CN104217219A - 基于匹配追踪选择集成的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于匹配追踪选择集成的极化SAR图像分类方法，主要解决现有技术训练样本选择难，运算复杂度高的问题。其实现步骤是：1.极化SAR图像输入，并进行特征提取；2.从提取特征后的极化SAR图像每一类中选取已知类别的样本组成训练样本集，并对训练样本集进行随机划分，形成多个训练样本子集；3.通过分类算法对每个样本子集进行学习得到预测类别；4.基于每个训练样本子集的预测类别和已知类别得到相应的系数，将对应0系数的训练样本子集删除；5.用权值系数将所得预测类别进行加权合得到最终的分类结果。本发明具有识别精度高，运算时间短，计算复杂度低的优点，可用于对多种类型地物的分类和解析。

Description

基于匹配追踪选择集成的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，特别是涉及极化SAR，可用于地物类型解析，地物分类。

背景技术

极化合成孔径雷达已经成为了一个非常热门的研究方向。极化合成孔径雷达被广泛的使用在目标探测，地物分类等众多领域。极化SAR的数据形式是以矩阵作为表征，在可以提供更为丰富的散射信息的同时也提高了数据的复杂度，其信息的提取和处理也更为困难。因此对于这种复杂图像来说，如何能够有效的进行处理和解译是如今迫切需要解决的问题。机器学习技术在极化SAR图像中的应用是最近开始受到学术界关注的研究方向之一。机器学习专门研究计算机如何去模拟或实现人类的学习行为，从而获取新的知识或技能，使之不断改善自身的性能。从机器学习的角度出发，极化SAR图像分类可相当于一个有监督或无监督的分类问题，自然可以使用一些机器学习的方法对极化SAR图像分类。然而，对于极化SAR图像而言，因为地物目标的复杂性和不同于一般SAR的数据特性，这也就意味着并不是所有的机器学习方法都对其是有效的。另一方面，对于一般的机器学习算法而言，当有标记样本数越多，则获得的分类器性能可能越好。但是，因为雷达角度和地物形状等多种因素的影响不同，导致同一类地物产生不同的散射而不同类的地物产生类似的散射，所以并不能保证数据越多性能越好，甚至有些样本对于极化SAR分类是有害的.另外，处理的样本数越大，分类的复杂度越高。

发明内容

本发明目的在于针对上述已有技术的不足，提出一种基于匹配追踪选择集成的极化SAR图像分类方法，以降低计算复杂度，提高图像的分类准确率。

为实现上述目的，本发明提供基于匹配追踪选择集成的极化SAR方法，包括如下步骤：

(1)输入包含有c类地物的极化SAR图像：Ω＝{ω₁,…,ω_C}，并进行特征提取，得到极化SAR图像数据集其中d是特征数；

(2)从极化SAR图像数据集中选取已知其类别{Y₁,…Y_i…,Y_m}，i＝1,…,m的多个样本点组成初始样本集S，并对该样本集S进行随机划分，获得m个样本子集{S₁,…S_i…,S_m}，i＝1,…,m；

(3)通过分类器算法分别对这m个子集{S₁,…S_i…,S_m}进行学习分类，获得其对应的预测类别{h₁,…h_i…,h_m}，i＝1,…,m；

(4)基于子集S_i对应的预测类别和其已知类别Y_i，获得对应于每一个个体分类器的权重系数α_i，i＝1,…,m；

(5)利用获得的权重系数α_i，将极化SAR图像m个体样本的分类结果合并在一起，得到像素点最终的预测类别Label。

本发明与现有的技术相比具有以下优点：

1.本发明由于采用不同的权值整合多个个体分类器结果，通过0权值删除了一些具有冗余或者相似信息的训练样本，运算量小、运行效率高；

2.本发明充分考虑实际极化SAR图像中因为缺乏地物真实图从而导致难以预先选取训练样本的问题，在分类过程中通过给定个体分类器不同的系数从而达到选择样本的目的，并通过0系数删减较差训练样本，提高了最终地物分类精度；

仿真结果表明，对极化SAR图像采用本发明的极化SAR图像分类方法有效的提高了分类方法的精度。

附图说明

图1本发明的实现流程图；

图2是本发明采用的原始极化SAR图像；

图3是本发明采用的训练样本；

图4是本发明采用的测试样本；

图5是本方明对图2进行分类之后的结果图。

具体实施方式

参照图1，本发明基于集成的极化SAR图像分类方法，包括如下步骤：

步骤1：输入包含有c类地物的极化SAR图像。

输入如图2所示的包含c类地物的尺寸为M×N的极化SAR图像，图2为美国JPL/NASA尺寸为900×1024的AIRSAR系统L波段旧金山数据，包含三种主要地物类型：森林、城区和海洋。

步骤2：对输入的极化SAR图像进行特征提取。

2a)提取相干矩阵特征T的六个特征：

$T=\left[\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{12}^{*}& T_{22}& T_{23}\\ T_{13}^{*}& T_{23}^{*}& T_{33}\end{array}\right],$

其中，上标*表示共轭，该相干矩阵T中所选用六个特征分别为：三个对角线元素T₁₁T₂₂T₃₃以及上三角三个元素T₁₂T₁₃T₂₃，即相干矩阵特征为一个3×3矩阵；

2b)提取相干矩阵T的三个特征值：

通过下式对相干矩阵进行矩阵特征值分解，得到三个特征值λ₁λ₂λ₃：

$T=U_3\·\left(\begin{array}{ccc}{\mathrm{\λ}}_1& 0& 0\\ 0& {\mathrm{\λ}}_2& 0\\ 0& 0& {\mathrm{\λ}}_3\end{array}\right)\·U_3^{*t},$

其中，U₃表示特征向量，上标*t表示共轭转置，三个特征值大小关系为；λ₁＞λ₂＞λ₃；

2c)提取熵特征H：

$H=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}-P_i\·{\log }_n{P}_i,$

其中，P_i＝λ_i/(λ₁+λ₂+λ₃)，i＝1,2,3，n＝3，熵的取值范围是0≤H≤1；

2d)提取反熵特征A：

$A=\frac{{\mathrm{\λ}}_2-{\mathrm{\λ}}_3}{{\mathrm{\λ}}_2+{\mathrm{\λ}}_3},$

2e)提取角度特征

$\stackrel{\‾}{\mathrm{\α}}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{P}_i{\mathrm{\α}}_i,$

其中，α₁＝arccos(U₃(1))，U₃(1)表示特征向量U₃中的第一个元素，α₂＝arccos(U₃(2))，U₃(2)表示特征向量U₃中的第二个元素，α₃＝arccos(U₃(3))，U₃(3)表示特征向量U₃中的第三个元素。

步骤3：选取训练样本集，并划分成多个训练样本子集，通过分类器获得预测类别。

3a)根据输入的极化SAR图像在每一类地物当中，选取已知其类别{Y₁,…Y_i…,Y_m}的多个样本点组成训练样本集，其中i＝1,…,m，

选取训练样本集的要求为：避开边界附近区域保证所选取训练样本集类别的准确性，尽量让一类中的训练样本集不相邻，从而可以涵盖更多的图像信息，选取的训练样本集如图3所示；

3b)对每一类的训练样本集进行随机划分，获得m个训练样本子集{S₁,…S_i…,S_m}，i＝1,…,m；

3c)计算每个训练样本子集S_i基于超平面的法向量w_i和偏差bias_i的最优超平面：

$f\left(S_i\right)=w_i^t{S}_i+{\mathrm{bias}}_i,i=1,\·\·\·,m,$

其中上标t表示转置；

3d)根据最优超平面f(S_i)得到每个训练样本子集S_i的预测类别h_i：

$h_i=\left\{\begin{array}{cc}1& f\left(S_i\right)>0\\ -1& f\left(S_i\right)<0\end{array}\right.,$

其中i＝1,…,m。

步骤4：计算每个训练样本子集的对应权值系数。

4a)预先给定初始的残差R_i，i＝1,…,m，初始残差为每一个训练样本子集S_i的已知类别标签Y_i，并给出定循环次数或者误差阈值；

4b)根据训练样本子集的预测类别{h₁,…h_i…,h_m}和初始的残差R_i，计算每一个训练样本子集的对应系数α_i＝<h_i,R_i>/||h_i||²，i＝1,…,m，取其中的最大值作为α_max；

4c)计算出新的残差R'_i：R′_i＝R_i-α_ih_i；

4d)根据新的残差R'_i计算得到新的一组系数α_i＝<h_i,R_i>/||h_i||²，将其中的每一个系数与最大值进行对比，如果||α_i||＞||α_max||，则更新α_max为α_max＝α_i，否则，α_i＝0；

4e)当循环过程达到预定次数，或者误差超过预先设定阈值时，结束整个过程，否则，重复步骤4c)和4d)。

步骤5：合并多个训练样本子集结果，得到最终预测类别。

由上述计算得到的权重系数α_i和预测类别h_i，计算最终的预测类别Label：其中i＝1,…,m，m表示训练样本子集的个数，由于权重系数α_i，中存在0值系数，加权之后，0值系数所对应训练样本子集被删除，从而实现从训练样本集当中选择出训练样本子集。

本发明的效果可以通过以下对极化SAR图像数据进一步说明：

1、仿真条件

本发明的仿真在windows 7，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为Matlab2013a运行。仿真选用的是公共数据NASA/JPL实验室AIRSAR系统获取的L波段旧金山地区数据。

2、仿真内容与结果

仿真1：对图2所示极化SAR图像，采用图3中所示的训练样本，用本发明方法进行分类，结果如图5所示。

从图5可以看出，该仿真选用本发明对极化SAR图像进行分类之后，海洋区域错分点很少。并且对于较难分开的城区和森林区域区别更为明显，轮廓更为清楚，边界完整清晰，且在一些小细节上的区分也更加准确。比如城区部分左下角的林荫大道，将道路的形状划分的更为清楚完整。

仿真2：由图4中所示的测试样本和图5中的分类结果，计算得到混淆矩阵，如表1所示。

表1 AIRSAR旧金山地区图像测试混淆矩阵

其中，混淆矩阵的每一行代表了样本的真实类别，混淆矩阵的每一列代表了样本的预测类别，行列交叉处表示将属于行类别，即真实类别样本，被分为列类别，即预测类别的个数，样本总数表示每一类测试样本集中所含样本数，准确率表示每一类分类的测试准确率。以第一行真实类别为森林类为例，其样本总数9000表示，在测试样本集中，属于森林类的样本总数为9000，其中8774个样本被正确分为森林，217个样本被错分成城区，9个样本被错分成海洋，其中准确率0.975由正确分类的样本数8774除以该类别样本总数9000得到。

从表1中可见，该仿真选用本发明对极化SAR图像进行分类之后，在森林、城市和海洋三个区域均能取得较好的结果。

上述整个极化SAR图像分类过程，均通过计算机程序实现其功能，完成对地物图像的分类。

该实例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述实施例。

Claims (5)

1.一种基于匹配追踪选择集成的极化SAR图像分类方法，包括如下步骤：

(1)输入包含有c类地物的极化SAR图像，并进行特征提取，得到极化SAR图像数据集其中d是特征数；

(2)从极化SAR图像数据集中选取已知其类别{Y₁,…Y_i…,Y_m}，i＝1,…,m的多个样本点组成初始样本集S，并对该样本集S进行随机划分，获得m个样本子集{S₁,…S_i…,S_m}，i＝1,…,m；

(3)通过分类器算法分别对这m个子集{S₁,…S_i…,S_m}进行学习分类，获得其对应的预测类别{h₁,…h_i…,h_m}，i＝1,…,m；

(4)基于子集S_i对应的预测类别和其已知类别Y_i，获得对应于每一个训练样本子集的权重系数α_i，i＝1,…,m；

(5)利用获得的权重系数α_i，将极化SAR图像m个体样本的分类结果合并在一起，得到像素点最终的预测类别Label。

2.根据权利要求1所述的方法，其中所述步骤1中提取c类地物极化SAR图像的特征，按如下步骤进行：

2a)提取相干矩阵特征T：

$T=\left[\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{12}^{*}& T_{22}& T_{23}\\ T_{13}^{*}& T_{23}^{*}& T_{33}\end{array}\right],$

其中，上标*表示共轭，该相干矩阵特征为一个3×3矩阵；

2b)提取相干矩阵的三个特征值λ₁λ₂和λ₃：

$T=U_3\&CenterDot;\left(\begin{array}{ccc}{\mathrm{\&lambda;}}_1& 0& 0\\ 0& {\mathrm{\&lambda;}}_2& 0\\ 0& 0& {\mathrm{\&lambda;}}_3\end{array}\right)\&CenterDot;U_3^{*t},$

其中，U₃表示特征向量，上标*t表示共轭转置；

2c)提取熵特征H：

$H=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}-P_i\&CenterDot;{\log }_n{P}_i,$

其中P_i＝λ_i/(λ₁+λ₂+λ₃)，i＝1,2,3，n＝3，0≤H≤1；

2d)提取反熵特征A：

$A=\frac{{\mathrm{\&lambda;}}_2-{\mathrm{\&lambda;}}_3}{{\mathrm{\&lambda;}}_2+{\mathrm{\&lambda;}}_3},$

2e)提取角度特征

$\stackrel{\&OverBar;}{\mathrm{\&alpha;}}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{P}_i{\mathrm{\&alpha;}}_i,$

其中，α₁＝arccos(U₃(1))，U₃(1)表示特征向量U₃中的第一个元素，α₂＝arccos(U₃(2))，U₃(2)表示特征向量U₃中的第二个元素，α₃＝arccos(U₃(3))，U₃(3)表示特征向量U₃中的第三个元素。

3.根据权利要求1所述的方法，其中步骤3所述的通过分类器算法分别对这m个子集{S₁,…S_i…,S_m}进行学习分类，按如下步骤进行：

3a)计算每个训练样本子集S_i的基于超平面的法向量w_i和偏差bias_i的最优超平面：

$f\left(S_i\right)=w_i^t{S}_i+{\mathrm{bias}}_i,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m,$

其中上标t表示转置；

3b)根据最优超平面f(S_i)得到预测类别类别h_i：

$h_i=\left\{\begin{array}{cc}1& f\left(S_i\right)>0\\ -1& f\left(S_i\right)<0\end{array}\right..$

4.根据权利要求1所述的方法，其中步骤4所述的基于子集S_i对应的预测类别和其已知类别Y_i，获得对应于每一个训练样本子集的权重系数α_i，i＝1,…,m；按如下步骤进行：

4a)预先给定初始的残差R_i，i＝1,…,m，并给出定循环次数或者误差阈值；

4b)根据获得的训练样本的预测类别{h₁,…h_i…,h_m}和初始的残差R_i，计算每一个个体分类器的对应系数α_i＝<h_i,R_i>/||h_i||²，i＝1,…,m，取其中的最大值作为α_max；

4c)计算出新的残差R'_i：R′_i＝R_i-α_ih_i；

4d)根据新的残差R'_i计算得到新的一组系数α_i＝<h_i,R_i>/||h_i||²，将其中的每一个系数与最大值进行对比，如果||α_i||＞||α_max||，则更新α_max为α_max＝α_i，否则，α_i＝0；

4e)当循环过程达到预定次数，或者误差超过预先设定阈值时，结束整个过程，否则，重复步骤4c)和4d)。

5.根据权利要求1所述的方法，其中所述步骤5中利用获得的权重系数α_i，将极化SAR图像m个体样本的分类结果合并在一起，通过如下公式进行：i＝1,…,m，其中Label表示最终预测类别，m表示个体样本的个数，α_i表示权重系数，h_i表示预测类别。