CN104636752B - 一种面向全极化合成孔径雷达图像的散射金字塔分类方法 - Google Patents
一种面向全极化合成孔径雷达图像的散射金字塔分类方法 Download PDFInfo
- Publication number
- CN104636752B CN104636752B CN201510056210.7A CN201510056210A CN104636752B CN 104636752 B CN104636752 B CN 104636752B CN 201510056210 A CN201510056210 A CN 201510056210A CN 104636752 B CN104636752 B CN 104636752B
- Authority
- CN
- China
- Prior art keywords
- mrow
- sdop
- scattering
- msubsup
- msub
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 description 10
- 230000010287 polarization Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 206010061274 Malocclusion Diseases 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005388 cross polarization Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种面向全极化合成孔径雷达图像的散射金字塔分类方法,包括:读入待分类图像的相干矩阵并进行去取向处理;分别求取目标对表面散射、二面散射和体散射的偏好度参数SDoPs、SDoPd和SDoPv以及平均偏好度参数SDoP3;基于SDoP3构建三层金字塔模型,该三层金字塔模型从底到顶分别代表高、中、低三种散射随机情形;基于参数SDoPs、SDoPd和SDoPv的排列组合,将三层金字塔模型划分为十块,分别表示十种不同的散射机制;用不同的标记将待分类图像加以标识,形成最终分类图。
Description
技术领域
本发明涉及图像分类方法,特别涉及一种面向全极化合成孔径雷达图像的散射金字塔分类方法。
背景技术
全极化合成孔径雷达图像分类是微波遥感和地球科学领域的研究热点。全极化雷达通过交替正交接收可获得关于目标物理散射和几何结构等信息,这些信息包含在获取的目标散射二阶统计矩阵,诸如Kennaugh矩阵、相干矩阵和协方差矩阵当中。要想从这些矩阵中解译出目标信息,需对其进行一定的处理。Huynen在1970年发现(参见参考文献1:“J.R.Huynen,"Phenomenological Theory of Radar Targets,"Ph.D.Dissertation,Tech.Univ.Delft,Delft,The Netherland,1970”):目标分解是一种有效地理解目标散射信息的方法,其通过从目标中提取出主要散射信息或将其在不同标准散射机制上进行展开,可在一定程度上将特定目标散射信息揭露无遗。Huynen分解是第一个正式提出的极化目标分解技术,其奠定了该领域的基础。该领域在过去四十多年里受到了持续的广泛关注,大批不同极化分解方法被提出,并已广泛用于机载和星载极化雷达图像处理领域。这其中使用最广泛、最成功的莫属Cloude-Pottier分解,基于该分解发展的熵/alpha角分类在极化雷达图像处理领域具有广泛的影响力(参见参考文献2:“S.R.Cloude and E.Pottier,"An entropy based classification scheme for land applications of polarimetricSAR,"IEEE Trans.Geosci.Remote Sens.,vol.35,no.1,pp.68-78,Jan.1997”)。
尽管Huynen分解具有重要理论意义,但并没有得到广泛的实际应用,一个主要原因是其只能处理规则/对称目标。而实际上许多自然目标和人造目标并非如此理想,具有复杂的非规则性和非对称性,例如茂密的森林和拥挤的城市建筑群。对于这类目标,Huynen分解将无能为力。标准Huynen分解的提出意欲克服Huynen分解在这方面的不足。从目标散射描述的物理可实现条件出发,Li和Zhang近期发现仍存在另外两种分解形式,分别偏好于散射非对称性和非规则性,其与原始Huynen分解一起构成了标准Huynen分解,可提供关于目标散射的全面描述,这在自适应雷达目标提取方面已得到了成功应用(参见参考文献3:“D.Li and Y.Zhang,"Huynen dichotomy-based radar target adaptive extraction,"in Proc.PIERS,Stockholm,Sweden,2013,pp.881-85”)。然而关于该分解的分类应用,尚没有一个有效的实现方案。分类应用考查的是一个分解算法能否用于对随机分布目标的描述,这比自适应目标提取更具挑战性,因为后者通常只需处理单目标即可。按照当前极化分解领域的发展趋势,一个优秀的分解算法不仅须能提取单目标,更须对广泛存在的分布目标具有适用性。因此标准Huynen分解能否有效用于目标分类,是影响其未来应用的关键指标。
发明内容
本发明的目的在于克服现有技术中尚缺乏对Huynen分解的有效实现方案,从而提供一种简单快速、易于实现的图像分类方法。
为了实现上述目的,本发明提供了一种面向全极化合成孔径雷达图像的散射金字塔分类方法,包括:
步骤1)、读入待分类图像的目标相干矩阵并进行去取向处理;
步骤2)、由步骤1)所得到的结果分别求取目标对表面散射、二面散射和体散射的偏好度参数SDoPs、SDoPd和SDoPv以及平均偏好度参数SDoP3;
步骤3)、基于步骤2)所得到的SDoP3构建三层金字塔模型,该三层金字塔模型从底到顶分别代表高、中、低三种散射随机情形;
步骤4)、基于参数SDoPs、SDoPd和SDoPv的排列组合,进一步将步骤3)所得到的三层金字塔模型划分为十块,分别表示十种不同的散射机制;
步骤5)、用不同的标记将待分类图像根据步骤4)所做的划分加以标识,形成最终分类图。
上述技术方案中,所述步骤1)具体包括:对待分类图像中每一个像素位置的目标相干矩阵做去取向操作;其中,
若原始的目标相干矩阵T为:
取向角通过下式估计:
则去取向后的目标相干矩阵T'表示为:
上述技术方案中,在步骤2)中,目标对表面散射的偏好度参数SDoPs、目标对二面散射的偏好度参数SDoPd、目标对体散射的偏好度参数SDoPv的计算公式分别为:
平均偏好度参数SDoP3的计算公式为:
上述技术方案中,在步骤3)中,基于SDoP3所构建的三层金字塔模型为:
上述技术方案中,在步骤4)中,将三层散射金字塔划分为十块包括:
其中,金字塔顶层被划分为三块,其中的S表示偏好表面散射、D表示二面散射、V表示体散射;金字塔中层被划分为六块,分别用SD、SV、DS、DV、VS和VD表示,SD表示目标散射“偏好表面散射和二面散射”,SV表示目标散射“偏好表面散射和体散射”,DS表示目标散射“偏好二面散射和表面散射”,DV表示目标散射“偏好二面散射和体散射”,VS表示目标散射“偏好体散射和表面散射”,VD表示目标散射“偏好体散射和二面散射”。
上述技术方案中,所述步骤5)进一步包括:
步骤5-1)、对待分类图像中的某一像素基于该像素位置的T矩阵计算参数SDoPs、SDoPd、SDoPv以及它们的平均SDoP3,
步骤5-2)、然后利用三层金字塔模型判断其位于金字塔哪一层以及该层的哪一类;
步骤5-3)、用赋予该类别的区分标记标识该像素位置;
步骤5-4)、对待分类图像中的所有像素均做步骤5-1)-步骤5-3)操作,得到最终分类图。
本发明的优点在于:
本发明的散射金字塔分类方法有效地将标准Huynen分解用于目标分类,该方法实现简单且易于理解,与当前最流行的分类方法的对比实验表明,其具有优异的雷达目标区分性能。
附图说明
图1是本发明的面向全极化合成孔径雷达图像的散射金字塔分类方法的总体流程图;
图2是本发明的面向全极化合成孔径雷达图像的散射金字塔分类方法的具体流程图;
图3是一个实施例中所采用的待分类全极化合成孔径雷达图像的示意图;
图4(a)是本发明的方法所实现的散射金字塔模型的示意图;
图4(b)是现有技术中的熵/alpha角分类模型的示意图;
图5是图3经本发明的方法做分类后的结果示意图;
图6是图3采用现有技术中的熵/alpha角分类方法做分类后的结果示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
参考图1和图2,本发明的面向全极化合成孔径雷达图像的散射金字塔分类方法包括以下步骤:
步骤1)、读入待分类图像的相干矩阵并进行去取向处理;
步骤2)、由步骤1)所得到的结果分别求取目标对表面散射、二面散射和体散射的偏好度(SDoP,Scattering Degree of Preference)参数SDoPs、SDoPd和SDoPv,以及平均偏好度参数SDoP3;
步骤3)、基于步骤2)所得到的SDoP3构建三层金字塔模型,从底到顶分别代表高、中、低三种散射随机情形;
步骤4)、基于参数SDoPs、SDoPd和SDoPv的排列组合,进一步将步骤3)所得到的三层金字塔模型划分为十块,分别表示十种不同的散射机制;
步骤5)、用不同的标记将待分类图像根据步骤4)所做的划分加以标识,形成最终分类图。
下面对本发明方法中的步骤做进一步描述。
在步骤1)中,读入待分类的全极化合成孔径雷达图像。在一个实施例中,所读入的图像如图3所示,该图像由NASA/JPL研制的机载AIRSAR系统获取于美国旧金山地区,该地区的地面验证信息易于获得,因此经常被用于各种分解和分类算法的有效性验证中。
在读入待分类的全极化合成孔径雷达图像后,对图像每一个像素位置的目标相干矩阵(描述了对应像素的散射信息)进行去取向操作。若原始目标相干矩阵T为:
则取向角可通过下式估计:
去取向后的目标相干矩阵T'可表示为:
目标若在垂直于雷达视线的平面内存在非零倾角,将会使同极化散射能量分解至交叉极化上,引起交叉极化散射能量增加,最终可导致建筑物被错识别为森林。经过本步骤中的上述去取向操作,目标物理取向产生的散射贡献得以补偿,保证了后续分类结果不受影响。
本发明的分类方法是基于标准Huynen分解实现的,因此步骤1)所得到的去取向后的目标相干矩阵T'可由三种子分解组成,统一表示为:
其中,上标“H”表示矩阵共轭转置操作,T'Ni为分解得到的剩余N-目标,T'Si为提出的等价单目标,k'Si为与T'Si对应的散射Pauli矢量。三种子分解对应的k'Si分别为:
从雷达目标现象学理论角度看,三种子分解分别偏好散射规则/对称性、非规则性和非对称性;从标准目标散射角度看,其分别偏好表面散射、二面散射和体散射。为了进一步描述分解的散射偏好程度,定义如下散射偏好度(SDoP,Scattering Degree ofPreference)参数:
其中,下标“F”表示取Frobenius范数操作,SPAN为原始目标总功率,SPANSi(i=1,2,3)为单目标k'Si总功率,因此SDoP是一个相对功率描述量。将式(5)带入至式(6),进一步有:
在步骤2)中,按照上述式(7)计算目标对表面散射、二面散射和体散射的偏好度参数SDoPs、SDoPd和SDoPv。在得到这三个偏好度参数的基础上,可进一步计算平均散射偏好度参数:
该平均散射偏好度参数可用于刻画目标散射随机性。
在步骤3)中,利用参数SDoPs、SDoPd、SDoPv以及SDoP3可实现散射金字塔的构建。首先基于SDoP3参数将金字塔确定为三层结构,每层对应一种特定随机散射情形。从顶层到底层的划分方法及其物理意义如下:
在步骤4)中,基于参数SDoPs、SDoPd和SDoPv的排列组合,本步骤中进一步将步骤3)所得到的三层散射金字塔自适应划分为十块:
十块金字塔区域分别对应十种目标散射情形。金字塔顶层被划分为三块,分别表示偏好表面散射(S)、二面散射(D)或体散射(V);金字塔中层被划分为六块,分别用SD、SV、DS、DV、VS和VD表示,以SD为例,SD代表目标散射“偏好表面散射和二面散射”,其SV、DS、DV、VS和VD物理意义也可类推出;金字塔底层代表高随机性散射,不再进行划分,直接用R表示。这十块金字塔区域代表了十种类别,最终得到的散射金字塔模型如图4(a)所示。
在步骤5)中,将待分类图像按照步骤4)所得到的散射金字塔模型做划分,图像中属于不同类别的区域用不同的标记加以表征(如用不同颜色表示待分类图像中属于不同类别的区域),得到最终分类图。具体的说,对待分类图像中的某一像素基于该像素位置的T矩阵计算参数SDoPs、SDoPd、SDoPv以及它们的平均SDoP3,然后利用式(9)判断其位于金字塔哪一层,再根据式(10)判断其属于该层的哪一类;最后用赋予该类别的区分标记标识该像素位置。对待分类图像中的所有像素均做上述操作,即可得到最终分类图。
图5为图3所示图像做分类后的分类结果,从图中可以看出,图中所示地区的一些典型目标,例如海区、山区、市区、森林、海岛、林荫道、海滩、公园、马球场、高尔夫球场、金门大桥等都在分类图中得到了很好地区分,这说明了本发明的分类方法的有效性。
为了进一步验证本发明的分类方法的有效性,下面将本发明的散射金字塔分类法与现有技术中流行的熵/alpha角分类法进行比较。图4(b)所示为熵/alpha角分类方案,其中熵参数可有效描述目标的散射随机程度,alpha角可在平均意义上刻画目标的散射机制。该分类利用熵参数将目标分为低随机性、中随机性和高随机性三种情形,这与散射金字塔中每层的作用相一致。三种散射情形进一步被alpha角划分为八个区域,分别用Z1到Z8表示。其中,高随机性散射被分为Z1和Z2两部分,分别表征高熵二面散射和高熵体散射;中随机性散射被分为Z3、Z4和Z5三部分,分别对应于中熵二面散射、中熵体散射和中熵表面散射;Z6、Z7和Z8处于低随机性散射区,分别表示低熵二面散射、低熵体散射和低熵表面散射。
熵/alpha角方法对旧金山区域的分类结果如图6所示,直观上看,其与图5所示的分类结果具有很好的一致性,这是因为两种方法都利用随机性首先将目标散射粗分为三种情形,且都将低随机性散射情形进一步划分为表面散射、二面散射和体散射。尽管如此,两种分类结果之间的差异也非常明显,至少可观测到两个主要差异。其一,图5中的森林区域较图6更清楚,特别在林荫道(图中用椭圆1和2标识出)和公园区域(用圆形3标识出),这种差异格外明显,这是因为两种方法对高随机性散射有着不同的处置方法。本发明的散射金字塔方案不对高随机性散射做进一步划分,而将其整体视为一类(R),因为此时目标散射偏好已接近各向同性;而熵/alpha角方案将高随机性散射分裂为Z1和Z2两部分。图5的优异表现说明,没有很大必要对高随机散射目标作进一步区分。其二,矩形4所示的海滩区域在图6中被识别成体散射,而在图5中为SD,即偏好于表面散射和二面散射。本申请人认为图5的结果更合理,因为海滩一般由沙粒组成,不可能像拥挤的建筑物和森林区域那样出现体散射。同样的情形也出现在椭圆5和6所示的马球场和高尔夫球场。进一步,公园和椭圆7所示的金门大桥在图6中也被判别为体散射,而在图5中为DS,即偏好于二面散射和表面散射。通过将两种分类结果与该区域的光学图像和非监督Wishart极化分类图像相比较,可发现,图5的结果更具可信性。本申请人分析认为,熵/alpha角分类在这些区域表现差的根源在于其对混合目标的统计平均建模。平均散射尽管可在整体意义上很好表征混合目标散射信息,但也导致了一定程度的模糊。本申请人以SD和DS为例来说明:本领域技术人员都知道,表面散射的alpha角小于45°,二面散射的alpha角大于45°,在SD和DS两种类别下,目标对表面散射和二面散射的偏好程度不相上下,这导致平均alpha角接近于45°,这在熵/alpha角分类中表征体散射,从而导致该方法将SD和DS都归类为体散射。而SD和DS实际上表征目标对表面散射和二面散射的偏好要远高于体散射,将它们识别为体散射显然不合理,因此提出的散射金字塔方案可提供更多散射信息。
散射金字塔方案较于熵/alpha角分类方案的另一个优势是其较少的计算量。该分类只依赖于参数SDoPs、SDoPd、SDoPv以及SDoP3,而这些参数只与目标相干矩阵T'的每一列和对角元素有关系,因此可直接快速获得。而熵/alpha角分类基于Cloude分解,需先对相干矩阵进行特征矢量分解以获得熵参数和alpha角,其引入的计算量可以想象。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种面向全极化合成孔径雷达图像的散射金字塔分类方法,包括:
步骤1)、读入待分类图像的目标相干矩阵并进行去取向处理;
步骤2)、由步骤1)所得到的结果分别求取目标对表面散射、二面散射和体散射的偏好度参数SDoPs、SDoPd和SDoPv以及平均偏好度参数SDoP3;
步骤3)、基于步骤2)所得到的SDoP3构建三层金字塔模型,该三层金字塔模型从底到顶分别代表高、中、低三种散射随机情形;
步骤4)、基于参数SDoPs、SDoPd和SDoPv的排列组合,进一步将步骤3)所得到的三层金字塔模型划分为十块,分别表示十种不同的散射机制;
步骤5)、用不同的标记将待分类图像根据步骤4)所做的划分加以标识,形成最终分类图;
所述步骤1)具体包括:对待分类图像中每一个像素位置的目标相干矩阵做去取向操作;其中,
若原始的目标相干矩阵T为:
<mrow>
<mi>T</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>T</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>T</mi>
<mn>13</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>T</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>T</mi>
<mn>23</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>T</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>T</mi>
<mn>33</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
取向角通过下式估计:
则去取向后的目标相干矩阵T'表示为:
在步骤2)中,目标对表面散射的偏好度参数SDoPs、目标对二面散射的偏好度参数SDoPd、目标对体散射的偏好度参数SDoPv的计算公式分别为:
<mrow>
<msub>
<mi>SDoP</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<msup>
<mrow>
<mo>|</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>T</mi>
<mn>11</mn>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>SDoP</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<msup>
<mrow>
<mo>|</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>T</mi>
<mn>22</mn>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>SDoP</mi>
<mi>v</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<msup>
<mrow>
<mo>|</mo>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mn>3</mn>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>T</mi>
<mn>33</mn>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</msubsup>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
平均偏好度参数SDoP3的计算公式为:
<mrow>
<msub>
<mi>SDoP</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>SDoP</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>SDoP</mi>
<mi>d</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>SDoP</mi>
<mi>v</mi>
<mn>2</mn>
</msubsup>
</mrow>
<mrow>
<msub>
<mi>SDoP</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>SDoP</mi>
<mi>d</mi>
</msub>
<mo>+</mo>
<msub>
<mi>SDoP</mi>
<mi>v</mi>
</msub>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的面向全极化合成孔径雷达图像的散射金字塔分类方法,其特征在于,在步骤3)中,基于SDoP3所构建的三层金字塔模型为:
3.根据权利要求2所述的面向全极化合成孔径雷达图像的散射金字塔分类方法,其特征在于,在步骤4)中,将三层散射金字塔划分为十块包括:
其中,金字塔顶层被划分为三块,其中的S表示偏好表面散射、D表示二面散射、V表示体散射;金字塔中层被划分为六块,分别用SD、SV、DS、DV、VS和VD表示,SD表示目标散射“偏好表面散射和二面散射”,SV表示目标散射“偏好表面散射和体散射”,DS表示目标散射“偏好二面散射和表面散射”,DV表示目标散射“偏好二面散射和体散射”,VS表示目标散射“偏好体散射和表面散射”,VD表示目标散射“偏好体散射和二面散射”;R表示高随机性散射。
4.根据权利要求1所述的面向全极化合成孔径雷达图像的散射金字塔分类方法,其特征在于,所述步骤5)进一步包括:
步骤5-1)、对待分类图像中的某一像素基于该像素位置的T矩阵计算参数SDoPs、SDoPd、SDoPv以及它们的平均SDoP3,其中,T为原始目标的相干矩阵;
步骤5-2)、然后利用三层金字塔模型判断其位于金字塔哪一层以及该层的哪一类;
步骤5-3)、用赋予该类别的区分标记标识该像素位置;
步骤5-4)、对待分类图像中的所有像素均做步骤5-1)-步骤5-3)操作,得到最终分类图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056210.7A CN104636752B (zh) | 2015-02-03 | 2015-02-03 | 一种面向全极化合成孔径雷达图像的散射金字塔分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056210.7A CN104636752B (zh) | 2015-02-03 | 2015-02-03 | 一种面向全极化合成孔径雷达图像的散射金字塔分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636752A CN104636752A (zh) | 2015-05-20 |
CN104636752B true CN104636752B (zh) | 2018-03-23 |
Family
ID=53215480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510056210.7A Expired - Fee Related CN104636752B (zh) | 2015-02-03 | 2015-02-03 | 一种面向全极化合成孔径雷达图像的散射金字塔分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636752B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550696B (zh) * | 2015-12-03 | 2018-11-13 | 中国科学院国家空间科学中心 | 基于随机相似性的全极化合成孔径雷达图像快速分类方法 |
CN105488533A (zh) * | 2015-12-03 | 2016-04-13 | 中国科学院国家空间科学中心 | 基于随机相似圆图的全极化合成孔径雷达图像分类方法 |
CN109633583A (zh) * | 2018-10-22 | 2019-04-16 | 上海无线电设备研究所 | 基于近场包围面扫描极化散射数据的目标外形反演方法 |
CN109754004B (zh) * | 2018-12-25 | 2020-10-23 | 中国科学院国家空间科学中心 | 一种极化sar图像的对偶g4u目标分解方法 |
CN110058230B (zh) * | 2019-04-01 | 2021-05-14 | 中国科学院国家空间科学中心 | 基于全极化sar的陡峭地形取向角的估计方法及系统 |
CN114359623A (zh) * | 2021-12-10 | 2022-04-15 | 深圳先进技术研究院 | 全极化合成孔径雷达图像归类方法、系统及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208031A (zh) * | 2011-06-17 | 2011-10-05 | 西安电子科技大学 | 基于Freeman分解和同极化比的极化SAR图像分类方法 |
CN102799896A (zh) * | 2012-06-29 | 2012-11-28 | 中山大学 | 一种基于目标散射鉴别的polsar图像无监督分类方法 |
CN103901415A (zh) * | 2014-02-28 | 2014-07-02 | 西安电子科技大学 | 极化相似度匹配下的极化相干矩阵散射能量分解方法 |
-
2015
- 2015-02-03 CN CN201510056210.7A patent/CN104636752B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208031A (zh) * | 2011-06-17 | 2011-10-05 | 西安电子科技大学 | 基于Freeman分解和同极化比的极化SAR图像分类方法 |
CN102799896A (zh) * | 2012-06-29 | 2012-11-28 | 中山大学 | 一种基于目标散射鉴别的polsar图像无监督分类方法 |
CN103901415A (zh) * | 2014-02-28 | 2014-07-02 | 西安电子科技大学 | 极化相似度匹配下的极化相干矩阵散射能量分解方法 |
Non-Patent Citations (2)
Title |
---|
《Scattering Preference Pyramid Classification of PolSAR Data Based on Canonical Huynen Dichotomy》;Dong Li 等;《EUSAR 2016: 11th European Conference on Synthetic Aperture Radar, Proceedings of》;20160609;697-700页 * |
基于目标散射相似性的POLSAR 图像无监督地物散射分类新方案;陈强 等;《电子学报》;20101231;第38卷(第12期);2730-2732页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636752A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636752B (zh) | 一种面向全极化合成孔径雷达图像的散射金字塔分类方法 | |
Tan et al. | Complex-valued 3-D convolutional neural network for PolSAR image classification | |
Xue et al. | Remote sensing scene classification based on multi-structure deep features fusion | |
CN104156728B (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
CN107123123A (zh) | 基于卷积神经网络的图像分割质量评价方法 | |
Serviansky et al. | Set2graph: Learning graphs from sets | |
CN106548445A (zh) | 基于内容的空域图像通用隐写分析方法 | |
CN104331707A (zh) | 基于深度pca网络和svm的极化sar图像分类方法 | |
CN107292317A (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN104616024B (zh) | 基于随机散射相似性的全极化合成孔径雷达图像分类方法 | |
CN103969634B (zh) | 基于全极化属性散射中心模型的目标属性特征提取方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
Horváth et al. | Manipulation detection in satellite images using vision transformer | |
CN106897538A (zh) | 基于卷积神经网络的地磁图方向适配性计算方法 | |
Abozeid et al. | A large-scale dataset and deep learning model for detecting and counting olive trees in satellite imagery | |
CN105354824B (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN107392122A (zh) | 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法 | |
CN105894013A (zh) | 基于cnn和smm的极化sar图像分类方法 | |
CN103281504A (zh) | 一种具有双向扩散机制的混沌图像加密方法 | |
CN105550696B (zh) | 基于随机相似性的全极化合成孔径雷达图像快速分类方法 | |
CN104123503A (zh) | Sat问题求解外包过程中的cnf公式数据保护方法 | |
CN104217436A (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN107123125A (zh) | 基于散射特征与低秩稀疏模型的极化sar变化检测方法 | |
Hsueh et al. | Field programmable gate arrays (FPGA) for pixel purity index using blocks of skewers for endmember extraction in hyperspectral imagery | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100190 No. two south of Zhongguancun, Haidian District, Beijing 1 Patentee after: NATIONAL SPACE SCIENCE CENTER, CAS Address before: 100190 No. two south of Zhongguancun, Haidian District, Beijing 1 Patentee before: NATIONAL SPACE SCIENCE CENTER, CHINESE ACADEMY OF SCIENCES |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180323 Termination date: 20220203 |