理，得到Pauli分解对应的伪彩图； 

步骤2，对该伪彩图进行超像素的图像过分割，得到若干个超像素； 

步骤3，对原始的极化SAR图像提取射机理方面的特征，共7维，做为每个像素点的特征； 

步骤4，进行超像素级的联合稀疏表示，得到每个超像素特征的稀疏表示； 

步骤5，利用稀疏表示分类器进行分类； 

步骤6，求出每个超像素相干矩阵的均值，然后利用步骤5的分类结果进行超像素级的复Wishart迭代，最后得到最终的分类结果。 

所述步骤1中Pauli分解对应的伪彩图的方法：读入一幅散射矩阵格式的极化SAR图像Z，图像Z中的每个像素点都代表都代表着一个含有4个元素的2×2的散射矩阵S： 

$S=\left[\begin{array}{cc}{S}_{\mathrm{hh}}& S_{\mathrm{hv}}\\ S_{\mathrm{vh}}& S_{\mathrm{vv}}\end{array}\right]$

其中，S_hh表示水平发射，水平接收的散射系数。S_hv表示垂直发射，水平接收的散射系数。S_vh表示水平发射，垂直接收的散射系数。S_vv表示垂直发射，垂直接收的散射系数。将|S_hh+S_vv|作为蓝色，|S_hh-S_vv|作为红色，2|S_hv|作为绿色，合成极化SAR图像Z的伪彩图。 

所述步骤2中彩图进行超像素的图像过分割方法为：利用Pauli分解得到极化SAR图像Z的伪彩图，当用超像素对该伪彩图进行过分割，得到500个超像素，计算每个超像素中所有像素点的协方差矩阵C的均值做为当前超像素的协方差矩阵。 

所述步骤3中提取极化SAR图像Z的每个像素点的步骤是； 

3a)利用H/α分解得到每个像素的散射熵H和散射角α； 

3b)利用Freeman分解得到每个像素点的三个散射分量：表面散射Ps，体散射Pv，偶次散射Pd； 

3c)利用Freeman分解得到每个像素点的散射功率熵，对每个像素点的Ps,Pv,Pd，有 

p₁₁＝P_s/(P_s+P_v+P_d) 

p₂₂＝P_d/(P_s+P_v+P_d) 

p₃₃＝Pv/(P_s+P_v+P_d) 

得到p₁₁,p₂₂,p₃₃后，可得到散射功率熵H_p为 

H_p＝-(p₁₁log₃p₁₁+p₂₂log₃p₂₂+p₃₃log₃p₃₃)； 

3d)利用协方差矩阵可得到每个像素点的同极化比值r_vvhh： 

$r_{\mathrm{vvhh}}=10\·\log \left(\frac{\left|C_{33}\right|}{\left|C_{11}\right|}\right)$

3e)利用以上提取出的每个像素点的散射特征组成一个7维特征： 

fea＝[H,α,P_s,P_v,P_d,H_p,r_vvhh]。 

所述步骤4中对超像素进行联合稀疏编码：利用稀疏表示分类器对超像素进行分类；每个超像素由N_p(p＝1,...,P)个像素组成，用表示由N_p个像素组成的第p个超像素，随机取每类像素样本的1‰做为训练样本，组成训练字典D， 其中v_m,j代表第m类中的第j个像素，D_m代表第m类对应的训练样本，训练样本总个数为通过解以下的方程，得到Y_p的联合稀疏表示A_p： 

$\left\{\begin{array}{c}\underset{A_p}{\min }{\left|\right|A_p\left|\right|}_{\mathrm{column},0}\\ s.t.Y_p={\mathrm{DA}}_p\end{array}\right.$

得到的具有结构稀疏度，是一个行稀疏矩阵，即A_p每一列的非零稀疏系数都出现在同一行；‖A_p‖_column,0表示每一列的零范式；求得了Y_p所有列的联合稀疏表示；用SOMP(同时的正交匹配追踪)算法可以解决上述优化问题； 

然后，利用稀疏表示分类器来对超像素进行分类： 

$\underset{m}{\min }{r}^m\left(Y_p\right)=\underset{k=1}{\overset{N_p}{\mathrm{\Σ}}}{\left|\right|Y_p(:,k)-D^m{A}_p^m\left|\right|}_F^2,k=1,.....,L$

其中D^m表示第m类对应的子字典；表示A_p与D^m对应的n_m行。 

所述步骤5中利用稀疏表示分类器进行分类具体方法是：利用步骤2中每个超像素的C矩阵和步骤4中得到的每个超像素对应的初始类别，进行超像素级的复Wishart迭代； 

5a)计算第m类超像素的聚类中心V_m，表示每类中所有超超像素的协方 差矩阵的均值； 

5b)一个超像素样本的协方差矩阵和第m类的聚类中心V_m的距离测度为： 

$d(\stackrel{\‾}{C},V_m)=n\left[\ln \right|V_m|+\mathrm{Tr}\left(V_m^{-1}\stackrel{\‾}{C}\right)]$

我们把每个超像素分给与聚类中心V_m具有最小距离的类m： 

$d(\stackrel{\‾}{C},V_m)\≤d(\stackrel{\‾}{C},V_j)\mathrm{for\; all\; m}\≠j.$

所述步骤6中超像素级复Wishart分类的结果，是通过反复执行步骤5a和5b，得到最终的结果。 

本发明采取以上技术方案与现有技术相比有以下优点： 

1.本发明利用超像素先对极化SAR图像进行过分割，可以有效保持极化SAR图像的空间相似性，从而提高算法的分类正确率。 

2.本发明将基于点的分类提升到基于区域的分类方法，可以大幅度减小待分类样本的数量，提高算法的效率。 

附图说明：

图1是本发明的实现流程图。 

图2是本发明仿真实验采用的真实极化SAR原始图像Flevoland和它的地物真值图； 

图3是本发明仿真实验采用的真实极化SAR原始图像Foloum和它的地物真值图； 

图4是本发明与现有两种方法对图2中的Flevoland图像分类结果的比较图。 

图5是本发明与现有两种方法对图2中的Foloum图像分类结果的比较图。 

具体实施方式：

下面结合附图和实施例对本发明进行详细的描述。 

本发明提供了一种基于稀疏表示和超像素的极化SAR地物分类方法，包括以下步骤(如图1所示)： 

步骤1，输入待分类的极化SAR图像数据，对SAR图像数据进行处理，得到Pauli分解对应的伪彩图； 

其中，通过读入一幅散射矩阵格式的极化SAR图像Z，图像Z中的每个像素点都代表都代表着一个含有4个元素的2×2的散射矩阵S： 

$S=\left[\begin{array}{cc}{S}_{\mathrm{hh}}& S_{\mathrm{hv}}\\ S_{\mathrm{vh}}& S_{\mathrm{vv}}\end{array}\right]$

其中，S_hh表示水平发射，水平接收的散射系数。S_hv表示垂直发射，水平接收的散射系数。 S_vh表示水平发射，垂直接收的散射系数。S_vv表示垂直发射，垂直接收的散射系数。将|S_hh+S_vv|作为蓝色，|S_hh-S_vv|作为红色，2|S_hv|作为绿色，合成极化SAR图像Z的伪彩图。 

步骤2，对该伪彩图进行超像素的图像过分割，得到若干个超像素； 

其中，如图2所示，利用Pauli分解得到极化SAR图像Z的伪彩图，当用超像素对该伪彩图进行过分割，得到500个超像素，。计算每个超像素中所有像素的协方差矩阵C的均值做为当前超像素的协方差矩阵。 

步骤3，对原始的极化SAR图像提取射机理方面的特征，共7维，做为每个像素点的特征； 

其中提取极化SAR图像Z的每个像素点的具体步骤是： 

3a)利用H/α分解得到每个像素的散射熵H和散射角α； 

3b)利用Freeman分解得到每个像素点的三个散射分量：表面散射Ps，体散射Pv，偶次散射Pd； 

3c)利用Freeman分解得到每个像素点的散射功率熵，对每个像素点的Ps,Pv,Pd，有 

p₁₁＝P_s/(P_s+P_v+P_d) 

p₂₂＝P_d/(P_s+P_v+P_d) 

p₃₃＝Pv/(P_s+P_v+P_d) 

得到p₁₁,p₂₂,p₃₃后，可得到散射功率熵H_p为 

H_p＝-(p₁₁log₃p₁₁+p₂₂log₃p₂₂+p₃₃log₃p₃₃)； 

3d)利用协方差矩阵可得到每个像素点的同极化比值r_vvhh： 

$r_{\mathrm{vvhh}}=10\·\log \left(\frac{\left|C_{33}\right|}{\left|C_{11}\right|}\right);$

3e)利用以上提取出的每个像素点的散射特征组成一个7维特征： 

fea＝[H,α,P_s,P_v,P_d,H_p,r_vvhh]。 

步骤4，进行超像素级的联合稀疏表示，得到每个超像素特征的稀疏表示； 

其中，对超像素进行联合稀疏编码，利用稀疏表示分类器对超像素进行分类；每个超像素由N_p(p＝1,...,P)个像素组成；用表示由N_p个像素组成的第p个超像素；随机取每类像素样本的1‰做为训练样本，组成训练字典D，其中v_m,j代表第m类中的第j个像素，D_m代表第m类对应的训练样本，训练样本总个数为 我们通过解下面的优化问题，得到Y_p的联合稀疏表示A_p： 

$\left\{\begin{array}{c}\underset{A_p}{\min }{\left|\right|A_p\left|\right|}_{\mathrm{column},0}\\ s.t.Y_p={\mathrm{DA}}_p\end{array}\right.$

得到的具有结构稀疏度，是一个行稀疏矩阵，即A_p每一列的非零稀疏系数都出现在同一行；‖A_p‖_column,0表示每一列的零范式；这样，我们就求得了Y_p所有列的联合稀疏表示；用SOMP(同时的正交匹配追踪)算法可以解决上述优化问题； 

然后，我们用稀疏表示分类器来对超像素进行分类： 

$\underset{m}{\min }{r}^m\left(Y_p\right)=\underset{k=1}{\overset{N_p}{\mathrm{\Σ}}}{\left|\right|Y_p(:,k)-D^m{A}_p^m\left|\right|}_F^2,k=1,.....,L$

其中D^m表示第m类对应的子字典。表示A_p与D^m对应的n_m行。 

步骤5，利用稀疏表示分类器进行分类； 

利用步骤2中每个超像素的C矩阵和步骤4中得到的每个超像素对应的初始类别，进行超像素级的复Wishart迭代，具体的程式如下： 

5a)计算第m类超像素的聚类中心V_m，表示每类中所有超超像素的协方差矩阵的均值； 

5b)一个超像素样本的协方差矩阵和第m类的聚类中心V_m的距离测度为： 

$d(\stackrel{\‾}{C},V_m)=n\left[\ln \right|V_m|+\mathrm{Tr}\left(V_m^{-1}\stackrel{\‾}{C}\right)]$

我们把每个超像素分给与聚类中心V_m具有最小距离的类m： 

$d(\stackrel{\‾}{C},V_m)\≤d(\stackrel{\‾}{C},V_j)\mathrm{for\; all\; m}\≠j.$

步骤6，求出每个超像素相干矩阵的均值，然后利用步骤5的分类结果进行超像素级的复Wishart迭代，超像素级的复Wishart分类的结果，是反复执行步骤5a和5b，得到最终的结果。 

实施例1： 

本发明的效果可以通过以下实验进一步说明。 

1.实验数据 

本发明仿真实验所用数据为两组真实的极化SAR图像。 

第一组数据来源于NASA/JPLARISAR获取的荷兰Flevoland地区的L波段数据，这是一个四视全极化数据，我们用它的一个子图，大小为300×270来做实验，如图2(a)。该区域共 有6类地物，分别是马铃薯、甜菜、裸地、大麦、小麦、豌豆。分别用6种颜色标出，如图2(b)。 

第二组数据来源于EMISAR获取的丹麦Foloum地区的L波段全极化数据，我们用它的一个子图，大小为943×1015来做实验，如图3(a)。该区域共有5类地物，分别是河流，森林(主要是针叶树)，黑麦，燕麦，冬麦，如图3(b)。 

2.本发明使用的对比实验方法如下所述： 

对比方法1，是Cloude等人提出的经典的H/α Wishart分类方法。 

对比方法2，是Lee等人提出的基于Freeman分解的散射功率保持方法。 

3.实验内容和分析 

仿真1，对附图2和附图3中的两组真实的极化SAR图像，用H/α Wishart方法进行分类。分类结果如图4(a)和图5(a)所示。 

仿真2，对图2和图3中的两组真实的极化SAR图像，用基于Freeman分解的散射功率保持的方法进行分类。分类结果如图4(b)和图5(b)所示。 

仿真3，对附图2和附图3中两组真实的极化SAR图像，用本发明的方法进行分类。分类结果如图4(c)和图5(c)所示。 

评价指标如表1和表2所示： 

表1对荷兰Flevoland地区，不同方法分类正确率： 

表2对丹麦Foloum地区，不同方法分类正确率： 

通过对比图4中对极化SAR图像进行分类的结果，可以看出图4(c)在匀质区域的分类效果明显优于图4(a)和图4(b)。在图5中也可以看到同样的效果。 

从表1和表2可以看出，本发明提出的分类算法对分类正确率有着大幅度的提高。 

综上所述，本发明提出的基于稀疏表示和超像素的分类方法，充分利用了极化SAR图像的空间相关性，提高了分类结果的区域一致性，克服了基于单个像素的分类的缺点，获得了良好的地物分类的效果。 

Claims (7)

1.一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：具体步骤包括：

步骤1，输入待分类的极化SAR图像数据，对SAR图像数据进行处理，得到Pauli分解对应的伪彩图；

步骤2，对该伪彩图进行超像素的图像过分割，得到若干个超像素；

步骤3，对原始的极化SAR图像提取射机理方面的特征，共7维，做为每个像素点的特征；

步骤4，进行超像素级的联合稀疏表示，得到每个超像素特征的稀疏表示；

步骤5，利用稀疏表示分类器进行分类；

步骤6，求出每个超像素相干矩阵的均值，然后利用步骤5的分类结果进行超像素级的复Wishart迭代，最后得到最终的分类结果。

2.根据权利要求1所述的一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：所述步骤1中Pauli分解对应的伪彩图的方法：读入一幅散射矩阵格式的极化SAR图像Z，图像Z中的每个像素点都代表都代表着一个含有4个元素的2×2的散射矩阵S：

$S=\left[\begin{array}{cc}{S}_{\mathrm{hh}}& S_{\mathrm{hv}}\\ S_{\mathrm{vh}}& S_w\end{array}\right]$

其中，S_hh表示水平发射，水平接收的散射系数。S_hv表示垂直发射，水平接收的散射系数。S_vh表示水平发射，垂直接收的散射系数。S_vv表示垂直发射，垂直接收的散射系数。将|S_hh+S_vv|作为蓝色，|S_hh-S_vv|作为红色，2|S_hv|作为绿色，合成极化SAR图像Z的伪彩图。

3.根据权利要求1或2所述的一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：所述步骤2中彩图进行超像素的图像过分割方法为：利用Pauli分解得到极化SAR图像Z的伪彩图，当用超像素对该伪彩图进行过分割，得到500个超像素，计算每个超像素中所用像素的协方差矩阵C的均值做为当前超像素的协方差矩阵。

4.根据权利要求1或3所述的一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：所述步骤3中提取极化SAR图像Z的每个像素点的步骤是；

3a)利用H/α分解得到每个像素的散射熵H和散射角α；

3b)利用Freeman分解得到每个像素点的三个散射分量：表面散射Ps，体散射Pv，偶次散射Pd；

3c)利用Freeman分解得到每个像素点的散射功率熵，对每个像素点的Ps,Pv,Pd，有

p₁₁＝P_s/(P_s+P_v+P_d)

p₂₂＝P_d/(P_s+P_v+P_d)

p₃₃＝Pv/(P_s+P_v+P_d)

得到p₁₁,p₂₂,p₃₃后，可得到散射功率熵H_p为

H_p＝-(p₁₁log₃p₁₁+p₂₂log₃p₂₂+p₃₃log₃p₃₃)；

3d)利用协方差矩阵可得到每个像素点的同极化比值r_vvhh：

$r_{\mathrm{vvhh}}=10\·\log \left(\frac{\left|C_{33}\right|}{\left|C_{11}\right|}\right)$

3e)利用以上提取出的每个像素点的散射特征组成一个7维特征：

fea＝[H,α,P_s,P_v,P_d,H_p,r_vvhh]。

5.根据权利要求1或4所述的一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：所述步骤4中对超像素进行联合稀疏编码是利用稀疏表示分类器对超像素进行分类；每个超像素由N_p(p＝1,...,P)个像素组成，用表示由N_p个像素组成的第p个超像素，随机取每类像素样本的1‰做为训练样本，组成训练字典D，其中v_m,j代表第m类中的第j个像素，D_m代表第m类对应的训练样本，训练样本总个数为通过解以下的方程，得到Y_p的联合稀疏表示A_p：

$\left\{\begin{array}{c}\underset{A_p}{\min }{\left|\right|A_p\left|\right|}_{\mathrm{columm},0}\\ s.t.Y_p={\mathrm{DA}}_p\end{array}\right.$

得到的具有结构稀疏度，是一个行稀疏矩阵，即A_p每一列的非零稀疏系数都出现在同一行；||A_p||_column,0表示每一列的零范式；求得了Y_p所有列的联合稀疏表示；用SOMP（同时的正交匹配追踪）算法，可以解决上述优化问题；

然后，利用稀疏表示分类器来对超像素进行分类：

$\underset{m}{\min }{r}^m\left(Y_p\right)=\underset{k=1}{\overset{N_p}{\mathrm{\Σ}}}{\left|\right|Y_p(:,k)-D^m{A}_p^m\left|\right|}_{\text{F}}^2,k=1,...,L$

其中D^m表示第m类对应的子字典；表示A_p与D^m对应的n_m行。

6.根据权利要求1或5所述的一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：所述步骤5中利用稀疏表示分类器进行分类具体方法是：利用步骤2中每个超像素的C矩阵和步骤4中得到的每个超像素对应的初始类别，进行超像素级的复Wishart迭代；

5a)计算第m类超像素的聚类中心V_m，表示每类中所有超超像素的协方差矩阵的均值；

5b)一个超像素样本的协方差矩阵和第m类的聚类中心V_m的距离测度为：

$d(\stackrel{\‾}{C},V_m)=n\left[\ln \right|V_m|+\mathrm{Tr}\left(V_m^{-1}\stackrel{\‾}{C}\right)]$

我们把每个超像素分给与聚类中心V_m具有最小距离的类m：

$d(\stackrel{\‾}{C},V_m)\≤d(\stackrel{\‾}{C},V_j)\mathrm{forallm}\≠j.$

7.根据权利要求1或6所述的一种基于稀疏表示和超像素的极化SAR地物分类方法，其特征在于：所述步骤6中超像素级复Wishart分类的结果，是通过反复执行步骤5a和5b，得到最终的结果。