CN104268555A - 基于模糊稀疏lssvm的极化sar图像分类方法 - Google Patents

Abstract

本发明提出了一种基于模糊稀疏LSSVM的极化SAR图像分类方法，主要解决现有的技术对极化合成孔径雷达SAR图像分类，所用时间长和分类精度低的问题。其实现步骤是：(1)输入图像；(2)预处理；(3)特征提取；(4)选取训练样本；(5)计算模糊隶属度；(6)训练分类器；(7)分类；(8)计算分类精度。本发明具有能克服噪声对训练分类器的影响、分类速度快、分类精度高等优点，能够有效地对极化合成孔径雷达SAR图像分类，实现目标识别与跟踪定位。

Description

基于模糊稀疏LSSVM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，更进一步涉及图像分类技术领域中的一种基于模糊稀疏最小二乘支持向量机(Least Squares Support Vector MachineLSSVM)的极化合成孔径雷达(Synthetic Aperture Radar SAR)图像分类方法。本发明可用于对极化SAR图像进行地物分类并标记，实现目标识别与跟踪定位。

背景技术

极化SAR图像分类可以认为是对图像中的像素点进行分类的过程，根据图像中每个像素点的属性特征判断该像素点所属的类别，完成对图像的分类。由于统计学习理论是一种专门研究小样本情况下的机器学习理论，基于统计学习理论的支持向量机是一种有效的监督分类器，已广泛应用于目标识别与图像分割等领域。

孟云闪发表的论文“LSSVM算法在极化SAR影响分类中的应用”(《地理空间信息》，文章编号：1672-4623(2012)03-0043-03)中公开了一种用LSSVM对极化SAR图像分类的方法。该方法的实现过程为，首先对极化SAR影像进行目标分解，提取5个参数组成的矢量集作为特征，其次将特征矢量集进行线性归一化处理，最后将传统的SVM分类器和LSSVM分类器进行性能对比，并采用LSSVM获得分类结果。该方法的不足之处在于，此方法最终选择了LSSVM分类器，此分类模型无法保证得到的解是全局最优解，并且解缺乏稀疏性，容易导致过拟合，无法克服孤立点和噪声的影响，导致分类精度低。

西安电子科技大学申请的专利“一种基于半监督SVM和MeanShift的极化SAR图像分类方法”(专利申请号：201410076676.9，公布号：CN103914704A)。该方法的实现过程为，首先分别建立极化SAR图像分类训练集和分类测试集，其次用SVM算法获得极化SAR图像的分类结果，选取置信度高的样本集，用MeanShift修改SVM分类结果，更新样本集、测试集和分类模型，最后用该分类模型对极化SAR图像进行分类。该方法的不足之处在于，此方法采用了传统的SVM分类器，需要借助二次规划求分类模型，所以在对极化SAR图像进行分类时，由于数据量较大，导致计算复杂度高，训练时间长，效率低下。

发明内容

本发明方法的目的在于克服上述现有技术的不足，提出一种基于模糊稀疏最小二乘支持向量机LSSVM的极化SAR图像方法。该方法采用了将训练样本集的模糊隶属度加入到了稀疏最小二乘支持向量机分类器的模型中，有效克服了噪声对构造分类面的影响，实现了对极化合成孔径雷达SAR图像的准确分类。

本发明的具体步骤如下：

(1)输入图像：

输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵；

(2)预处理：

对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵；

(3)特征提取：

依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵；

(4)选取训练样本：

从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集；

(5)计算模糊隶属度：

(5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集；

(5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间；

(5c)采用类半径公式，分别计算正、负类样本集的类半径；

(5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心距；

(5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训练样本集的模糊隶属度；

(6)训练分类器：

将训练样本集的模糊隶属度和步骤(4)得到的训练样本集，输入到稀疏最小二乘支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器；

(7)分类：

(7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类；

(7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的分类时间；

(8)计算分类精度：

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

本发明与现有技术相比具有如下优点：

第一、由于本发明采用了稀疏最小二乘支持支持向量机分类器，克服了现有技术采用最小二乘支持向量机需要求解多个线性方程的复杂模型，导致运算复杂度高，训练速度慢，得到的解不稀疏的问题，使得本发明的分类速度快，有利于实现对图像的快速分类。

第二、由于本发明将模糊隶属度加入到了选择的训练集中，克服了现有技术在训练分类器时，训练样本中夹杂的噪声对构造分类面的影响，导致分类精度低的问题，使得本发明能够实现对图像的准确分类，提高了分类精度。

附图说明

图1为本发明的流程图；

图2为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图；

图3为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图对应的实际地物标记图；

图4为本发明对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图进行分类的分类结果图。

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，对本发明的具体实施步骤做进一步的详细描述。

步骤1，输入图像。

输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵。

在本发明实施例中，由WINDOWS XP系统输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵。其中，待分类的极化合成孔径雷达SAR图像的相干矩阵是一个3*3*N的矩阵，N表示待分类的极化合成孔径雷达SAR图像像素的总数，待分类的极化合成孔径雷达SAR图像中的每个像素为一个3*3的矩阵。

步骤2，预处理。

对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵。

步骤3，特征提取。

依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵。

步骤4，选取训练样本。

从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集。

其中训练样本集中每个训练样本为一个1*9的特征向量。

步骤5，计算模糊隶属度。

选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集。

采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间，径向基核函数公式如下：

$K(X,Y)=\exp \left(\frac{-{\left|\right|X-Y\left|\right|}_2^2}{{2\mathrm{\δ}}^2}\right)$

其中，K(X,Y)表示训练样本X和训练样本Y的核，表示训练样本X和训练样本Y之间欧式距离的平方，δ表示径向基核函数的径向宽度。

采用类半径公式，分别计算正、负类样本集的类半径，类半径公式如下：

$r=\sqrt{\max \{K(X,X)-\frac{2}{n}\underset{Y\∈C}{\mathrm{\Σ}}K(Y,X)+\frac{1}{n^2}\underset{Y\∈C}{\mathrm{\Σ}}\underset{Z\∈C}{\mathrm{\Σ}}K(Y,Z)\}}$

其中，r表示正类或负类样本集的类半径，K(·)表示径向基核函数，X、Y、Z分别表示正类或负类样本集中任意一个训练样本，n表示正类或负类样本集中训练样本的总个数，C表示正类或负类样本集。

采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心距，类中心距公式如下：

$d_i=\sqrt{K(X_i,X_i)-\frac{2}{n}\underset{Y\∈C}{\mathrm{\Σ}}K\left(X_{i,}Y\right)+\frac{1}{n^2}\underset{Y\∈C}{\mathrm{\Σ}}\underset{Z\∈C}{\mathrm{\Σ}}K(Y,Z)}$

其中，d_i表示正类或负类样本集中第i个训练样本到其类中心之间的距离，K(·)表示径向基核函数，X_i表示正类或负类样本集中第i个训练样本，n表示正类或负类样本集中样本的总数，C表示正类或负类样本集，Y、Z分别表示正类或负类样本集中任意一个训练样本。

采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训练样本集的模糊隶属度，模糊隶属度公式如下：

$s_i=1-\sqrt{\frac{\left|\right|{d_i}^2\left|\right|}{(r^2+\mathrm{\δ})}}$

其中，s_i表示正类或负类样本集中第i个训练样本的模糊隶属度，d_i表示正类或负类样本集中第i个训练样本到其所属类别中心之间的距离，r表示正类或负类样本集的类半径，δ为0.01的常数。

步骤6，训练分类器。

将训练样本集的模糊隶属度和步骤(4)得到的训练样本集，输入到稀疏最小二乘支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器。

其中，稀疏最小二乘支持向量机LSSVM分类器采用的是薄列峰发表的论文“Fast Sparse Approximation for Least Squares Support Vector Machine”中的稀疏最小二乘支持向量机工具箱，此工具箱采用一种快速稀疏逼近算法来求解稀疏最小二乘支持向量机模型参数。

步骤7，分类。

用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类。

记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的分类时间。

步骤8，计算分类精度。

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

本发明的效果可以通过以下仿真实验来进行验证。

1、仿真实验条件：

首先，本发明的仿真实验需要选取一幅附有实际地物标记图的极化合成孔径雷达SAR图像，作为待分类的极化合成孔径雷达SAR图像。选取的极化合成孔径雷达SAR图像为如图2为1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图，图像尺寸大小为750像素×1024像素。对应的1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据合成图的实际地物标记图如图3所示。

其次，本发明的仿真实验硬件平台为：Intel Core2Duo CPU i33.2GHZ、3GB RAM，软件平台：MATLAB R2010a。

2、仿真实验内容与结果分析：

图4为采用本发明，对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图，进行分类的结果示意图。

从图4的分类结果示意图看，采用本发明的方法对图2的实验图像进行分类后，除了海洋部分和陆地的部分像素点的分类效果较模糊之外，剩余的地物类别均能得到较精确的分类效果，并且边缘比较平滑，清晰可辨。由此可见，本发明的方法适用于对极化合成孔径雷达SAR图像进行地物分类，并能得到清晰的分类效果。

本方法与经典的现有技术支持向量机算法和稀疏最小二乘支持向量机算法进行分类时间和分类精度的对比，对比的结果如表1所示。

表1中的类别1至类别11表示本仿真实验选取的极化合成孔径雷达SAR图像中不同的地物类别，SVM表示经典的现有技术支持向量机算法，LSSVM表示现有技术稀疏最小二乘支持向量机算法。

表1三种方法分类精度对比表

	本发明	SVM	稀疏LSSVM
				类别1	0.9752	0.9680	0.9697
类别2	0.9419	0.8476	0.9187
				类别3	0.9822	1.0000	0.8859
类别4	0.9114	0.8883	0.9063
				类别5	0.9584	0.9435	0.9624
类别6	0.8933	0.8803	0.8641
				类别7	0.9735	0.9881	0.9720
类别8	0.9755	0.9434	0.9764
				类别9	0.9809	0.9293	0.9817
类别10	0.9925	0.8059	0.9933
				类别11	0.9620	0.9154	0.9452
总精度	0.9552	0.8964	0.9422
				总时间/秒	283.5	584.9	289.8

仿真结果分析：从表1可以看出，采用本发明，对极化合成孔径雷达SAR图像进行分类，从分类精度看，本发明的总分类精度远远高于采用经典的现有技术支持向量机算法和稀疏最小二乘支持向量机算法，并且对所有的地物类别均获得更好的分类效果。从分类时间看，本发明对极化合成孔径雷达SAR图像分类时所用时间最短，并且相比经典的支持向量机算法，效果极为明显。所以，采用本发明，对极化合成孔径雷达SAR图像进行分类时，分类效率和分类精度都有所提高，进一步验证了本发明的效果。

Claims (6)

1.一种基于模糊稀疏LSSVM的极化SAR图像分类方法，具体步骤如下：

(1)输入图像：

输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵；

(2)预处理：

对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩阵；

(3)特征提取：

依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将所有元素的特征向量构成一个特征矩阵；

(4)选取训练样本：

从特征矩阵中随机选择5％的特征向量作为训练样本集，剩余的95％作为测试样本集；

(5)计算模糊隶属度：

(5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中剩余的训练样本组成负类样本集；

(5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特征空间；

(5c)采用类半径公式，分别计算正、负类样本集的类半径；

(5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心距；

(5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训练样本集的模糊隶属度；

(6)训练分类器：

将训练样本集的模糊隶属度和步骤(4)得到的训练样本集，输入到稀疏最小二乘支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器；

(7)分类：

(7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类；

(7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的分类时间；

(8)计算分类精度：

统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分比，得到分类精度。

2.根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于，步骤(1)所述的待分类的极化合成孔径雷达SAR图像的相干矩阵是一个3*3*N的矩阵，其中，N表示待分类的极化合成孔径雷达SAR图像像素的总数，待分类的极化合成孔径雷达SAR图像中的每个像素为一个3*3的矩阵。

3.根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于，步骤(5b)所述的径向基核函数公式如下：

$K(X,Y)=\exp \left(\frac{-{\left|\right|X-Y\left|\right|}_2^2}{{2\mathrm{\δ}}^2}\right)$

其中，K(X,Y)表示训练样本X和训练样本Y的核，表示训练样本X和训练样本Y之间欧式距离的平方，δ表示径向基核函数的径向宽度。

4.根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于，步骤(5c)所述的类半径公式如下：

$r=\sqrt{\max \{K(X,X)-\frac{2}{n}\underset{Y\∈C}{\mathrm{\Σ}}K(Y,X)+\frac{1}{n^2}\underset{Y\∈C}{\mathrm{\Σ}}\underset{Z\∈C}{\mathrm{\Σ}}K(Y,Z)\}}$

其中，r表示正类或负类样本集的类半径，K(·)表示径向基核函数，X、Y、Z分别表示正类或负类样本集中任意一个训练样本，n表示正类或负类样本集中训练样本的总个数，C表示正类或负类样本集。

5.根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于，步骤(5d)所述的类中心距公式如下：

$d_i=\sqrt{K(X_i,X_i)-\frac{2}{n}\underset{Y\∈C}{\mathrm{\Σ}}K\left(X_{i,}Y\right)+\frac{1}{n^2}\underset{Y\∈C}{\mathrm{\Σ}}\underset{Z\∈C}{\mathrm{\Σ}}K(Y,Z)}$

其中，d_i表示正类或负类样本集中第i个训练样本到其类中心之间的距离，K(·)表示径向基核函数，Xi表示正类或负类样本集中第i个训练样本，n表示正类或负类样本集中样本的总数，C表示正类或负类样本集，Y、Z分别表示正类或负类样本集中任意一个训练样本。

6.根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于，步骤(5e)所述的模糊隶属度公式如下：

$s_i=1-\sqrt{\frac{\left|\right|{d_i}^2\left|\right|}{(r^2+\mathrm{\δ})}}$

其中，s_i表示正类或负类样本集中第i个训练样本的模糊隶属度，d_i表示正类或负类样本集中第i个训练样本到其所属类别中心之间的距离，r表示正类或负类样本集的类半径，δ为0.01的常数。