CN104408467B - 基于金字塔采样和支持矢量机的极化sar图像分类方法 - Google Patents
基于金字塔采样和支持矢量机的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN104408467B CN104408467B CN201410691971.5A CN201410691971A CN104408467B CN 104408467 B CN104408467 B CN 104408467B CN 201410691971 A CN201410691971 A CN 201410691971A CN 104408467 B CN104408467 B CN 104408467B
- Authority
- CN
- China
- Prior art keywords
- sar image
- polarimetric sar
- pixel
- polarimetric
- polarization
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于金字塔采样和SVM的极化SAR图像分类方法,主要解决现有技术的分类精度不高的问题。其实现步骤为:首先,对极化SAR图像进行滤波;其次,提取极化SAR图像基于金字塔采样的采样散射特征;最后,提取极化SAR图像的极化散射特征和小波纹理特征,将采样散射特征、极化散射特征和小波纹理特征进行组合,得到组合特征,用组合特征训练支持向量机分类器,用训练好的分类器对极化SAR图像进行分类,并对分类后的极化SAR图像进行上色。本发明具有更好的去噪效果,提高了图像质量和分类精度,可用于极化SAR图像的目标识别。
Description
技术领域
本发明属于雷达技术领域,特别涉及极化合成孔径雷达SAR的图像分类,可用于目标识别。
背景技术
极化合成孔径雷达SAR已经成为国内外合成孔径雷达发展的重要方向之一。与单极化雷达图像相比,极化合成孔径雷达图像能够提供更多的地物信息。图像分类是极化SAR图像解译的重要内容之一,已广泛用于军事与民用领域,快速、准确SAR图像分类是实现各种实际应用的前提。因此,对极化SAR图像的分类研究,具有十分重要的意义。分类方法一直是该领域前沿研究的热点,利用地物的极化散射特性与模式识别领域的分类方法已构建了诸多极化SAR图像分类方法。
根据是否需要训练数据,极化SAR图像分类方法可以分为监督和非监督两种分类方法。主要的非监督分类方法是基于Kmeans聚类算法的分类方法,虽然不需要样本的标记信息但是这种分类方法非常依赖于初始聚类中心的选取且分类准确率不高。主要的监督分类方法有基于Wishart分类器和SVM分类器的分类方法,监督的分类算法通过利用标记信息提高了分类准确率,一般监督分类方法的性能优于非监督分类方法。基于Wishart分类器的有监督分类方法虽然在分类准确率上比一般的无监督分类算法高,但是计算复杂,且稳定性也不高,基于SVM分类器的分类算法在准确率和稳定性上都优于其他分类器的分类算法。若将地物根据种植的农作物分为不同的类别,需要采用监督分类方法,目前还没有通用的非监督分类方法。目前极化SAR图像分类涉及的算法有:传统的图像处理算法,代表性算法有均值聚类算法,ISODATA算法、分水岭算法,图论方法等,虽然这些方法建立在理论成熟的分类器上,但没有充分利用目标散射机制进行极化SAR图像分类;基于一般金字塔模型的分类方法,金字塔模型的优势是考虑进去了领域信息,在有标记的区域,样本划分很干净,但是该方法也存在边界划分不明显,且在样本点少的情况下,精度不高。
发明内容
为了克服已有技术的不足,本发明提出了一种基于金字塔采样和支持矢量机的极化SAR图像分类方法,以提高图像的分类精度,实现对复杂地物的清晰分辨。实现本发明目的的技术方案包括如下步骤:
(1)输入极化合成孔径雷达SAR图像,并对其进行精制极化LEE滤波;
(2)对滤波后的极化合成孔径雷达SAR图像每个像素的相干矩阵,分别提取其6个上三角元素的实部和虚部,得到9个散射特征值,一个散射特征值构成一个散射特征空间;
(3)对散射特征空间进行金字塔重要采样,得到采样的散射特征:
(3a)对每个散射特征空间里的每个像素采用16*16的窗口进行数据提取,得到16*16大小的数据矩阵;
(3b)对每个散射特征空间得到的数据矩阵分三次处理:第一次处理是直接提取数据矩阵的最大值,得到一个特征值;第二次处理是将数据矩阵分成4个子矩阵,分别提取这4个子矩阵中的最大值,得到4个特征值;第三次处理是将数据矩阵分成9个子矩阵,分别提取这9个子矩阵中的最大值,经过这样的金字塔重要采样得到每个散射特征空间里每个像素的14维的采样散射特征;
(4)提取滤波后的极化SAR图像的极化散射特征和小波纹理特征;
(5)将得到的采样散射特征、极化散射特征和小波纹理特征进行组合得到组合特征;
(6)用组合特征训练支持向量机分类器,用训练好的分类器对极化合成孔径雷达SAR图像进行分类,并对分类后的极化合成孔径SAR图像进行上色。
本发明与现有技术相比,具有以下技术效果和优点:
1、本发明采用精致极化LEE滤波法,对待分类的极化SAR图像进行滤波,克服了现有技术因未对极化SAR图像进行滤波,引入了相干斑噪声,导致图像质量降低的问题,使得本发明既能避免极化通道之间的串扰,又能保持极化通道之间的极化信息和统计相关性,使极化SAR图像的轮廓、边缘更加清晰,提高图像质量,改善了极化SAR图像分类的性能。
2、本发明通过在由相干矩阵提取的散射特征构成的散射特征空间里,进行金字塔重要采样,不仅考虑了领域信息,克服了极化SAR图像的边界分类问题,提高了对极化SAR图像分类的效果,达到对复杂的地物进行清晰的分辨。
3、本发明在训练分类器时,采用同时训练多个分类器,进一步提高了分类精度。
附图说明
下面结合附图对本发明的具体实施方式予以描述。
图1是本发明的实现流程图;
图2是本发明测试使用的荷兰中部Flevoland地区的极化SAR图像;
图3是本发明测试所用极化SAR图像真实的地物标记;
图4是用本发明对图3中极化SAR图像的标记样本的分类结果图;
图5是用本发明对图2中的极化SAR图像的分类结果;
图6是用现有的wishart分类方法,对图2中的极化SAR图像的分类结果;
图7是用现有的SVM分类器在只提取极化SAR图像的极化散射特征和小波纹理特征的情况下,对图2中的极化SAR图像的分类结果。
具体实施方式
下面结合附图对本发明的技术方案和效果做进一步的说明。
参照图1,本发明基于金字塔采样和支持矢量机的极化SAR图像分类方法,包括如下步骤:
步骤1,对待分类的极化SAR图像进行滤波:
采用精致极化LEE滤波方法,对待分类的极化SAR图像进行滤波,去除斑点噪声,得到滤波后的极化SAR图像,其步骤如下:
(1a)设定精致极化LEE滤波的滑动窗口,该滑动窗口的大小为7*7像素;
(1b)将滑动窗口在输入的极化SAR图像的像素上,从左到右、从上到下漫游,每漫游一步,将滑动窗口提取的数据,按照像素空间的位置,从左到右、从上到下依次分成9个子窗口,每个子窗口的大小是3*3像素,子窗口之间有重叠;
(1c)将9个子窗口对应位置的数据求均值,将所得到的均值构成3*3的均值窗口;
(1d)选择水平、垂直、45度和135度的四个方向的梯度模板,将均值窗口分别与四个模板进行加权,将所得到的加权结果求绝对值,选出所有绝对值中的最大值,将该最大值对应的方向作为边缘方向;
(1e)取边缘方向的左右2个子窗口,分别对2个窗口内的所有像素求均值,用得到的两个均值分别减去中心窗口所有像素的均值,将均值差值中小的值所对应的子窗口作为方向窗口;
(1f)依照下面的式子,得到精致极化LEE滤波的权值:
其中,b表示精致极化LEE滤波的权值,var(y)表示方向窗口内极化SAR图像像素总功率的方差值,y表示方向窗口内极化SAR图像像素的总功率,p表示方向窗口内极化SAR总功率图像所有像素的均值,表示输入的极化SAR图像相干斑噪声的方差值;
(1g)按照下式,得到滤波后极化SAR图像中心像素的相干矩阵:
T_filtered=T_aver+b*(original_T-T_aver) (2)
其中,T_filtered表示滤波后极化SAR图像中心像素的相干矩阵,T_aver表示方向窗口内极化SAR图像像素的相干矩阵的均值,b表示精致极化LEE滤波的权值,original_T表示极化SAR图像中心像素的相干矩阵。
步骤2,提取极化SAR图像基于金字塔采样的采样散射特征。
(2a)对滤波后的极化SAR图像,对每个像素的相干矩阵T,分别提取其6个上三角元素的实部和虚部:T(1,1)、realT(1,2)、imagT(1,2)、realT(1,3)、imagT(1,3)、T(2,2)、realT(2,3)、imagT(2,3)、T(3,3),得到9个散射特征值,一个散射特征值构成一个散射特征空间;
滤波后的极化SAR图像的每个像素的相干矩阵T,大小为3×3,T的表示形式如下:
其中,h表示水平极化方向,v表示垂直极化方向,Shh表示极化SAR图像水平方向接收的水平方向发射极化波的回波数据,Shv表示极化SAR图像垂直方向接收的水平方向发射极化波的回波数据,Svv表示SAR图像垂直方向接收的垂直方向发射极化回波数据,上标*表示这个数据的共轭,<·>表示按视数平均;
(2b)对每个散射特征空间里的每个元素,采用16*16的窗口进行数据提取,得到16*16大小的数据矩阵,边界的元素用镜像对称补齐,对每个散射特征空间里的每个元素得到的数据矩阵分如下三次处理:
第一次处理是直接提取数据矩阵的最大值,得到一个特征值;
第二次处理是将数据矩阵分成4个子矩阵,分别提取这4个子矩阵中的最大值,得到4个特征值;
第三次处理是将数据矩阵分成9个子矩阵,分别提取这9个子矩阵中的最大值,经过这样的金字塔重要采样得到每个散射特征空间里每个像素的14维的采样散射特征。
步骤3,采用克拉德cloude分解方法提取极化SAR图像的极化散射特征。
(3a)将极化SAR图像的每个像素的相干矩阵分解为如下形式:
其中,T表示极化SAR图像的相干矩阵,U3是T的正交特征向量,Λ是由T矩阵的特征值组成的对角矩阵,上标*表示这个数据的共轭,λ1表示极化SAR图像相干矩阵的第一个特征值,λ2表示极化SAR图像相干矩阵的第二个特征值,λ3表示极化SAR图像相干矩阵的第三个特征值;
(3b)提取极化SAR的特征值
(3b1)提取极化SAR图像每个像素的相干矩阵的第一特征值λ1、第二特征值λ2、第三特征值λ3;
(3b2)提取每个像素的反熵参数A、特征值指数P、散射熵参数H和散射类型参数α:
其中,pi表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值,αi表示极化SAR图像相干矩阵第i个特征值对应的平均散射点,下标i=1,2,3;
上述散射熵参数H,在0到1之间随机变化,其中H为0时散射媒质是各向同性散射,H为1时散射媒质是完全随机散射。如果散射熵H值很接近0,则认为整个系统弱去极化,占优势的目标散射矩阵部分为最大特征值对应的矩阵向量,而忽略其他矩阵向量;如果散射熵H值很接近1,则表明目标的去极化效应很强,目标不再只包括唯一等价的散射矩阵,需要考虑所有的特征值;
散射熵参数H提供了在同一分辨单元内总散射机制的信息,但是对于低熵或中等熵,散射熵不能提供有关两个较小特征值之间关系的信息,故进一步考虑反熵参数A,反熵A的大小反应了克拉德cloude分解优势散射机制以外的两个相对较弱的特征值λ2和特征值λ3之间的大小关系,反熵A是散射熵参数H的补充。本发明还引入了特征值指数P,特征值指数P体现了回波强度相干部分与非相干部分的差异性。散射角α的值与散射过程的物理机制相互联系,散射角α在0度到90度之间变化,其中α=0度表明散射过程为奇次散射,α=45度表明散射过程为体散射,α=90度表明散射过程为偶次散射,α值的大小可以表明极化SAR图像的散射类型。
步骤4,采用惠能Huynen分解方法,提取极化SAR图像的极化散射特征。
(4a)将极化SAR图像的相干矩阵标记为:
其中,T表示极化SAR图像的相干矩阵,a表示极化SAR图像的对称因子,c表示极化SAR图像的构型因子,d表示极化SAR图像的局部曲率差,h表示极化SAR图像的方向性,g表示极化SAR图像对称和非对称部分间的耦合度,b表示极化SAR图像的非规则性因子,e表示极化SAR图像的表面扭转性,f表示极化SAR图像的螺旋性,l表示极化SAR图像的非对称性因子;
(4b)在极化SAR图像的相干矩阵T中,用待定系数方法求出极化SAR图像采用惠能Huynen分解方法得到的如下9个特征参数:
其中,Shh表示极化SAR图像水平方向接收的水平方向发射极化波的回波数据,Shv表示SAR图像垂直方向接收的水平方向发射极化波的回波数据,Svv表示SAR图像垂直方向接收的垂直方向发射极化回波数据,上标*表示这个数据的共轭,<·>表示按视数平均。
步骤5,提取极化SAR图像的小波纹理特征。
(5a)在滤波后的极化SAR图像中,对每个像素点,按如下公式得到每个像素的功率能量值:
span=(<|Shh|2>+2<|Shv|2>+<|Svv|2>) (11)
其中,span是每个像素点的功率能量,Shh表示极化SAR图像水平方向接收的水平方向发射极化波的回波数据,Shv表示SAR图像垂直方向接收的水平方向发射极化波的回波数据,Svv表示SAR图像垂直方向接收的垂直方向发射极化回波数据,<·>表示按视数平均;
(5b)以每个像素的功率能量值形成极化SAR图像的span功率图,在极化SAR图像的span功率图上,对每个像素以16*16的窗口,提取16*16的功率矩阵,边界点用镜像对称补充数据,对16*16的功率矩阵进行3层的小波分解,按下式求分解后得到的每个子带小波系数的均值ui和标准差δi:
其中,M×N是每个子带矩阵的大小,是子带矩阵处的小波系数,表示取绝对值,标号i指的是第i个子带,ui是第i个子带小波系数的均值,i=1,2,…10;
(5c)将得到的每个子带小波系数的均值ui和标准差δi进行组合,得到极化SAR图像的小波纹理特征WL:
WL=[u1,δ1,u2,δ2···u10,δ10] (14)
其中,ui表示第i个子带小波系数的均值,δi表示第i个子带小波系数的标准差,i=1,2,…10。
步骤6,将得到的采样散射特征、极化散射特征和小波纹理特征进行组合得到组合特征,并将组合特征进行归一化处理。
将基于金字塔重要采样的采样散射特征,极化散射特征和小波纹理特征,组成极化SAR图像的162维的组合特征,并将所得的特征归一化到0~1之间的数值,然后扩展到-50~50之间数值,具体步骤如下;
设e=(e1,e2,···,ek),建立映射:
newf(ek)=(f(ek)-0.5)*100 (16)
其中,e=(e1,e2,···,ek)表示极化SAR图像的162维的组合特征,表示经过归一化后,扩展得到的组合特征。
步骤7,训练分类器。
支持向量机SVM是从线性可分的最优分类超平面发展而来的,基本思想是将向量映射到一个更高维的空间里,在这个空间里建立一个最大间隔超平面。在将数据分开的超平面的两边建有两个互相平行的超平面,分割超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大,分类器的总误差越小。最优分类超平面就是以最大间隔将两类样本正确分开的超平面;
SVM分类器的训练步骤如下:
(7a)对于极化SAR图像的有标记样本,在每一类的有标记样本中随机挑选n个样本作为训练样本,剩下的所有有标记样本作为测试样本;
(7b)将训练样本的组合特征和训练样本的类别标号,输入到SVM分类器中,进行训练,得到可用于分类的SVM分类器;
(7c)将测试样本的组合特征和测试样本的类别标号输入到可分类的SVM分类器中,计算测试样本的分类精度,重新训练SVM分类器,直到前后两次测试样本的分类精度的变化达到指定要求,得到可用于预测分类的SVM分类器。
步骤8,预测分类:
SVM分类器实现的是二分类器,极化SAR图像分类是多分类问题,于是训练了多个二分类器,共个二分类器,其中N表示分类器的个数,k表示极化SAR图像的类别数;
利用训练好的N个支持向量机分类器,对待分类的极化SAR图像进行分类:对于给定的极化SAR图像的未分类样本x,采用所有N个支持向量机分类器对x所属类别进行判定,统计判定的结果,得到x的类别标号,由此对极化SAR图像进行分类。
步骤9,输出结果:
对分类后的极化SAR图像,根据类别标号,标记为相应的颜色,输出上色后的极化SAR图像;
本发明效果可以通过以下实验结果证实:
1、实验条件和内容:
实验条件:本发明的仿真实验所使用的输入图像如图2所示,大小为750*1024像素的极化SAR图像作为测试图像,来源为NASA实验室AIRSAR系统获取的荷兰弗莱福兰地区Flevoland地区的L波段图像。本发明和对比方法都是在MATLAB R2013a软件中编程实现。
实验内容:在上述实验条件下,由于极化SAR地物数据信息具有比较复杂的性质,需要进行特征提取,本发明的关键处理步骤是特征提取,提取极化SAR图像比较重要的特征,最后用SVM分类器进行分类。
实验1:采用现有的wishart分类方法对图2中的极化SAR图像进行分类,结果如图6所示;
实验2:采用现有的SVM分类器在只提取极化SAR图像的极化散射特征和小波纹理特征的情况下,对图2中的极化SAR图像的进行分类,结果如图7所示;
实验3:采用本发明的方法对图2中的极化SAR图像进行分类,结果如图5所示;
实验4:采用本发明的方法对图3中的极化SAR图像的标记样本进行分类,结果如图4所示。
实验结果:
分类精度以测试样本的正确分类个数与测试样本的总个数的比值得到。采用实验1的方法,对图2中的极化SAR图像的进行分类,得到的分类精度为86.30%;采用实验2的方法,对图2中的极化SAR图像的进行分类,得到的分类精度为94.30%;采用实验3的方法,对图2中的极化SAR图像的进行分类,得到的分类精度为97.54%。
从图7和图5可以看出,本发明的方法相比于wishart分类方法提高了极化SAR图像的分类精度。
从图6和图5可以看出,本发明的方法相比与实验2的方法,不仅提高了分类精度,在边界保持上也有一定的优势。
从实验记录的分类精度可以看出,本发明的方法相比于一些其他的极化SAR图像分类方法具有更高的分类精度。
Claims (5)
1.一种基于金字塔采样和SVM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,并对其进行精制极化LEE滤波;
(2)对滤波后的极化合成孔径雷达SAR图像每个像素的相干矩阵,分别提取其6个上三角元素的实部和虚部,得到9个散射特征值,一个散射特征值构成一个散射特征空间;
(3)对散射特征空间进行金字塔重要采样,得到采样的散射特征:
(3a)对每个散射特征空间里的每个像素采用16*16的窗口进行数据提取,得到16*16大小的数据矩阵;
(3b)对每个散射特征空间得到的数据矩阵分三次处理:第一次处理是直接提取数据矩阵的最大值,得到一个特征值;第二次处理是将数据矩阵分成4个子矩阵,分别提取这4个子矩阵中的最大值,得到4个特征值;第三次处理是将数据矩阵分成9个子矩阵,分别提取这9个子矩阵中的最大值,经过这样的金字塔重要采样得到每个散射特征空间里每个像素的14维的采样散射特征;
(4)提取滤波后的极化SAR图像的极化散射特征和小波纹理特征;
(5)将得到的采样散射特征、极化散射特征和小波纹理特征进行组合得到组合特征;
(6)用组合特征训练支持向量机分类器,用训练好的分类器对极化合成孔径雷达SAR图像进行分类,并对分类后的极化合成孔径SAR图像进行上色。
2.根据权利要求1所述的方法,其中所述步骤(1)中对输入极化合成孔径雷达SAR图像进行精制极化LEE滤波,按如下步骤进行:
(1a)设定精致极化LEE滤波的滑动窗口,该滑动窗口的大小为7*7像素;
(1b)将滑动窗口在输入的极化SAR图像的像素上,从左到右、从上到下漫游,每漫游一步,将滑动窗口提取的数据,按照像素空间的位置,从左到右、从上到下依次分成9个子窗口,每个子窗口的大小是3*3像素,子窗口之间有重叠;
(1c)将9个子窗口对应位置的数据求均值,将所得到的均值构成3*3的均值窗口;
(1d)选择水平、垂直、45度和135度的四个方向的梯度模板,将均值窗口分别与四个模板进行加权,将所得到的加权结果求绝对值,选出所有绝对值中的最大值,将该最大值对应的方向作为边缘方向;
(1e)取边缘方向的左右2个子窗口,分别对2个窗口内的所有像素求均值,用得到的两个均值分别减去中心窗口所有像素的均值,将均值差值中小的值所对应的子窗口作为方向窗口;
(1f)依照下面的式子,得到精致极化LEE滤波的权值:
其中,b表示精致极化LEE滤波的权值,var(y)表示方向窗口内极化SAR图像像素总功率的方差值,y表示方向窗口内极化SAR图像像素的总功率,p表示方向窗口内极化SAR总功率图像所有像素的均值,表示输入的极化SAR图像相干斑噪声的方差值;
(1g)按照下式,得到滤波后极化SAR图像中心像素的相干矩阵:
T_filtered=T_aver+b*(original_T-T_aver) (2)
其中,T_filtered表示滤波后极化SAR图像中心像素的相干矩阵,T_aver表示方向窗口内极化SAR图像像素的相干矩阵的均值,b表示精致极化LEE滤波的权值,original_T表示极化SAR图像中心像素的相干矩阵。
3.根据权利要求1所述的方法,其中步骤(4)所述的提取极化SAR图像的极化散射特征,采用克拉德cloude分解方法进行,其步骤如下:
(4a)提取极化SAR图像每个像素的相干矩阵的第一特征值λ1、第二特征值λ2、第三特征值λ3;
(4b)提取每个像素的反熵参数A、特征值指数P、散射熵参数H和散射类型参数α:
其中,pi表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值,αi表示极化SAR图像相干矩阵第i个特征值对应的平均散射点,下标i=1,2,3。
4.根据权利要求1所述的方法,其中步骤(4)所述的提取极化SAR图像的极化散射特征,采用惠能Huynen分解方法,通过如下公式计算得到极化SAR图像每个像素的对称因子a、非规则性因子b、非对称性因子l、构型因子c、局部曲率差d、表面扭转性e、螺旋性f、对称和非对称部分间的耦合度g和方向性h:
其中,Shh表示极化SAR图像水平方向接收的水平方向发射极化波的回波数据,Shv表示SAR图像垂直方向接收的水平方向发射极化波的回波数据,Svv表示SAR图像垂直方向接收的垂直方向发射极化回波数据,上标*表示这个数据的共轭,<·>表示按视数平均。
5.根据权利要求1所述的方法,其中所述步骤(4)中提取极化SAR图像的小波纹理特征,按如下步骤进行:
4a)在滤波后的极化SAR图像中,对每个像素点,按如下公式得到每个像素的功率能量值:
span=(<|Shh|2>+2<|Shv|2>+<|Svv|2>) (8)
其中,span是每个像素点的功率能量值,Shh表示极化SAR图像水平方向接收的水平方向发射极化波的回波数据,Shv表示SAR图像垂直方向接收的水平方向发射极化波的回波数据,Svv表示SAR图像垂直方向接收的垂直方向发射极化回波数据,<·>表示按视数平均;
4b)以每个像素的功率能量值形成极化SAR图像的span功率图,在极化SAR图像的span功率图上,对每个像素以16*16的窗口,提取16*16的功率矩阵|f(x,y)|,边界点用镜像对称补充数据,对16*16的功率矩阵进行3层的小波分解,按下式求分解后得到的每个子带小波系数的均值ui和标准差δi:
其中,M×N是每个子带矩阵的大小,是子带矩阵处的小波系数,表示取绝对值,标号i指的是第i个子带,ui是第i个子带小波系数的均值,i=1,2,…,10;
4c)将得到的每个子带小波系数的均值和标准差进行组合,得到极化SAR图像的小波纹理特征:
WL=[u1,δ1,u2,δ2,···u10,δ10] (11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410691971.5A CN104408467B (zh) | 2014-11-26 | 2014-11-26 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410691971.5A CN104408467B (zh) | 2014-11-26 | 2014-11-26 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408467A CN104408467A (zh) | 2015-03-11 |
CN104408467B true CN104408467B (zh) | 2017-09-26 |
Family
ID=52646098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410691971.5A Active CN104408467B (zh) | 2014-11-26 | 2014-11-26 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408467B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751174B (zh) * | 2015-03-12 | 2017-11-17 | 西安电子科技大学 | 基于超向量编码的极化sar图像分类方法 |
CN105069459B (zh) * | 2015-08-18 | 2018-06-19 | 电子科技大学 | 一种针对高分辨率sar图像地物类型提取方法 |
CN106203489B (zh) * | 2016-07-01 | 2019-02-15 | 西安电子科技大学 | 基于多尺度深度方向波网络的极化sar图像分类方法 |
CN106296602A (zh) * | 2016-08-03 | 2017-01-04 | 合肥工业大学 | 一种三维小波变换的极化sar滤波方法 |
TWI666598B (zh) * | 2016-12-01 | 2019-07-21 | 財團法人資訊工業策進會 | 存貨管理系統與存貨管理方法 |
CN107527023B (zh) * | 2017-08-07 | 2021-05-25 | 西安理工大学 | 基于超像素和主题模型的极化sar图像分类方法 |
CN110569914B (zh) * | 2019-09-12 | 2022-03-25 | 北京理工大学 | 基于比值的hrrp目标识别距离分类方法 |
CN117390355B (zh) * | 2023-12-12 | 2024-03-15 | 江西师范大学 | 基于lpc补偿的极化目标分解方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488188A (zh) * | 2008-11-10 | 2009-07-22 | 西安电子科技大学 | 基于混合核函数的svm分类器的sar图像分类方法 |
CN102682306A (zh) * | 2012-05-02 | 2012-09-19 | 武汉大学 | 用于sar图像的小波金字塔极化纹理基元特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2617119A1 (en) * | 2008-01-08 | 2009-07-08 | Pci Geomatics Enterprises Inc. | Service oriented architecture for earth observation image processing |
-
2014
- 2014-11-26 CN CN201410691971.5A patent/CN104408467B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488188A (zh) * | 2008-11-10 | 2009-07-22 | 西安电子科技大学 | 基于混合核函数的svm分类器的sar图像分类方法 |
CN102682306A (zh) * | 2012-05-02 | 2012-09-19 | 武汉大学 | 用于sar图像的小波金字塔极化纹理基元特征提取方法 |
Non-Patent Citations (2)
Title |
---|
LI Xueying等.A SAR target classification method based on sparse representation and spatial pyramid rings.《中国科学技术大学学报》.2013,第43卷(第4期), * |
张祥等.基于目标分解的极化SAR图像SVM监督分类.《计算机应用研究》.2013,第30卷(第1期), * |
Also Published As
Publication number | Publication date |
---|---|
CN104408467A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408467B (zh) | 基于金字塔采样和支持矢量机的极化sar图像分类方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
Kersten et al. | Unsupervised classification of polarimetric synthetic aperture radar images using fuzzy clustering and EM clustering | |
CN105138970B (zh) | 基于空间信息的极化sar图像分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN103489005B (zh) | 一种基于多分类器融合的高分辨率遥感影像分类方法 | |
Shi et al. | Incorporating spatial information in spectral unmixing: A review | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN105956612B (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN103996047B (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN105069478B (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
CN101807258B (zh) | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 | |
CN105718942B (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN105894013B (zh) | 基于cnn和smm的极化sar图像分类方法 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN104239900A (zh) | 基于k均值和深度svm的极化sar图像分类方法 | |
CN108830312B (zh) | 一种基于样本自适应扩充的集成学习方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN105894018B (zh) | 基于深度多示例学习的极化sar图像分类方法 | |
CN101561865A (zh) | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
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 |