CN104463227B - 基于fqpso和目标分解的极化sar图像分类方法 - Google Patents
基于fqpso和目标分解的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN104463227B CN104463227B CN201410820539.1A CN201410820539A CN104463227B CN 104463227 B CN104463227 B CN 104463227B CN 201410820539 A CN201410820539 A CN 201410820539A CN 104463227 B CN104463227 B CN 104463227B
- Authority
- CN
- China
- Prior art keywords
- particle
- classification
- aperture radar
- synthetic aperture
- pixel
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于FQPSO和目标分解的极化SAR图像分类方法,其实现步骤为:(1)输入极化合成孔径雷达SAR图像数据;(2)提取散射特征;(3)初始分类;(4)初始化量子粒子群;(5)计算像素隶属度;(6)更新粒子位置;(7)判断达到迭代结束条件;(8)最终分类;(9)输出分类结果。本发明采用对初始分类进行优化的方法,克服了现有技术对极化SAR图像数据的初始聚类中心直接进行分类,产生极化SAR图像数据分类不精确的不足,本发明可以使分类后的极化合成孔径雷达SAR图像分类精确度得到提高,可用于目标识别、极化SAR图像中不同目标的地物分类。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像处理和遥感技术领域中的一种基于模糊量子粒子群(Fuzzy Quantum Particle Swarm Optimization,FQPSO)和目标分解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合成孔径雷达SAR图像中不同目标的地物分类。
背景技术
近年来,极化合成孔径雷达SAR已成为遥感领域最先进的传感器之一。到目前为止,极化合成孔径雷达SAR图像分类中基于特征的目标分解的无监督分类是极化合成孔径雷达SAR图像分类的重要分支。基于特征的目标分解一般而言就是把极化测量数据(散射矩阵、协方差矩阵、相干矩阵等)分解成各种不同的成分,这些成分可用于表征目标的散射或几何结构信息。目标分解的方法有很多,其中1997年Cloude和Pottier首次提出的基于特征值/特征适量分析的克劳德Cloude分解和2004年J.S.Lee等提出的弗瑞曼Freeman分解在极化合成孔径雷达SAR图像分类中应用最广泛。
由于基于散射机理的极化合成孔径雷达SAR无监督分类方法具有与数据无关的优点,应用这种方法不需要知道数据的概率分布,不需要利用类别已知的数据进行训练,而且可以合理地解释结果的散射机理。因此基于散射机理的全极化合成孔径雷达SAR无监督分类方法得到了广泛的应用,基于散射机理的极化合成孔径雷达SAR无监督分类常用的特征分解有两种,克劳德Cloude分解和弗瑞曼Freeman分解。
西安电子科技大学在其专利申请“基于Freeman分解和数据分布特征的极化SAR图像分类方法”(专利申请号:201210415131.7,公开号:CN102968640A)中提出了一种基于Freeman分解和数据分布特征的极化合成孔径雷达SAR图像分类方法。该方法首先对极化合成孔径雷达SAR数据进行Freeman分解,并根据散射功率主分量将极化合成孔径雷达SAR数据分为三类,然后根据分布特征参数值再将上述三类各分为三类,最后根据八个初始分类中心进行复Wishart迭代得到最终分类结果。该方法存在的不足是,只注意了分类复杂度的提高问题,而忽略了初始八分类结果的优化问题,导致分类结果不够精确。
李Lee和格尔尼斯Grunes在文章Unsupervised Terrain ClassificationPreserving Polarimetric Scattering Characteristics(IEEE Transactions onGeoscience and Remote Sensing.2004)中提出了一种基于Freeman分解和复Wishart分类器的极化合成孔径雷达SAR图像分类方法。该方法首先对极化合成孔径雷达SAR数据进行Freeman分解,其次将每个像素按主散射功率分量分成90个小类,然后对90个小类进行聚类合并成15类,最后得到最终分类结果。该方法存在的不足是,Freeman分解没有用到极化合成孔径雷达SAR数据的八分量旋转不变性,导致极化合成孔径雷达SAR数据散射信息利用不充分,使分类结果不精确。
发明内容
本发明的目的在于克服上述现有技术的不足,在Cloude_Wishart分类方法和Freeman_Wishart分类方法的基础上提出一种基于FQPSO和目标分解的极化SAR图像分类方法。本发明采用FQPSO算法优化的传统Cloude/Freeman_Wishart极化合成孔径雷达SAR图像数据分类方法的初始聚类中心,再使用复威舍特Wishart聚类方法将极化合成孔径雷达SAR图像数据进行分类,最终得到分类结果,实现地物分类。该方法既能保留了分类结果的物理散射信息,又能实现有效的地物分类,并且使分类结果更加精确。
本发明实现上述目的的思路是:首先输入极化合成孔径雷达SAR图像数据,滤除相干斑极化合成孔径雷达SAR图像数据的相干斑噪声。其次根据散射熵H和散射功率(表面散射功率主分量,偶次散射功率主分量和体散射功率主分量)将极化合成孔径雷达SAR图像数据分为八类,并得到八个类别。然后利用FQPSO算法对初始聚类中心进行优化,得到新的聚类中心。最后通过复威舍特Wishart聚类方法得到最终分类结果。
本发明的具体步骤包括如下:
(1)输入极化合成孔径雷达SAR图像数据;
(2)提取散射特征:
(2a)采用李Lee滤波方法,对极化合成孔径雷达SAR图像数据进行预处理,滤除极化合成孔径雷达SAR图像数据中的相干斑噪声,得到极化合成孔径雷达SAR数据;
(2b)采用克劳德Cloude分解方法,从极化合成孔径雷达SAR数据的每个像素点中提取出散射熵;
(2c)采用弗瑞曼Freeman分解方法,从极化合成孔径雷达SAR数据的每个像素点中提取出包含表面散射功率、偶次散射功率和体散射功率的散射功率;
(3)初始分类:
按照下述极化合成孔径雷达SAR数据的分类规则,将极化合成孔径雷达SAR数据分为以下八个初始类:
将散射功率为表面散射功率、且散射熵H满足0<H≤0.5条件的像素点,划分为第一类;
将散射功率为表面散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第二类;
将散射功率为表面散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第三类;
将散射功率为偶次散射功率、且散射熵H满足0<H≤0.5条件的像素点,划分为第四类;
将散射功率为偶次散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第五类;
将散射功率为偶次散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第六类;
将散射功率为体散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第七类;
将散射功率为体散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第八类;
(4)初始化量子粒子群:
(4a)分别将八个初始类中所有像素点的中心位置,作为模糊量子粒子群FQPSO中八个粒子的初始位置,将模糊量子粒子群FQPSO中八个粒子中的每个粒子的当前位置作为粒子最优位置;
(4b)采用粒子位置适应度的计算方法,计算粒子最优位置的适应度值,比较所有粒子的适应度值的大小,筛选出适应度值最大的粒子,将适应度值最大粒子位置作为量子粒子群的最优位置;
(5)计算像素隶属度:
采用隶属度计算公式,计算极化合成孔径雷达SAR数据的第j个像素yj对量子粒子群中第i个粒子vi的隶属度μij,其中i=1,2,……,8;比较八个隶属度的大小,从中找出最大的隶属度μmj,将极化合成孔径雷达SAR数据的像素yj划分到最大隶属度μmj的第m个分类中;
(6)更新粒子位置:
(6a)采用粒子位置适应度的计算方法,计算本次迭代中每个粒子位置的适应度值,如果迭代次数等于1,则执行步骤(6d),如果迭代次数大于1,则执行步骤(6b);
(6b)当本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值时,将本次迭代的粒子位置作为粒子最优位置;当本次迭代的粒子位置的适应度值小于或等于上一次迭代的粒子最优位置的适应度值时,将上一次迭代的粒子最优位置作为粒子最优位置;
(6c)比较所有粒子最优位置的适应度值大小,如果最大的适应度值大于上一次迭代的量子粒子群最优位置的适应度值,则将适应度最大的粒子位置作为量子粒子群最优位置,否则将上一次迭代的量子粒子群最优位置作为量子粒子群最优位置;
(6d)采用粒子位置的更新方法,更新粒子位置,得到新一代的粒子;
(6e)将迭代次数加1;
(7)判断迭代次数是否达到20次,若是,则执行步骤(8),否则,执行步骤(5);
(8)最终分类:
(8a)将量子粒子群中粒子作为极化合成孔径雷达SAR数据中像素的初始分类中心,按照下式,计算极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离:
其中,d(<T>,ci)表示极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离,T表示预处理后的相干矩阵,<·>表示按视数取平均操作,ci表示极化合成孔径雷达SAR数据中像素的第i个分类,i表示分类个数,i=1,2,……,8,[ci]表示极化合成孔径雷达SAR数据中像素的第i个分类ci的行列式,表示对第i个分类ci求逆,表示取矩阵的迹,表示极化合成孔径雷达SAR数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积;
(8b)比较极化合成孔径雷达SAR数据中像素点到第a个和第b个分类的复威舍特Wishart距离的大小,如果极化合成孔径雷达SAR数据中像素点离第a个分类的复威舍特Wishart距离小,则划分到第a个分类中;如果极化合成孔径雷达SAR数据中像素点离第b个分类的复威舍特Wishart距离小,则划分到第b个分类中,a,b=1,2,……,8,a≠b,完成最终分类;
(9)输出分类结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明采用了散射熵H的范围和散射功率的类别作为分类依据的方法,克服了现有技术对极化合成孔径雷达SAR图像数据分类中,不能充分利用极化合成孔径雷达SAR图像数据的特征信息而导致的分类边缘模糊的不足,使得本发明可以充分利用极化合成孔径雷达SAR图像数据的特征信息,使分类后的极化合成孔径雷达SAR图像的边缘更加清晰。
第二,由于本发明采用了对初始聚类中心进行优化的方法,克服了现有技术对极化合成孔径雷达SAR图像数据的初始聚类中心直接进行分类,产生的极化合成孔径雷达SAR图像数据分类不精确的不足,使得本发明可以提高极化合成孔径雷达SAR图像数据的分类精确度。
附图说明
图1为本发明的流程图;
图2为本发明的仿真图。
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,本发明的具体步骤如下。
步骤1.输入极化合成孔径雷达SAR图像数据。
步骤2.提取散射特征。
采用李Lee滤波方法,对极化合成孔径雷达SAR图像数据进行预处理,滤除极化合成孔径雷达SAR图像数据中的相干斑噪声,得到极化合成孔径雷达SAR数据。
采用克劳德Cloude分解方法,从极化合成孔径雷达SAR数据的每个像素点中提取出散射熵,其中,克劳德Cloude分解方法的具体步骤如下:
第一步,按照下式,计算极化合成孔径雷达SAR数据相干矩阵的三个特征值:
其中,[T]表示极化合成孔径雷达SAR数据的相干矩阵,[U3]表示极化合成孔径雷达SAR数据的单位特征矢量矩阵,λ1,λ2,λ3分别表示极化合成孔径雷达SAR数据相干矩阵的三个特征值,[·]H表示对矩阵进行共轭转置操作。
第二步,按照下式,分别计算极化合成孔径雷达SAR数据相干矩阵中三个特征值在三个特征值总和中所占的比例:
其中,ph表示极化合成孔径雷达SAR数据相干矩阵中第h个特征值在三个特征值总和中所占的比例,h=1,2,3,λh表示预处理后极化合成孔径雷达SAR数据相干矩阵的第h个特征值。
第三步,按照下式,计算极化合成孔径雷达SAR数据的散射熵:
其中,H表示极化合成孔径雷达SAR数据的散射熵,ph表示第h个特征值在三个特征值总和中所占的比例,h=1,2,3。
采用弗瑞曼Freeman分解方法,从极化合成孔径雷达SAR数据的每个像素点中提取出包含表面散射功率、偶次散射功率和体散射功率的散射功率,其中,弗瑞曼Freeman分解方法的具体步骤如下:
第一步,按照下式,计算极化合成孔径雷达SAR数据中散射功率的权重:
其中,[T]表示极化合成孔径雷达SAR数据的相干矩阵,f1表示极化合成孔径雷达SAR数据中体散射功率的权重,f2表示极化合成孔径雷达SAR数据中偶次散射功率的权重,α表示极化合成孔径雷达SAR回波反射过程中垂直和水平极化波的幅度衰减及相位变化的复参数,α*表示对α进行共轭操作,f3表示极化合成孔径雷达SAR数据中表面散射功率的权重,β表示极化合成孔径雷达SAR回波反射过程中垂直发射垂直接收和水平发射水平接收的后向散射波的比值,β*表示对β进行共轭操作。
第二步,计算极化合成孔径雷达SAR数据中的散射功率:
其中,P1表示极化合成孔径雷达SAR数据的体散射功率,f1表示极化合成孔径雷达SAR数据中体散射功率的权重,P2表示极化合成孔径雷达SAR数据的偶次散射功率,f2表示极化合成孔径雷达SAR数据中偶次散射功率的权重,α表示极化合成孔径雷达SAR回波反射过程中垂直和水平极化波的幅度衰减及相位变化的复参数,P3表示极化合成孔径雷达SAR数据的表面散射功率,f3表示极化合成孔径雷达SAR数据中表面散射功率的权重,β表示极化合成孔径雷达SAR波的垂直发射垂直接收和水平发射水平接收的后向散射的比值。
步骤3.初始分类。
按照下述极化合成孔径雷达SAR数据的分类规则,将极化合成孔径雷达SAR数据分为以下八个初始类。
将散射功率为表面散射功率、且散射熵H满足0<H≤0.5条件的像素点,划分为第一类。
将散射功率为表面散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第二类。
将散射功率为表面散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第三类。
将散射功率为偶次散射功率、且散射熵H满足0<H≤0.5条件的像素点,划分为第四类;
将散射功率为偶次散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第五类。
将散射功率为偶次散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第六类。
将散射功率为体散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第七类。
将散射功率为体散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第八类。
步骤4.初始化量子粒子群。
分别将八个初始类中所有像素点的中心位置,作为模糊量子粒子群FQPSO中八个粒子的初始位置,将模糊量子粒子群FQPSO中八个粒子中的每个粒子的当前位置作为粒子最优位置。
采用粒子位置适应度的计算方法,计算粒子最优位置的适应度值,比较所有粒子的适应度值的大小,筛选出适应度值最大的粒子,将适应度值最大粒子位置作为量子粒子群的最优位置。
粒子位置适应度的计算方法的具体步骤如下:
第一步,按照下式,计算极化合成孔径雷达SAR数据中所有像素到其相应的分类的距离之和:
其中,J表示极化合成孔径雷达SAR数据中所有像素到其相应的分类的距离之和,c表示极化合成孔径雷达SAR数据分类过程中的分类数目c=8,xi表示极化合成孔径雷达SAR数据中属于第j类的第i个像素,cj表示极化合成孔径雷达SAR数据的第j个分类,d(xi,cj)表示极化合成孔径雷达SAR数据中第j类中的第i个像素到第j个分类的欧式距离。
第二步,按照下式,计算极化合成孔径雷达SAR数据中任意两个分类之间距离的和:
其中,d表示极化合成孔径雷达SAR数据中任意两个分类之间距离的和,分别表示极化合成孔径雷达SAR数据分类过程中第j1,第j2个分类,表示分类过程中第j1和第j2个分类之间的欧氏距离。
第三步,按照下式,计算每个粒子的适应度值:
F(Xi(t))=c/J+d
其中,F(Xi(t))表示极化合成孔径雷达SAR数据的第i个分类在第t次迭代后的适应度值,Xi(t)表示极化合成孔径雷达SAR数据的第i个分类在第t次迭代后的位置,t表示迭代次数,t=1,2,……,20,c表示极化合成孔径雷达SAR数据的分类数目,J表示极化合成孔径雷达SAR数据中所有像素到其相应的分类的距离之和,d表示极化合成孔径雷达SAR数据中任意两个分类之间距离的和。
步骤5.计算像素隶属度。
采用隶属度计算公式,计算极化合成孔径雷达SAR数据的第j个像素yj对量子粒子群中第i个粒子vi的隶属度μij,其中i=1,2,……,8;比较八个隶属度的大小,从中找出最大的隶属度μmj,将极化合成孔径雷达SAR数据的像素yj划分到最大隶属度μmj的第m个分类中,其中,隶属度公式如下:
其中,μij表示极化合成孔径雷达SAR数据中第j个像素对量子粒子群中第i个粒子的隶属度,m表示模糊因子,m=2.13,yj表示极化合成孔径雷达SAR数据的第j个像素,c表示极化合成孔径雷达SAR数据分类过程中的分类数目,||·||表示取模运算,vi表示极化合成孔径雷达SAR数据的第i个分类,vk表示极化合成孔径雷达SAR数据的第k个分类,i表示极化合成孔径雷达SAR数据的第i个类别,i=1,2,……,8。
步骤六.更新粒子位置。
采用粒子位置适应度的计算方法,计算本次迭代中每个粒子位置的适应度值,如果迭代次数等于1,则执行步骤(6d),如果迭代次数大于1,则执行步骤(6b),其中,粒子位置适应度的计算方法的具体步骤如下:
第一步,按照下式,计算极化合成孔径雷达SAR数据中所有像素到其相应的分类的距离之和:
其中,J表示极化合成孔径雷达SAR数据中所有像素到其相应的分类的距离之和,c表示极化合成孔径雷达SAR数据分类过程中的分类数目c=8,xi表示极化合成孔径雷达SAR数据中属于第j类的第i个像素,cj表示极化合成孔径雷达SAR数据的第j个分类,d(xi,cj)表示极化合成孔径雷达SAR数据中第j类中的第i个像素到第j个分类的欧式距离。
第二步,按照下式,计算极化合成孔径雷达SAR数据中任意两个分类之间距离的和:
其中,d表示极化合成孔径雷达SAR数据中任意两个分类之间距离的和,分别表示极化合成孔径雷达SAR数据分类过程中第j1,第j2个分类,表示分类过程中第j1和第j2个分类之间的欧氏距离。
第三步,按照下式,计算每个粒子的适应度值:
F(Xi(t))=c/J+d
其中,F(Xi(t))表示极化合成孔径雷达SAR数据的第i个分类在第t次迭代后的适应度值,Xi(t)表示极化合成孔径雷达SAR数据的第i个分类在第t次迭代后的位置,t表示迭代次数,t=1,2,……,20,c表示极化合成孔径雷达SAR数据的分类数目,J表示极化合成孔径雷达SAR数据中所有像素到其相应的分类的距离之和,d表示极化合成孔径雷达SAR数据中任意两个分类之间距离的和。
当本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值时,将本次迭代的粒子位置作为粒子最优位置。当本次迭代的粒子位置的适应度值小于或等于上一次迭代的粒子最优位置的适应度值时,将上一次迭代的粒子最优位置作为粒子最优位置。
比较所有粒子最优位置的适应度值大小,如果最大的适应度值大于上一次迭代的量子粒子群最优位置的适应度值,则将适应度最大的粒子位置作为量子粒子群最优位置,否则将上一次迭代的量子粒子群最优位置作为量子粒子群最优位置。
采用粒子位置的更新方法,更新粒子位置,得到新一代的粒子,其中,粒子位置的更新方法的具体步骤如下:
第一步,按照下式,计算粒子最优位置:
其中,Pi(t)表示第i个粒子第t次迭代后的粒子最优位置,i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子,i=1,2,……,8,t表示迭代次数,t=1,2,……,20,表示第t-1次迭代中将粒子拉向粒子最优位置和粒子群最优位置的群体影响因子,服从正态分布,Pi(t-1)表示第i个粒子第t-1次迭代后的粒子最优位置,Pg(t-1)表示第t-1次迭代后的量子粒子群最优位置,i=1,2,……,8。
第二步,按照下式,计算量子粒子群中所有粒子最优位置坐标的平均值:
其中,C(t)表示量子粒子群中所有粒子最优位置坐标的平均值,t表示迭代次数,t=1,2,……,20,c表示量子粒子群中粒子的个数,c=8,Σ表示求和操作,Pi(t)表示第i个粒子第t次迭代后的粒子最优位置,i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子,i=1,2,……,8。
第三步,按照下式,计算粒子的位置:
Xi(t)=Pi(t)+ξ|C(t-1)-Xi(t-1)|ln[1/ui(t-1)]
其中,Xi(t)表示量子粒子群中第i个粒子在第t次迭代后的位置,i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子,i=1,2,……,8,t表示已经迭代的次数,t=1,2,……,20,Pi(t)表示第i个粒子第t次迭代后的粒子最优位置,ξ表示影响单个粒子收敛性的参数,ξ=1.72,C(t-1)表示量子粒子群第t-1次迭代后所有粒子最优位置的坐标平均值,Xi(t-1)表示量子粒子群中第i个粒子在第t-1次迭代后的位置,|·|表示取绝对值操作,ui(t-1)表示第t-1次迭代中将粒子拉向粒子最优位置和粒子群最优位置的个体影响因子,ui(t-1)服从正态分布,ln[·]表示取对数操作。
完成上述操作过程后,将迭代次数加1,进行下步操作。
步骤七.判断迭代次数是否达到20次,若是,则执行步骤八,否则,执行步骤五。
步骤八.最终分类。
将量子粒子群中粒子作为极化合成孔径雷达SAR数据中像素的初始分类中心,按照下式,计算极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离:
其中,d(<T>,ci)表示极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离,T表示预处理后的相干矩阵,<·>表示按视数取平均操作,ci表示极化合成孔径雷达SAR数据中像素的第i个分类,i表示分类个数,i=1,2,……,8,[ci]表示极化合成孔径雷达SAR数据中像素的第i个分类ci的行列式,表示对第i个分类ci求逆,表示取矩阵的迹,表示极化合成孔径雷达SAR数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积。
比较极化合成孔径雷达SAR数据中像素点到第a个和第b个分类的复威舍特Wishart距离的大小,如果极化合成孔径雷达SAR数据中像素点离第a个分类的复威舍特Wishart距离小,则划分到第a个分类中;如果极化合成孔径雷达SAR数据中像素点离第b个分类的复威舍特Wishart距离小,则划分到第b个分类中,a,b=1,2,……,8,a≠b,完成最终分类。
步骤九.输出分类结果。
下面结合图2的仿真图对本发明的效果做进一步的描述。
1、仿真实验条件。
本发明的仿真是在主频为3.20GHZ的Intel(R)Core(TM)i3CPU、内存2G的硬件环境和Windows7旗舰版操作系统、MATLABR2011a的软件环境下进行的。
2、实验内容及结果分析。
本发明的仿真将视数为四的荷兰Fevoland地区的极化合成孔径雷达SAR图像。其中,图2(a)为测试数据图,图2(b)为图2(a)的分类标签图。采用基于克劳德Cloude分解和复威舍特Wishart分类器的极化合成孔径雷达SAR图像分类方法(简称Cloude_Wishart)、基于弗瑞曼Freeman分解和复威舍特Wishart分类器的极化合成孔径雷达SAR图像分类方法(简称Freeman_Wishart)和本发明所述方法对图2(a)中所述的极化合成孔径雷达SAR图像进行分类仿真。图2(c)为采用基于克劳德Cloude分解和复威舍特Wishart分类器的极化合成孔径雷达SAR图像分类方法得到的分类结果图。图2(d)为采用基于弗瑞曼Freeman分解和复威舍特Wishart分类器的极化合成孔径雷达SAR图像分类方法得到的分类结果图。图2(e)为采用本发明所述的极化合成孔径雷达SAR图像分类方法得到的分类结果图。
依据图2(b)所示的分类标签对图2(c)、图2(d)和图2(e)中不同标号地物的分类正确率和总平均正确率进行统计,统计结果如表1所示。
表1 不同标号地物的分类正确率和总平均正确率
由表1中的总平均正确率看出,本发明得到总平均正确率为79.36%,基于克劳德Cloude分解和复威舍特Wishart分类器的极化合成孔径雷达SAR图像分类方法得到的总平均正确率为64.72%,基于弗瑞曼Freeman分解和复威舍特Wishart分类器的极化合成孔径雷达SAR图像分类方法得到的在那个平均正确率为65.21%。由总平均正确率看出,本发明总体的分类效果要优于两种传统方法的。从每一类的分类正确率来看,虽然标号4,标号6所代表地物的分类正确率比两种传统方法的分类正确率略低,但是标号1,标号2,标号3,标号5所代表地物的分类正确率明显有所提高。因此可以说本发明对极化合成孔径雷达SAR图像的分类分类效果明显优于传统方法。
从两种传统方法和本发明所述方法对极化合成孔径雷达SAR图像分类结果图,如图2(c)、图2(d)和图2(e)所示,可以看出在图2(e)中标号1,标号2,标号3,标号5区域的噪点明显比图2(c)和图2(d)中对应区域的噪点少,由此可以说本发明所述方法对极化合成孔径雷达SAR图像分类结果在标号1,标号2,标号3,标号5区域明显要优于传统方法。并且从整幅图像来看本发明所述方法对极化合成孔径雷达SAR图像总体的分类结果要优于传统方法的分类效果。
Claims (1)
1.一种基于FQPSO和目标分解的极化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图像数据;
(2)提取散射特征:
(2a)采用李Lee滤波方法,对极化合成孔径雷达SAR图像数据进行预处理,滤除极化合成孔径雷达SAR图像数据中的相干斑噪声,得到极化合成孔径雷达SAR数据;
(2b)采用克劳德Cloude分解方法,从极化合成孔径雷达SAR数据的每个像素点中提取出散射熵;
(2c)采用弗瑞曼Freeman分解方法,从极化合成孔径雷达SAR数据的每个像素点中提取出包含表面散射功率、偶次散射功率和体散射功率的散射功率;
(3)初始分类:
按照下述极化合成孔径雷达SAR数据的分类规则,将极化合成孔径雷达SAR数据分为以下八个初始类:
将散射功率为表面散射功率、且散射熵H满足0<H≤0.5条件的像素点,划分为第一类;
将散射功率为表面散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第二类;
将散射功率为表面散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第三类;
将散射功率为偶次散射功率、且散射熵H满足0<H≤0.5条件的像素点,划分为第四类;
将散射功率为偶次散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第五类;
将散射功率为偶次散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第六类;
将散射功率为体散射功率、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第七类;
将散射功率为体散射功率、且散射熵H满足0.9<H≤1条件的像素点,划分为第八类;
(4)初始化量子粒子群:
(4a)分别将八个初始类中所有像素点的中心位置,作为模糊量子粒子群FQPSO中八个粒子的初始位置,将模糊量子粒子群FQPSO中八个粒子中的每个粒子的当前位置作为粒子最优位置;
(4b)采用粒子位置适应度的计算方法,计算粒子最优位置的适应度值,比较所有粒子的适应度值的大小,筛选出适应度值最大的粒子,将适应度值最大粒子位置作为量子粒子群最优位置;
(5)计算像素隶属度:
采用隶属度计算公式,计算极化合成孔径雷达SAR数据的第j个像素yj对量子粒子群中第i个粒子vi的隶属度μij,其中i=1,2,……,8;比较八个隶属度的大小,从中找出最大的隶属度μmj,将极化合成孔径雷达SAR数据的像素yj划分到最大隶属度μmj的第m个分类中;
(6)更新粒子位置:
(6a)采用粒子位置适应度的计算方法,计算本次迭代中每个粒子位置的适应度值,如果迭代次数等于1,则执行步骤(6d),如果迭代次数大于1,则执行步骤(6b);
(6b)当本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值时,将本次迭代的粒子位置作为粒子最优位置;当本次迭代的粒子位置的适应度值小于或等于上一次迭代的粒子最优位置的适应度值时,将上一次迭代的粒子最优位置作为粒子最优位置;
(6c)比较所有粒子最优位置的适应度值大小,如果最大的适应度值大于上一次迭代的量子粒子群最优位置的适应度值,则将适应度最大的粒子位置作为量子粒子群最优位置,否则将上一次迭代的量子粒子群最优位置作为量子粒子群最优位置;
(6d)采用粒子位置的更新方法,更新粒子位置,得到新一代的粒子;
所述粒子位置的更新方法的具体步骤如下:
第一步,按照下式,计算粒子最优位置:
其中,Pi(t)表示第i个粒子第t次迭代后的粒子最优位置,i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子,i=1,2,……,8,t表示迭代次数,t=1,2,……,20,表示第t-1次迭代中将粒子拉向粒子最优位置和粒子群最优位置的群体影响因子,服从正态分布,Pi(t-1)表示第i个粒子第t-1次迭代后的粒子最优位置,Pg(t-1)表示第t-1次迭代后的量子粒子群最优位置,i=1,2,……,8;
第二步,按照下式,计算量子粒子群中所有粒子最优位置坐标的平均值:
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>c</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,C(t)表示量子粒子群中所有粒子最优位置坐标的平均值,t表示迭代次数,t=1,2,……,20,c表示量子粒子群中粒子的个数,c=8,∑表示求和操作,Pi(t)表示第i个粒子第t次迭代后的粒子最优位置,i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子,i=1,2,……,8;
第三步,按照下式,计算粒子的位置:
Xi(t)=Pi(t)+ξ|C(t-1)-Xi(t-1)|ln[1/ui(t-1)]
其中,Xi(t)表示量子粒子群中第i个粒子在第t次迭代后的位置,i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子,i=1,2,……,8,t表示已经迭代的次数,t=1,2,……,20,Pi(t)表示第i个粒子第t次迭代后的粒子最优位置,ξ表示影响单个粒子收敛性的参数,ξ=1.72,C(t-1)表示量子粒子群第t-1次迭代后所有粒子最优位置的坐标平均值,Xi(t-1)表示量子粒子群中第i个粒子在第t-1次迭代后的位置,|·|表示取绝对值操作,ui(t-1)表示第t-1次迭代中将粒子拉向粒子最优位置和粒子群最优位置的个体影响因子,ui(t-1)服从正态分布,ln[·]表示取对数操作;
(6e)将迭代次数加1;
(7)判断迭代次数是否达到20次,若是,则执行步骤(8),否则,执行步骤(5);
(8)最终分类:
(8a)将量子粒子群中粒子作为极化合成孔径雷达SAR数据中像素的初始分类中心,按照下式,计算极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离:
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mo><</mo>
<mi>T</mi>
<mo>></mo>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>T</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo><</mo>
<mi>T</mi>
<mo>></mo>
<mo>)</mo>
</mrow>
</mrow>
其中,d(<T>,ci)表示极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离,T表示预处理后的相干矩阵,<·>表示按视数取平均操作,ci表示极化合成孔径雷达SAR数据中像素的第i个分类,i表示分类个数,i=1,2,……,8,[ci]表示极化合成孔径雷达SAR数据中像素的第i个分类ci的行列式,表示对第i个分类ci求逆,表示取矩阵的迹,表示极化合成孔径雷达SAR数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积;
(8b)比较极化合成孔径雷达SAR数据中像素点到第a个和第b个分类的复威舍特Wishart距离的大小,如果极化合成孔径雷达SAR数据中像素点离第a个分类的复威舍特Wishart距离小,则划分到第a个分类中;如果极化合成孔径雷达SAR数据中像素点离第b个分类的复威舍特Wishart距离小,则划分到第b个分类中,a,b=1,2,……,8,a≠b,完成最终分类;
(9)输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410820539.1A CN104463227B (zh) | 2014-12-25 | 2014-12-25 | 基于fqpso和目标分解的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410820539.1A CN104463227B (zh) | 2014-12-25 | 2014-12-25 | 基于fqpso和目标分解的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463227A CN104463227A (zh) | 2015-03-25 |
CN104463227B true CN104463227B (zh) | 2017-10-24 |
Family
ID=52909241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410820539.1A Active CN104463227B (zh) | 2014-12-25 | 2014-12-25 | 基于fqpso和目标分解的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463227B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
LU92763B1 (en) * | 2015-07-06 | 2017-04-03 | Luxembourg Inst Science & Tech List | Hierarchical tiling method for identifying a type of surface in a digital image |
CN106504739B (zh) * | 2016-11-01 | 2019-06-21 | 西安西北工业大学资产经营管理有限公司 | 直升机舱室全局有源噪声控制的误差传感器布放优化方法 |
CN106778884A (zh) * | 2016-12-23 | 2017-05-31 | 辽宁工程技术大学 | 基于散射熵和三分量分解平面的极化sar图像分类方法 |
CN108761397B (zh) * | 2018-05-30 | 2022-05-27 | 中南大学 | 基于电磁散射模拟的极化sar模型分解评价方法 |
CN117390354B (zh) * | 2023-12-12 | 2024-04-26 | 江西师范大学 | 基于GoaC补偿的极化目标分解方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968640A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 |
CN103886335A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
CN104239901A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
-
2014
- 2014-12-25 CN CN201410820539.1A patent/CN104463227B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968640A (zh) * | 2012-10-25 | 2013-03-13 | 西安电子科技大学 | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 |
CN103886335A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于模糊粒子群和散射熵的极化sar图像分类方法 |
CN104239901A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
Non-Patent Citations (3)
Title |
---|
SVM Combined with FCM and PSO for Fuzzy Clustering;Yifang YANG等;《2011 Seventh International Conference on Computational Intelligence and Security》;20111231;第1370-1373页 * |
基于粒子群优化和Freeman分解的SAR图像分割与分类;刘佳颖;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141115(第11期);I136-791 * |
量子行为粒子群优化算法研究;孙俊;《中国博士学位论文全文数据库 信息科技辑》;20100615(第6期);I138-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463227A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN104463227B (zh) | 基于fqpso和目标分解的极化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 | |
CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN103839073B (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN108564006A (zh) | 基于自步学习卷积神经网络的极化sar地物分类方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN106897679A (zh) | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN104318246B (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
CN108256436A (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
CN105160623B (zh) | 基于组块低秩张量模型的无监督高光谱数据降维方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN110516728A (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
CN105138966B (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN104700116B (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 | |
CN104408472B (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN107256409A (zh) | 基于sae和显著性检测的高分辨sar图像变化检测方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 | |
CN103714353A (zh) | 基于视觉先验模型的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |