CN104408472A - 基于Wishart和SVM的极化SAR图像分类方法 - Google Patents
基于Wishart和SVM的极化SAR图像分类方法 Download PDFInfo
- Publication number
- CN104408472A CN104408472A CN201410740814.9A CN201410740814A CN104408472A CN 104408472 A CN104408472 A CN 104408472A CN 201410740814 A CN201410740814 A CN 201410740814A CN 104408472 A CN104408472 A CN 104408472A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sar image
- polarimetric
- synthetic aperture
- aperture radar
- 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.)
- Granted
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于Wishart和SVM的极化SAR图像分类方法,主要解决现有极化SAR分类方法在训练样本较少时分类精度低、分类效率不高的技术问题。实现步骤是:输入图像;滤波;Cloude分解;计算特征集F的相似矩阵;计算相干矩阵特征集T的相似矩阵;计算最终的相似矩阵;利用SVM分类;计算精度。使用本发明进行分类,克服了现有技术中由噪声造成的错分点较多的问题,既能避免极化通道间串扰,又能保持极化信息和统计相关性,使得极化合成孔径雷达SAR图像的轮廓、边缘更加清晰,提高了分类后图像质量,使本发明对极化SAR的分类准确率更好,对噪声有更强的适应性,能够用于极化SAR图像的目标识别与跟踪。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及机器学习及图像分类技术领域,具体是一种基于Wishart和SVM的极化SAR图像分类方法,可应用于极化SAR图像的地物分类,实现目标识别与跟踪。
背景技术
极化SAR是一种高分辨主动式有源微波遥感成像雷达,具有全天时、全天候、分辨率高等优点,在农业、林业、海洋、军事等领域有广泛的研究。关于极化SAR图像分类的方法很多,根据所用的分类器不同,又可以分为统计、神经网络、支持向量、决策树等;根据是否利用空间信息,可以分为基于像素和基于区域的;根据是否有先验知识可以分为有监督和无监督的。
武汉大学申请的专利“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号:201310310179,公开号:CN103366184A)中公开了一种基于混合分类器的极化SAR数据分类方法。该方法首先通过对极化散射矩阵进行极化分解,得到初始极化特征,然后采用决策树分类器从初始的极化特征中选择用于分类的极化特征,最后将选择出的极化特征,采用支持向量机分类器对极化SAR数据分类。该方法虽然综合了决策树分类器和支持向量机分类器的优势,但是,该方法也仍然存在的不足是,在分类精度上相比于支持向量机分类器没有太大的提高,操作复杂,并且只利用了散射特征,不足于表示实际的地物,因此,在对极化SAR地物分类上错分的点比较多。
西安电子科技大学申请的专利“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号:201410089692.1,公开号:CN 103824084A)中公开了一种基于SDIT和SVM的极化SAR图像分类方法。该方法将极化SAR数据的散射特征、偏振特征、纹理特征组合成极化SAR图像的特征组合SDIT,然后利用支持向量机分类器对极化SAR图像进行分类。该方法既能避免极化通道之间的干扰,又能保持极化通道之间的极化信息和统计相关性,使得图像的边缘保持比较好。但是仍然存在的不足是,该方法的组合特征SDIT的提取过程操作复杂,并且高维的特征会大大增加训练支持向量机的时间复杂度,并且错分的点也比较多,分类的准确率低。
发明内容
本发明的目的是克服上述现有技术对极化SAR数据无法在训练样本比较少的情况下达到较高分类精度的不足,提出了一种准确率高,抗噪声能力强的基于Wishart和SVM的极化SAR图像分类方法。
基于Wishart和SVM的极化SAR图像分类方法,将基于Wishart测度距离的相似矩阵和基于欧氏距离的相似矩阵结合起来作为SVM的最终核函数,这样的相似度矩阵更能反映极化SAR图像特征。本发明与现有技术中其它极化SAR分类方法相比准确率高,抗噪声能力强,普适性和泛化性更好。
本发明实现的具体步骤包括如下:
步骤1、输入图像,输入任选的一幅待分类的极化合成孔径雷达SAR图像;
步骤2、滤波,采用滤波窗口大小为7*7的极化精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化合成孔径雷达SAR图像,并且得到滤波后的极化合成孔径雷达SAR图像的相干矩阵;
步骤3、进行Cloude分解,提取滤波后的极化合成孔径雷达SAR图像的相干矩阵,对相干矩阵进行Cloude分解得到每个像素点的散射熵H、散射角alpha和总功率span;
步骤4、计算极化合成孔径雷达SAR图像的特征集F的相似矩阵WF,用散射熵H、散射角alpha和总功率span构造特征集F=[H alpha span],并对特征集F中的数据进行归一化,从归一化后的特征集F中,分别随机选取0.1%和0.5%的特征数据作为训练样本,其余作为预测样本,利用欧式距离测度计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WF;
步骤5、计算极化合成孔径雷达SAR图像的相干矩阵特征集T的相似矩阵WT:
5.1提取滤波后的极化合成孔径雷达SAR图像的相干矩阵,其中,相干矩阵为3*3*N的矩阵,N表示极化合成孔径雷达SAR的总像素数,每个像素为一个3*3的矩阵,将相干矩阵构造成相干矩阵特征集T;
5.2对极化合成孔径雷达SAR图像的相干矩阵特征集T中的数据进行归一化,从归一化后的相干矩阵特征集T中分别选取0.1%和0.5%的特征数据作为训练样本,其余作为预测样本,利用Wishart距离计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WT;
步骤6、计算极化合成孔径雷达SAR图像的最终相似矩阵W,将基于欧式距离测度的相似矩阵WF和基于Wishart测度的相干矩阵的相似矩阵WT进行点乘,得到最终的相似矩阵W;
步骤7、将最终相似矩阵W作为支持向量机分类器的核函数,利用基于最终相似矩阵W核函数的支持向量机分类器,对待分类的极化合成孔径雷达SAR图像进行标记,完成分类,得到分类结果;
步骤8、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极化合成孔径雷达SAR图像总像素数的百分比,得到极化合成孔径雷达SAR图像分类精度。
本发明与现有技术相比具有如下优点:
第一,本发明用改进的Wishart距离代替传统的的欧式距离计算相干矩阵各个像素点之间的相似矩阵,这样的相似矩阵更能体现极化SAR数据的分布特性,克服了现有技术存在的在较少训练样本下分类精度低的问题,使得本发明能有效地利用了极化合成孔径雷达SAR图像的极化散射信息和图像信息,解决了极化合成孔径雷达SAR图像样本标记比较难得问题,获得了更好的分类效果,提高了分类算法的自适应性,具有较强的泛化能力。
第二,将基于相干矩阵的相似度矩阵和基于极化特征的相似度矩阵结合起来作为SVM的最终相似矩阵,这样的相似矩阵在利用相干矩阵统计分布知识的基础上,加入了目标极化散射机制的约束信息,能够充分的描述目标间的相似性,克服了现有技术中由噪声造成的错分点较多的问题,使得本发明既能避免极化通道之间串扰,又能保持极化通道之间极化信息和统计相关性,使得极化合成孔径雷达SAR图像的轮廓、边缘更加清晰,提高了分类后图像质量,改善了极化SAR图像分类性能,使本发明对极化合成孔径雷达SAR的分类准确率更好,对噪声有更强的适应性。
附图说明
图1是本发明的流程图;
图2是1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据合成图原图;
图3是1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR图像实际的地物标记图;
图4是本发明对1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据进行分类的结果示意图。
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。
本发明提出了一种基于Wishart和支持向量机(Support Vector MachineSVM)的极化合成孔径雷达(Synthetic Aperture Radar SAR)图像分类方法。将基于Wishart测度的相似矩阵WF和基于相干矩阵的相似矩阵WT进行点乘,得到最终的相似矩阵W,并且把最终相似矩阵W作为支持向量机分类器的核函数,利用支持向量机分类器,对待分类的极化合成孔径雷达SAR图像进行标记,完成分类,得到分类结果。
实施例1:
本发明是一种基于Wishart和SVM的极化合成孔径雷达SAR图像分类方法。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,输入任选的一幅待分类的极化合成孔径雷达SAR图像,具体为图2所示的1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR图像。
步骤2、滤波,在具体的仿真实验中,分别采用滤波窗口大小为3*3、5*5、7*7和9*9极化精致Lee滤波方法对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化合成孔径雷达SAR图像,并且得到滤波后的极化合成孔径雷达SAR图像的相干矩阵。在本实施例中,选用7*7大小的滤波窗口去除相干斑噪声,是因为选用7*7大小的滤波窗口既能避免极化通道之间串扰,又能保持极化通道之间极化信息和统计相关性,使得到的图像轮廓和边缘最清晰,图像的质量最高。
步骤3、进行Cloude分解,提取滤波后的极化合成孔径雷达SAR图像的相干矩阵,对相干矩阵进行Cloude分解得到每个像素点的散射熵H、散射角alpha和总功率span,将相干矩阵进行特征值分解,得到相干矩阵的特征值λ1,λ2,λ3,利用得到的特征值λ1,λ2,λ3,根据下面的公式计算每个像素点的散射熵H,散射角alpha和总功率span。
span=λ1+λ2+λ3
其中H表示极化SAR图像的散射熵,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,alpha表示散射角,ai表示极化SAR图像的散射角,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。计得到每个像素点的散射熵H,散射角alpha和总功率span,主要是为了构造特征集F,为下一步的计算做好准备工作。
步骤4、计算极化合成孔径雷达SAR图像的特征集F的相似矩阵WF,用散射熵H、散射角alpha和总功率span构造特征集F=[H alpha span],并对特征集F中的数据进行归一化,从归一化后的特征集F中,分别随机选取0.1%和0.5%的特征数据作为训练样本,其余作为预测样本。在本仿真实验中,分别对极化合成孔径雷达SAR图像做了两次实验,第一组仿真实验,选取特征集F中0.1%的特征数据作为训练样本,其余99.9%作为预测样本;第二组仿真实验,选取特征集F中0.5%的特征数据作为训练样本,其余99.5%作为预测样本,主要是本发明训练的时间复杂度比较高,所以选取的训练样本比较少。本发明利用下面的欧式距离测度计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WF,训练样本和预测样本每个像素点的相似矩阵WF也就是特征集F的相似矩阵WF。
其中dF(Fi,Fj)代表的是特征集F中第i个特征数据Fi和第j个特征数据Fj欧式距离,Fi和Fj分别表示极化合成孔径雷达SAR图像的特征集F训练样本集中两个不同的训练样本,σ1表示特征集F的相似矩阵WF的宽度,由于特征集F的数据在统计分布上服从高斯分布,因此选择这样的相似矩阵能更好的表示训练样本之间的相似度,并且加入了目标极化散射机制的约束信息,克服了现有技术中由噪声造成的错分点较多的问题。
步骤5、计算极化合成孔径雷达SAR图像的相干矩阵特征集T的相似矩阵WT:
5.1提取滤波后的极化合成孔径雷达SAR图像的相干矩阵,其中,相干矩阵为3*3*N的矩阵,N表示极化合成孔径雷达SAR的总像素数,每个像素为一个3*3的矩阵,将相干矩阵构造成相干矩阵特征集T。
5.2对极化合成孔径雷达SAR图像的相干矩阵特征集T中的数据进行归一化,从归一化后的相干矩阵特征集T中分别选取0.1%和0.5%的特征数据作为训练样本,其余作为预测样本。在本仿真实验中,分别对极化合成孔径雷达SAR图像做了两次实验,第一组仿真实验,选取相干矩阵特征集T中0.1%的特征数据作为训练样本,其余99.9%作为预测样本;第二组仿真实验,选取相干矩阵特征集T中0.5%的特征数据作为训练样本,其余99.5%作为预测样本,主要是本发明训练的时间复杂度比较高,所以选取的训练样本比较少。利用Wishart距离计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WT,训练样本和预测样本每个像素点的相似矩阵WT也就是极化合成孔径雷达SAR图像的相干矩阵特征集T的相似矩阵WT,本发明用改进的Wishart距离代替传统的欧式距离计算相干矩阵各个像素点之间的相似矩阵,因为相干矩阵特征集T在概率统计上服从Wishart分布,利用基于Wishart测度的相似矩阵更能体现极化SAR数据的分布特性,克服了现有技术存在的在较少训练样本下分类精度低的问题,提高了极化SAR图像的分类精度。
步骤6、计算极化合成孔径雷达SAR图像的最终相似矩阵W,将基于欧式距离测度的相似矩阵WF和基于Wishart测度的相干矩阵的相似矩阵WT进行点乘,得到最终的相似矩阵W。本发明将基于欧式距离测度的相似矩阵WF和基于Wishart测度相干矩阵的相似矩阵WT结合起来,不仅利用了极化合成孔径雷达SAR图像的极化散射信息和图像信息,并且分别利用了相似矩阵WF和相干矩阵的相似矩阵WT的空间统计特性,这样更能表现极化合成孔径雷达SAR图像各个像素之间的相似度,为后续的分类打下了良好的基础,使得分类的准确率更好。
步骤7、将最终相似矩阵W作为支持向量机分类器的核函数,将训练样本输入基于最终相似矩阵W核函数的支持向量机分类器,得到支持向量机分类器的训练模型,利用得到的支持向量机分类器的训练模型对待分类的极化合成孔径雷达SAR图像进行标记,完成分类,得到分类结果。
步骤8、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极化合成孔径雷达SAR图像总像素数的百分比,得到极化合成孔径雷达SAR图像分类精度。
本发明用改进的Wishart距离代替传统的的欧式距离计算相干矩阵各个像素点之间的相似矩阵,这样的相似矩阵更能体现极化SAR数据的分布特性,克服了现有技术存在的在较少训练样本下分类精度低的问题,使得本发明能有效地利用了极化合成孔径雷达SAR图像的极化散射信息和图像信息,解决了极化合成孔径雷达SAR图像样本标记比较难的问题,并且在训练样本较少的情况下获得了比较好的分类效果,提高了分类算法的普适性和泛化性。
实施例2:
基于Wishart和SVM的极化合成孔径雷达SAR图像分类方法同实施例1,其中步骤3所述的Cloude分解包括有以下步骤:
3.1、提取滤波后的极化合成孔径雷达SAR图像的相干矩阵;
3.2、将相干矩阵进行特征值分解,得到相干矩阵的特征值λ1,λ2,λ3;
3.3、利用得到的特征值λ1,λ2,λ3,根据下面的公式计算每个像素点的散射熵H,散射角alpha和总功率span,
span=λ1+λ2+λ3
其中H表示极化SAR图像的散射熵,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,alpha表示散射角,ai表示极化SAR图像的散射角,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。图4是本发明分类的结果示意图,由图4(a)和图4(b)看出本发明通过Cloude分解得到的分类结果整体分类效果较好,不存在大范围的错误分类区,从分类结果图和分类数据中,尤其是对裸地和草地两类地物的分类效果更好。
实施例3:
基于Wishart和SVM的极化合成孔径雷达SAR图像分类方法同实施例1-2,其中步骤4所述的计算特征集F的相似矩阵WF包括以下步骤:
4.1、构造特征集F=[H alpha span];
4.2、计算特征集F的相似矩阵WF;
其中dF(Fi,Fj)=||Fi-Fj||2,dF(Fi,Fj)代表的是特征集F中第i个特征数据Fi和第j个特征数据Fj欧式距离,Fi和Fj分别表示极化合成孔径雷达SAR图像的特征集F训练样本集中两个不同的训练样本,||·||2表示二范数操作,σ1表示特征集F的相似矩阵WF的宽度,在本发明中σ1=1,由于选择这样的相似矩阵的宽度能更好的表示训练样本之间的相似度,这样的相似矩阵在利用相干矩阵统计分布知识的基础上,加入了目标极化散射机制的约束信息,能够充分的描述目标间的相似性,克服了现有技术中由噪声造成的错分点较多的问题,使得本发明既能避免极化通道之间串扰,又能保持极化通道之间极化信息和统计相关性,使得极化合成孔径雷达SAR图像的轮廓、边缘更加清晰,提高了分类后图像质量。
实施例4:
基于Wishart和SVM的极化合成孔径雷达SAR图像分类方法同实施例1-3,其中步骤5.2所述的计算特征集T的相似矩阵包括以下步骤:
5.2.1、根据下面的公式计算相干矩阵特征集T对称形式的Wishart距离dSRW(Ti,Tj);
其中dSRW(Ti,Tj)分别代表像素点i和像素点j相干矩阵之间的Wishart距离,Ti和Tj分别代表像素点i和像素点j的相干矩阵,tr(·)代表矩阵的迹操作,q为极化SAR图像的互易参数;
5.2.2、根据下面的公式计算相干矩阵特征集T的Wishart测度相似矩阵WT:
其中dSRW(Ti,Tj)分别代表像素点i和像素点j相干矩阵之间的Wishart距离,Ti和Tj分别代表像素点i和像素点j的相干矩阵,σ2表示相干矩阵特征集T的相似矩阵WT的宽度,在本发明中σ2=1,用改进的Wishart距离代替传统的欧式距离计算相干矩阵各个像素点之间的相似矩阵,这样的相似矩阵更能体现极化SAR数据的分布特性,克服了现有技术存在的在较少训练样本下分类精度低的问题,使得本发明能有效地利用了极化合成孔径雷达SAR图像的极化散射信息和图像信息,解决了极化合成孔径雷达SAR图像样本标记比较难得问题,获得了更好的分类效果,提高了分类算法的自适应性,具有较强的泛化能力。
实施例5:
基于Wishart和SVM的极化合成孔径雷达SAR图像分类方法同实施例1-4,
本发明可以通过以下仿真实验来进行验证。
1.仿真条件:
本发明的仿真实验中选取了一幅如图(2)所示的1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR图像进行仿真实验。Flevoland,Netherlands地区的L波段的多视极化SAR图像图像尺寸大小为420像素×380像素。
本发明的仿真实验硬件平台为:Intel Core2Duo CPU i33.2GHZ、3GBRAM,软件平台:MATLAB R2012a。
2.仿真实验结果与分析:
图2是1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据合成图原图。图3是1989年AIRSAR平台获得的Flevoland,Netherlands地区实际的地物标记图,图4是本发明对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR图像进行分类的结果示意图,图4(a)是本发明对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR图像在选择0.1%训练样本进行分类的结果示意图,图4(b)是本发明对1989年AIRSAR平台获得的Flevoland,Netherlands地区的L波段的多视极化SAR图像在选择0.5%训练样本进行分类的结果示意图。
利用本发明方法对图2的实验图像进行分类后,结果示意图如图4所示,从图4可以看出,本发明得到的分类结果较好,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。
本发明的方法与经典的现有技术支持向量机分类方法和快速稀疏最小二乘支持向量机方法对图2进行分类的准确率如表1和表2所示,表1表示选择0.1%训练样本进行分类的准确率,表2表示选择0.5%训练样本进行分类的准确率,表1和表2中SVM表示支持向量机,FSALS_SVM表示快速稀疏最小二乘支持向量机,样本油菜籽、裸地、小麦、大麦、苜蓿、豌豆、马铃薯、甜菜、草地分别表示Flevoland,Netherlands地区的L波段的多视极化SAR图像的不同的地物类别。
从表1可以看出,本发明的平均分类精度比经典的支持向量机分类方法的分类精度高14.07%,比快速稀疏最小二乘支持向量机高11.48%,从表2可以看出,本发明的平均分类精度比经典的支持向量机分类方法的分类精度高7.38%,比快速稀疏最小二乘支持向量机高4.18%。从表1和表2均可以看出本发明在裸地和草地两类地物的分类效果更好,而且整体分类效果也比较好,不存在大范围的错误分类区。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。
表1 选择0.1%训练样本三种算法的分类精度对比表
样本 | 本发明 | SVM | FSALS_SVM |
油菜籽 | 93.42 | 86.04 | 87.32 |
裸地 | 96.45 | 0 | 59.00 |
小麦 | 95.93 | 93.25 | 95.65 |
大麦 | 96.43 | 97.43 | 78.06 |
苜蓿 | 91.5 | 89.12 | 96.51 |
豌豆 | 86.06 | 70.79 | 51.96 |
马铃薯 | 94.37 | 96.52 | 96.79 |
甜菜 | 88.52 | 67.77 | 59.65 |
草地 | 78.42 | 39.13 | 56.51 |
平均准确率 | 92.44 | 78.37 | 80.96 |
表2 选择0.5%训练样本三种算法的分类精度对比表
样本 | 本发明 | SVM | FSALS_SVM |
油菜籽 | 95.56 | 94.59 | 91.78 |
裸地 | 98.33 | 11.83 | 88.51 |
小麦 | 97.09 | 96.78 | 96.87 |
大麦 | 97.96 | 97.35 | 92.32 |
苜蓿 | 93.38 | 91.87 | 95.14 |
豌豆 | 95.73 | 90.76 | 78.42 |
马铃薯 | 93.08 | 92.75 | 96.29 |
甜菜 | 89.49 | 89.73 | 77.39 |
草地 | 81.01 | 75.62 | 74.63 |
平均准确率 | 94.39 | 87.01 | 90.21 |
本发明将基于相干矩阵的相似度矩阵和基于极化特征的相似度矩阵结合起来作为SVM的最终相似矩阵,这样的相似矩阵在利用相干矩阵统计分布知识的基础上,加入了目标极化散射机制的约束信息,能够充分的描述目标间的相似性,克服了现有技术中由噪声造成的错分点较多的问题,使得本发明既能避免极化通道之间串扰,又能保持极化通道之间极化信息和统计相关性,使得极化合成孔径雷达SAR图像的轮廓、边缘更加清晰,提高了分类后图像质量,改善了极化SAR图像分类性能,使本发明对极化合成孔径雷达SAR的分类准确率更好,对噪声有更强的适应性。
简而言之,本发明的基于Wishart和SVM的极化SAR图像分类方法,其实现的步骤是:输入图像;滤波;Cloude分解;计算特征集F的相似矩阵;计算相干矩阵特征集T的相似矩阵;计算最终的相似矩阵;利用SVM分类;计算精度。本发明主要解决现有极化SAR分类方法在训练样本较少时分类精度低、分类效率不高的技术问题。使用本发明进行分类,克服了现有技术中由噪声造成的错分点较多的问题,既能避免极化通道间串扰,又能保持极化信息和统计相关性,使得极化合成孔径雷达SAR图像的轮廓、边缘更加清晰,提高了分类后图像质量,改善了极化SAR图像分类性能,使本发明对极化SAR的分类准确率更好,对噪声有更强的适应性,实现对极化SAR图像的目标识别与跟踪。
Claims (4)
1.一种基于Wishart和SVM的极化SAR图像分类方法,其特征在于:包括有如下步骤:
步骤1、输入图像,输入任选的一幅待分类的极化合成孔径雷达SAR图像;
步骤2、滤波,采用滤波窗口大小为7*7的极化精致Lee滤波方法,对待分类的极化合成孔径雷达SAR图像进行滤波,去除相干斑噪声,得到滤波后的极化合成孔径雷达SAR图像,并且得到滤波后的极化合成孔径雷达SAR图像的相干矩阵;
步骤3、进行Cloude分解,提取滤波后的极化合成孔径雷达SAR图像的相干矩阵,对相干矩阵进行Cloude分解得到每个像素点的散射熵H、散射角alpha和总功率span;
步骤4、计算极化合成孔径雷达SAR图像的特征集F的相似矩阵WF,用散射熵H、散射角alpha和总功率span构造特征集F=[H alpha span],并对特征集F中的数据进行归一化,从归一化后的特征集F中,分别随机选取0.1%和0.5%的特征数据作为训练样本,其余作为预测样本,利用欧式距离测度计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WF;
步骤5、计算极化合成孔径雷达SAR图像的相干矩阵特征集T的相似矩阵WT:
5.1提取滤波后的极化合成孔径雷达SAR图像的相干矩阵,其中,相干矩阵为3*3*N的矩阵,N表示极化合成孔径雷达SAR的总像素数,每个像素为一个3*3的矩阵,将相干矩阵构造成相干矩阵特征集T;
5.2对极化合成孔径雷达SAR图像的相干矩阵特征集T中的数据进行归一化,从归一化后的相干矩阵特征集T中分别选取0.1%和0.5%的特征数据作为训练样本,其余作为预测样本,利用Wishart距离计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WT;
步骤6、计算极化合成孔径雷达SAR图像的最终相似矩阵W,将基于欧式距离测度的相似矩阵WF和基于Wishart测度的相干矩阵的相似矩阵WT进行点乘,得到最终的相似矩阵W;
步骤7、将最终相似矩阵W作为支持向量机分类器的核函数,利用基于最终相似矩阵W核函数的支持向量机分类器,对待分类的极化合成孔径雷达SAR图像进行标记,完成分类,得到分类结果;
步骤8、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极化合成孔径雷达SAR图像总像素数的百分比,得到极化合成孔径雷达SAR图像分类精度。
2.根据权利要求1所述的基于Wishart和SVM的极化SAR图像分类方法,其特征在于,步骤3所述的Cloude分解包括有以下步骤:
3.1、提取滤波后的极化合成孔径雷达SAR图像的相干矩阵;
3.2、将相干矩阵进行特征值分解,得到相干矩阵的特征值λ1,λ2,λ3;
3.3、利用得到的特征值λ1,λ2,λ3,根据下面的公式计算每个像素点的散射熵H,散射角alpha和总功率span,
span=λ1+λ2+λ3
其中H表示极化SAR图像的散射熵,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,alpha表示散射角,ai表示极化SAR图像的散射角,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。
3.根据权利要求1所述的基于Wishart和SVM的极化SAR图像分类方法,其特征在于,步骤4所述的计算特征集F的相似矩阵WF包括以下步骤:
4.1、构造特征集F=[H alpha span];
4.2、计算特征集F的相似矩阵WF;
其中的dF(Fi,Fj)代表的是特征集F中第i个特征数据Fi和第j个特征数据Fj之间的欧式距离,σ1表示特征集F的相似矩阵WF的宽度。
4.根据权利要求1所述的基于Wishart和SVM的极化SAR图像分类方法,其特征在于,步骤5.2所述的计算相干矩阵特征集T的相似矩阵WT包括以下步骤:
5.2.1、根据下面的公式计算相干矩阵特征集T对称形式的Wishart距离dSRW(Ti,Tj);
其中dSRW(Ti,Tj)分别代表像素点i和像素点j相干矩阵之间的Wishart距离,Ti和Tj分别代表像素点i和像素点j的相干矩阵,tr(·)代表矩阵的迹操作,q为极化SAR图像的互易参数;
5.2.2、根据下面的公式计算相干矩阵特征集T的Wishart测度相似矩阵WT:
其中dSRW(Ti,Tj)分别代表像素点i和像素点j相干矩阵之间的Wishart距离,Ti和Tj分别代表像素点i和像素点j的相干矩阵,σ2表示相干矩阵特征集T的相似矩阵WT的宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740814.9A CN104408472B (zh) | 2014-12-05 | 2014-12-05 | 基于Wishart和SVM的极化SAR图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740814.9A CN104408472B (zh) | 2014-12-05 | 2014-12-05 | 基于Wishart和SVM的极化SAR图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408472A true CN104408472A (zh) | 2015-03-11 |
CN104408472B CN104408472B (zh) | 2017-07-28 |
Family
ID=52646103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410740814.9A Active CN104408472B (zh) | 2014-12-05 | 2014-12-05 | 基于Wishart和SVM的极化SAR图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408472B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105956622A (zh) * | 2016-04-29 | 2016-09-21 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN107330457A (zh) * | 2017-06-23 | 2017-11-07 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
CN107590507A (zh) * | 2017-08-23 | 2018-01-16 | 西安电子科技大学 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
CN107644408A (zh) * | 2017-09-27 | 2018-01-30 | 安徽大学 | 一种基于各项异性扩散的全极化雷达影像去噪方法 |
CN114581700A (zh) * | 2022-02-14 | 2022-06-03 | 中国人民解放军战略支援部队信息工程大学 | 联合svm和ahp的极化sar图像滑坡自动检测方法 |
Citations (5)
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 |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
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 |
CN104123563A (zh) * | 2014-07-17 | 2014-10-29 | 电子科技大学 | 一种基于Cloude分解的极化SAR图像分类方法 |
US20140321758A1 (en) * | 2012-01-09 | 2014-10-30 | General Electric Company | Image concealing via efficient feature selection |
-
2014
- 2014-12-05 CN CN201410740814.9A patent/CN104408472B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140321758A1 (en) * | 2012-01-09 | 2014-10-30 | General Electric Company | Image concealing via efficient feature selection |
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 |
CN103366184A (zh) * | 2013-07-23 | 2013-10-23 | 武汉大学 | 基于混合分类器的极化sar数据分类方法及系统 |
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 |
CN104123563A (zh) * | 2014-07-17 | 2014-10-29 | 电子科技大学 | 一种基于Cloude分解的极化SAR图像分类方法 |
Non-Patent Citations (2)
Title |
---|
张爽 等: "一种新的基于WishartMRF的全极化SAR图像分类方法", 《计算机科学》 * |
李崇谦: "基于K-wishart分布的极化SAR图像分类研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951789A (zh) * | 2015-07-15 | 2015-09-30 | 电子科技大学 | 一种基于全极化sar图像的快速滑坡提取方法 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105608465B (zh) * | 2015-12-15 | 2019-04-23 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105956622A (zh) * | 2016-04-29 | 2016-09-21 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN105956622B (zh) * | 2016-04-29 | 2019-03-19 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN107330457A (zh) * | 2017-06-23 | 2017-11-07 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
CN107330457B (zh) * | 2017-06-23 | 2019-11-05 | 电子科技大学 | 一种基于多特征融合的极化sar图像分类方法 |
CN107590507A (zh) * | 2017-08-23 | 2018-01-16 | 西安电子科技大学 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
CN107590507B (zh) * | 2017-08-23 | 2020-06-09 | 西安电子科技大学 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
CN107644408A (zh) * | 2017-09-27 | 2018-01-30 | 安徽大学 | 一种基于各项异性扩散的全极化雷达影像去噪方法 |
CN114581700A (zh) * | 2022-02-14 | 2022-06-03 | 中国人民解放军战略支援部队信息工程大学 | 联合svm和ahp的极化sar图像滑坡自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104408472B (zh) | 2017-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN104239900B (zh) | 基于k均值和深度svm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 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN104794368A (zh) | 基于foa-mksvm的滚动轴承故障分类方法 | |
CN104866524A (zh) | 一种商品图像精细分类方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN104268510B (zh) | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 | |
CN102982338A (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN103996047A (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
CN103984746B (zh) | 基于半监督分类与区域距离测度的sar图像识别方法 | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN103366184A (zh) | 基于混合分类器的极化sar数据分类方法及系统 | |
CN102999761A (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
CN103473545A (zh) | 一种基于多特征的文本图像相似度度量方法 | |
CN103218617A (zh) | 一种多线性大间距的特征提取方法 | |
CN105205491A (zh) | 基于极限学习机的极化sar图像分类方法 | |
CN103413154A (zh) | 基于归一化类谷歌量度矩阵的人体运动识别方法 | |
CN105069471B (zh) | 基于模糊标签的高光谱数据子空间投影和分类方法 |
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 |