CN104751174A - 基于超向量编码的极化sar图像分类方法 - Google Patents
基于超向量编码的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN104751174A CN104751174A CN201510108990.5A CN201510108990A CN104751174A CN 104751174 A CN104751174 A CN 104751174A CN 201510108990 A CN201510108990 A CN 201510108990A CN 104751174 A CN104751174 A CN 104751174A
- Authority
- CN
- China
- Prior art keywords
- vector
- sar image
- pixel
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于超向量编码的极化SAR图像分类方法,其实现步骤为:(1)输入图像;(2)精致Lee滤波;(3)提取散射特征向量;(4)超稀疏编码;(5)获得超向量特征;(6)样本特征集归一化、扩展;(7)选择训练样本和测试样本;(8)训练分类器,对图像进行分类;(9)计算分类精度;(10)输出结果。本发明提取的图像特征不易受噪声点的影响,且冗余性小,更据有表示性,用于分类时有效地提高了分类精度,可用于极化合成孔径雷达SAR图像目标的检测和目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达图像分类技术领域中的一种基于超向量编码的极化(Synthetic Aperture Radar,SAR)图像分类方法。本发明采用超向量编码对极化SAR图像的每个像素的空间邻域进行特征编码,提高特征的表示性,可用于极化合成孔径雷达SAR图像目标的检测和目标识别。
背景技术
相比于传统的合成孔径雷达,极化合成孔径雷达SAR利用多个通道的散射信息,可以获得对目标更加全面的认识。极化合成孔径雷达SAR图像分类是极化合成孔径雷达SAR图像解译的重要研究内容,分类图既可作为中间结果为边缘提取、目标检测、识别等提供辅助信息,也可作为最终结果直接输出给用户。它在民用和军用领域均有着巨大的应用价值和理论意义。
西安电子科技大学在其申请的专利“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:CN103824084A)中提出了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像进行精致Lee滤波,然后提取图像的散射、偏振及纹理特征,将得到的特征进行组合并归一化,最后用归一化后的特征训练分类器,预测分类并计算分类精度。该专利技术虽然充分利用了极化SAR图像包含的丰富的纹理信息和偏振信息,弥补了仅仅依靠散射特性对极化SAR图像分类的不足,在一定程度上提高了分类的精度。但是,仍然存在的不足是,该方法提取特征的过程复杂且只是将所提取的散射、偏振和纹理信息进行简单的堆叠,然后输入SVM直接用于分类,这导致输入的特征中包含较多的冗余信息,并且特征提取的种类过多,过程复杂,使得分类效率大大下降。
武汉大学在其申请的专利“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。该方法首先获取极化合成孔径雷达(Polarimetric Synthetic ApertureRadar,PolSAR)数据的不同类的初始极化特征,然后采用决策树分类器从初始极化特征中选择用于分类的极化特征,最后采用支持向量机分类器对PolSAR数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势。但是,该方法仍然存在的不足是,操作复杂,准确率和支持向量机的准确率相比没有显著的提高,另外由于只考虑了图像单个像素的散射特征,故易受到噪声的干扰,而导致分类的结果中存在较多的错分点,分类精度不高。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种基于超向量编码的的极化SAR图像分类方法。本发明充分利用极化SAR的空间领域特征,并用超向量编码方法对散射特征进行编码,提高特征的表示性,提高分类精度和分类效率。
实现本发明上述目的的思路是:对待分类的极化SAR图像进行精致Lee滤波,提取滤波后图像的基本散射特征作为原始特征;利用超向量编码方法对原始特征进行编码得到新的特征表示并从特征表示中提取训练样本集和测试样本集;用训练样本集训练分类器svm并用训练好的分类器svm对整幅极化SAR图像进行分类;对分类后的极化SAR图像进行上色输出。
实现本发明目的的具体步骤如下:
(1)输入待分类的极化合成孔径雷达SAR图像和与之对应的真实地物标记图像;
(2)精致Lee滤波:
对极化合成孔径雷达SAR图像中所有像素进行精致Lee滤波方法,得到相干T矩阵;
(3)提取SAR图像中所有像素的散射特征向量:
采用matlab软件,分别提取滤波后的极化合成孔径雷达SAR图像的一个像素的相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,将该9个值构成一个像素9维的散射特征向量,对滤波后的极化合成孔径雷达SAR图像的所有像素都进行相同的操作,得到所有像素的散射特征向量;
(4)超稀疏编码:
(4a)从与待分类的极化SAR图像对应的真实地物标记图像中,提取有标记样本的坐标,对具有相同标记的像素的散射特征向量求和取平均,得到标记样本的均值向量;
(4b)以标记样本的均值向量为有标记样本的类中心,得到所有有标记样本的类中心集合;
(4c)在类中心集合中找到与滤波后的极化合成孔径雷达SAR图像中的一个像素的散射特征向量距离最近的类中心;
(4d)按照下式,计算滤波后的极化合成孔径雷达SAR图像中的一个像素的超稀疏编码向量:
V[(i-1)*10+1:i*10]=[s,(x-vi)]
其中,V表示滤波后的极化合成孔径雷达SAR图像的一个像素的超稀疏编码向量,[:]表示向量赋值操作,i表示与滤波后的极化合成孔径雷达SAR图像的一个像素距离最近的类中心的类标,i∈[0,K],∈表示i从0到K进行取值操作,K表示滤波后的极化合成孔径雷达SAR图像的标记样本的总类标个数,*表示相乘操作,s表示取0.01的一个常数,x表示滤波后的极化合成孔径雷达SAR图像的一个像素的散射特征向量,vi表示与滤波后的极化合成孔径雷达SAR图像的一个像素距离最近的类中心,将滤波后的极化合成孔径雷达SAR图像的一个像素标记为与它距离最近的类中心的类标;
(4e)判断是否获得滤波后的极化合成孔径雷达SAR图像所有像素的超稀疏编码向量,若是,则执行步骤(5),否则,执行步骤(4c);
(5)获得SAR图像中所有像素的超向量特征:
(5a)在滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素中,将属于同一类的像素的超稀疏编码向量求和取平均,得到超稀疏编码向量的均值向量,对超稀疏编码向量的均值向量求和,得到该区域的一个子块的超向量编码向量;
(5b)将滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素均分成4个子块,在每个子块中,将属于同一类的像素的超稀疏编码向量求和取平均,得到该类的超稀疏编码向量的均值向量,对所有不同类的超稀疏编码向量的均值向量求和,将得到的和向量乘上得到该子块的超向量编码向量,对四个子块都进行同样的操作,得到四个子块的超向量编码向量;
(5c)将滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素均分成3个子块,在每个子块中,将属于同一类的像素的超稀疏编码向量求和取平均,得到该类的超稀疏编码向量的均值向量,对所有不同类的超稀疏编码向量的均值向量求和,将得到的和向量乘上得到该子块的超向量编码向量,对三个子块都进行同样的操作,得到三个子块的超向量编码向量;
(5d)对步骤(5a)、步骤(5b)、步骤(5c)得到的三种超向量编码向量求和,得到滤波后的极化合成孔径雷达SAR图像的一个像素的超向量特征;
(5e)对滤波后的极化合成孔径雷达SAR图像所有像素分别执行步骤(5a)、步骤(5b)、步骤(5c)、步骤(5d),获得滤波后的极化合成孔径雷达SAR图像所有像素的超向量特征;
(6)样本特征集归一化、扩展:
(6a)将滤波后的极化合成孔径雷达SAR图像的所有像素的超向量特征组合在一起,得到样本特征集;
(6b)采用matlab软件,将样本特征集的值归一化到[0,1]之间,得到归一化后的样本特征集;
(6c)对归一化后的样本特征集在[-50,50]范围进行扩展,得到扩展后的样本特征集;
(7)选择训练样本和测试样本:
(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在扩展后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集;
(7b)从已标记样本特征集的每一类地物中随机选择n个样本的特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700;
(7c)从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集;
(8)分类:
(8a)利用训练样本集,训练支持向量机分类器svm;
(8b)利用训练后的支持向量机分类器svm,对步骤(1)输入的极化合成孔径雷达SAR图像的所有像素进行分类,得到所有像素所属地物类别;
(9)计算分类精度:
将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度;
(10)输出结果:
(10a)对所有像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像;
(10b)输出上色后的极化合成孔径雷达SAR图像。
本发明与现有技术相比具有以下优点:
第一,由于本发明只提取极化合成孔径雷达SAR图像的基本散射特征向量,然后对基本散射特征向量进行超向量编码,克服了现有技术提取的输入特征中包含较多的冗余信息,并且特征提取的种类过多,过程复杂,导致分类效率大大下降的问题,使得本发明提取的特征用于图像分类时能提高分类效率。
第二,由于本发明在利用超向量编码的方法,提取基本散射特征向量的特征表示时,是对一个像素的4*6区域的像素进行操作,充分利用了极化合成孔径雷达SAR图像的空间信息,克服了现有技术由于只考虑了图像单个像素的散射特征,故易受到噪声的干扰而导致分类的结果中存在较多的错分点,分类精度不高的问题,使得本发明提取的特征不易受噪声干扰,更具有鲁棒性,提高了图像的分类精度。
附图说明
图1是本发明的流程图;
图2是本发明仿真实验中使用的极化SAR图像;
图3是本发明仿真实验中使用的极化SAR图像真实的地物标记;
图4是采用本发明对图2中的极化SAR图像进行分类的结果图;
图5是采用现有的wishart分类方法对图2中的极化SAR图像进行分类的结果图;
图6是对图2中的极化SAR图像提取散射特征向量,用支持向量机分类器svm进行分类的结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明的具体实施步骤如下。
步骤1.输入图像。
输入待分类的极化合成孔径雷达SAR图像和与之对应的真实地物标记图像。
步骤2.对待分类的极化SAR图像进行精致Lee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:
第一步,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个像素。
第二步,将滑动窗口在输入的极化SAR图像的像素上,从左到右、从上到下移动,每一步移动提取一个数据矩阵;将滑动窗口提取的极化SAR图像的像素的数据矩阵,分成大小为3*3个像素的有重叠的9个子矩阵。
第三步,对9个子矩阵的数据求均值,将所得到的均值构成3*3的均值矩阵。
第四步,选择水平、垂直、45度和135度的四个方向的梯度模板,将均值矩阵依次与四个模板进行加权,分别求四个方向的梯度模板所得到的加权结果的绝对值,选出四个绝对值中的最大值,将该最大值对应的方向作为边缘方向。
第五步,选取9个子矩阵的中心矩阵沿边缘方向对应的2个子矩阵,分别对2个矩阵内的数据求均值,用得到的两个均值分别减去9个子矩阵的中心矩阵的数据的均值,将均值差值中小的值所对应的子矩阵作为方向矩阵。
第六步,按照下式,计算精致极化LEE滤波的权值:
其中,b表示精致极化LEE滤波的权值,var(y)表示方向矩阵的极化SAR图像像素总功率的方差值,y表示方向矩阵内极化SAR图像像素的总功率,p表示方向矩阵内极化SAR总功率图像所有像素的均值,σ2表示输入的极化SAR图像相干斑噪声的方差值。
第七步,按照下式,得到滤波后极化SAR图像中心像素的相干矩阵:
其中,T′表示滤波后极化SAR图像中心像素的相干矩阵,T表示方向矩阵内极化SAR图像像素的相干矩阵的均值,*表示相乘操作,b表示精致极化LEE滤波的权值,T表示极化SAR图像中心像素的相干矩阵。
步骤3.提取SAR图像中所有像素的散射特征向量。
第一步,采用matlab软件,分别提取滤波后的极化合成孔径雷达SAR图像的一个像素的相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,将该9个值构成一个像素9维的散射特征向量:
9个数值分别为real(T11),real(T12),imag(T12),real(T13),imag(T13),real(T22),real(T23),imag(T23),real(T33),其中,real(·)表示取实部操作,imag(·)表示虚实部操作。
第二步,对滤波后的极化合成孔径雷达SAR图像的所有像素都进行相同的操作,得到所有像素的散射特征向量。
步骤4.超稀疏编码。
第一步,从与待分类的极化SAR图像对应的真实地物标记图像中,提取有标记样本的坐标,对具有相同标记的像素的散射特征向量求和取平均,得到标记样本的均值向量。
第二步,以标记样本的均值向量为有标记样本的类中心,得到所有有标记样本的类中心集合。
第三步,在类中心集合中找到与滤波后的极化合成孔径雷达SAR图像中的一个像素的散射特征向量距离最近的类中心。
第四步,按照下式,计算滤波后的极化合成孔径雷达SAR图像中的一个像素的超稀疏编码向量:
V[(i-1)*10+1:i*10]=[s,(x-vi)]
其中,V表示滤波后的极化合成孔径雷达SAR图像的一个像素的超稀疏编码向量,[:]表示向量赋值操作,i表示与滤波后的极化合成孔径雷达SAR图像的一个像素距离最近的类中心的类标,i∈[0,K],∈表示i从0到K进行取值操作,K表示滤波后的极化合成孔径雷达SAR图像的标记样本的总类标个数,*表示相乘操作,s表示取0.01的一个常数,x表示滤波后的极化合成孔径雷达SAR图像的一个像素的散射特征向量,vi表示与滤波后的极化合成孔径雷达SAR图像的一个像素距离最近的类中心,将滤波后的极化合成孔径雷达SAR图像的一个像素标记为与它距离最近的类中心的类标。
第五步,判断是否获得滤波后的极化合成孔径雷达SAR图像所有像素的超稀疏编码向量,若是,则执行步骤5,否则,执行步骤4的第三步。
步骤5.获得超向量特征。
第一步,在滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素中,将属于同一类的像素的超稀疏编码向量求和取平均,得到超稀疏编码向量的均值向量,对超稀疏编码向量的均值向量求和,得到该区域的一个子块的超向量编码向量。
第二步,将滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素均分成4个子块,在每个子块中,将属于同一类的像素的超稀疏编码向量求和取平均,得到该类的超稀疏编码向量的均值向量,对所有不同类的超稀疏编码向量的均值向量求和,将得到的和向量乘上得到该子块的超向量编码向量,对四个子块都进行同样的操作,得到四个子块的超向量编码向量。
第三步,将滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素均分成3个子块,在每个子块中,将属于同一类的像素的超稀疏编码向量求和取平均,得到该类的超稀疏编码向量的均值向量,对所有不同类的超稀疏编码向量的均值向量求和,将得到的和向量乘上得到该子块的超向量编码向量,对三个子块都进行同样的操作,得到三个子块的超向量编码向量。
第四步,对步骤5中的第一步、第二步、第三步,得到的三种超向量编码向量求和,得到滤波后的极化合成孔径雷达SAR图像的一个像素的超向量特征。
第五步,对滤波后的极化合成孔径雷达SAR图像所有像素分别执行步骤5中的第一步、第二步、第三步、第四步,获得滤波后的极化合成孔径雷达SAR图像所有像素的超向量特征。
步骤6.样本特征集归一化、扩展。
第一步,将滤波后的极化合成孔径雷达SAR图像的所有像素的超向量特征组合在一起,得到样本特征集。
第二步,采用matlab软件,将样本特征集的值归一化到[0,1]之间,得到归一化后的样本特征集。
第三步,对归一化后的样本特征集在[-50,50]范围进行扩展,得到扩展后的样本特征集。
步骤7.选择训练样本和测试样本。
第一步,根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在扩展后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集。
第二步,从已标记样本特征集的每一类地物中随机选择n个样本的特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700。
第三步,从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集。
步骤8.分类。
第一步,利用训练样本集,训练支持向量机分类器svm。
第二步,利用训练后的支持向量机分类器svm,对待分类的极化合成孔径雷达SAR图像的每个像素进行分类,得到每个像素所属地物类别。
步骤9.计算分类精度。
将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度。
步骤10.输出结果。
第一步,对所有像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像。
第二步,输出上色后的极化合成孔径雷达SAR图像。
本发明的效果可通过以下仿真进一步说明。
1、仿真条件:
本发明的仿真试验是在计算机硬件配置为Intel(R)Xeon(R)CPU X56502.67GHZ、32.0GBRAM的硬件环境和计算机软件配置为MATLAB R2013a的软件环境下进行的。
2、仿真内容:
本发明仿真是对图2中的极化SAR图像进行分类实验。图2是本发明实施例中待分类极化合成孔径雷达SAR图像,该图是NASA实验室AIRSAR系统获取的荷兰弗莱福兰地区Flevoland地区的L波段极化合成孔径雷达SAR图像。仿真实验按15类对极化SAR图像进行分类。图3是本发明实施例中待分类极化合成孔径雷达SAR图像的真实地物标记图像。
本发明仿真内容为:仿真1,采用现有技术的Wishart有监督分类方法对图2进行分类,结果详见图5。仿真2,对图2提取散射特征向量输入SVM分类器进行分类,结果详见图6。仿真3,用本发明对图2进行分类,结果详见图4。
3、仿真效果分析:
分别将图4、图5和图6与本发明实验所用的待分类极化SAR图像真实地物标记图3对比可以看出,图4相比于对比方法图5和图6,图4更加接近于图3待分类极化合成孔径雷达SAR图像真实地物标记图像,而且图6中各类地物的区分更加的细致,准确。
以图3中的待分类极化SAR真实地物标记图像作为精度评价标准,对现有技术的Wishart有监督分类方法、对极化SAR图像提取散射特征向量直接输入SVM分类方法、本发明分类方法的分类精度进行统计,结果如表1。表1中,Alg1表示采用Wishart有监督分类方法进行分类,Alg2表示对极化SAR图像提取散射特征向量直接输入SVM分类方法,Alg3表示本发明的分类方法。
表1.三种方法在仿真中得到的分类精度
实验类型 | 仿真方法 | 分类精度(%) |
Alg1 | 86.30 | |
仿真实验 | Alg2 | 90.43 |
Alg3 | 96.72 |
从表1中可以看出,本发明基于超向量编码的极化SAR图像分类方法相比于现有技术的两种对比实验,精度有较大的提高,这主要是因为本发明提取的特征表示相比于极化合成孔径雷达SAR图像的相干矩阵本身和本发明提取的散射特征向量,包含了更加丰富的地物信息,且特征冗余性小,更具有表示性,有利于分类,分类精度更高。
Claims (2)
1.一种基于超向量编码的极化SAR图像分类方法,包括如下步骤:
(1)输入待分类的极化合成孔径雷达SAR图像和与之对应的真实地物标记图像;
(2)精致Lee滤波:
对极化合成孔径雷达SAR图像中所有像素进行精致Lee滤波方法,得到相干T矩阵;
(3)提取SAR图像中所有像素的散射特征向量:
采用matlab软件,分别提取滤波后的极化合成孔径雷达SAR图像的一个像素的相干T矩阵中位于上三角处的三个元素的实部值和虚部值、相干T矩阵中位于对角线上三个元素的实部值,将该9个值构成一个像素9维的散射特征向量,对滤波后的极化合成孔径雷达SAR图像的所有像素都进行相同的操作,得到所有像素的散射特征向量;
(4)超稀疏编码:
(4a)从与待分类的极化SAR图像对应的真实地物标记图像中,提取有标记样本的坐标,对具有相同标记的像素的散射特征向量求和取平均,得到标记样本的均值向量;
(4b)以标记样本的均值向量为有标记样本的类中心,得到所有有标记样本的类中心集合;
(4c)在类中心集合中找到与滤波后的极化合成孔径雷达SAR图像中的一个像素的散射特征向量距离最近的类中心;
(4d)按照下式,计算滤波后的极化合成孔径雷达SAR图像中的一个像素的超稀疏编码向量:
V[(i-1)*10+1:i*10]=[s,(x-vi)]
其中,V表示滤波后的极化合成孔径雷达SAR图像的一个像素的超稀疏编码向量,[:]表示向量赋值操作,i表示与滤波后的极化合成孔径雷达SAR图像的一个像素距离最近的类中心的类标,i∈[0,K],∈表示i从0到K进行取值操作,K表示滤波后的极化合成孔径雷达SAR图像的标记样本的总类标个数,*表示相乘操作,s表示取0.01的一个常数,x表示滤波后的极化合成孔径雷达SAR图像的一个像素的散射特征向量,vi表示与滤波后的极化合成孔径雷达SAR图像的一个像素距离最近的类中心,将滤波后的极化合成孔径雷达SAR图像的一个像素标记为与它距离最近的类中心的类标;
(4e)判断是否获得滤波后的极化合成孔径雷达SAR图像所有像素的超稀疏编码向量,若是,则执行步骤(5),否则,执行步骤(4c);
(5)获得SAR图像中所有像素的超向量特征:
(5a)在滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素中,将属于同一类的像素的超稀疏编码向量求和取平均,得到超稀疏编码向量的均值向量,对超稀疏编码向量的均值向量求和,得到该区域的一个子块的超向量编码向量;
(5b)将滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素均分成4个子块,在每个子块中,将属于同一类的像素的超稀疏编码向量求和取平均,得到该类的超稀疏编码向量的均值向量,对所有不同类的超稀疏编码向量的均值向量求和,将得到的和向量乘上得到该子块的超向量编码向量,对四个子块都进行同样的操作,得到四个子块的超向量编码向量;
(5c)将滤波后的极化合成孔径雷达SAR图像的一个像素的4*6区域的24个像素均分成3个子块,在每个子块中,将属于同一类的像素的超稀疏编码向量求和取平均,得到该类的超稀疏编码向量的均值向量,对所有不同类的超稀疏编码向量的均值向量求和,将得到的和向量乘上得到该子块的超向量编码向量,对三个子块都进行同样的操作,得到三个子块的超向量编码向量;
(5d)对步骤(5a)、步骤(5b)、步骤(5c)得到的三种超向量编码向量求和,得到滤波后的极化合成孔径雷达SAR图像的一个像素的超向量特征;
(5e)对滤波后的极化合成孔径雷达SAR图像所有像素分别执行步骤(5a)、步骤(5b)、步骤(5c)、步骤(5d),获得滤波后的极化合成孔径雷达SAR图像所有像素的超向量特征;
(6)样本特征集归一化、扩展:
(6a)将滤波后的极化合成孔径雷达SAR图像的所有像素的超向量特征组合在一起,得到样本特征集;
(6b)采用matlab软件,将样本特征集的值归一化到[0,1]之间,得到归一化后的样本特征集;
(6c)对归一化后的样本特征集在[-50,50]范围进行扩展,得到扩展后的样本特征集;
(7)选择训练样本和测试样本:
(7a)根据待分类极化合成孔径雷达SAR图像的真实地物标记图像,在扩展后的样本特征集中选出与真实地物标记图像中已标记真实地物相同样本,作为已标记样本特征集;
(7b)从已标记样本特征集的每一类地物中随机选择n个样本的特征,将所有选出的样本特征组合在一起,作为训练样本集,其中,n≥700;
(7c)从已标记样本特征集中去掉训练样本集,剩余的已标记样本特征作为测试样本集;
(8)分类:
(8a)利用训练样本集,训练支持向量机分类器svm;
(8b)利用训练后的支持向量机分类器svm,对步骤(1)输入的极化合成孔径雷达SAR图像的所有像素进行分类,得到所有像素所属地物类别;
(9)计算分类精度:
将分类得到的极化合成孔径雷达SAR测试样本像素所属地物类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度;
(10)输出结果:
(10a)对所有像素所属地物类别,用同一种颜色标出同类地物,得到上色后的极化合成孔径雷达SAR图像;
(10b)输出上色后的极化合成孔径雷达SAR图像。
2.根据权利要求1所述的基于超向量编码的极化SAR图像分类方法,其特征在于,步骤(2)中所述精制极化LEE滤波的具体步骤如下:
第一步,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个像素;
第二步,将滑动窗口在输入的极化SAR图像的像素上,从左到右、从上到下移动,每一步移动提取一个数据矩阵;将滑动窗口提取的极化SAR图像的像素的数据矩阵,分成大小为3*3个像素的有重叠的9个子矩阵;
第三步,对9个子矩阵的数据求均值,将所得到的均值构成3*3的均值矩阵;
第四步,选择水平、垂直、45度和135度的四个方向的梯度模板,将均值矩阵依次与四个模板进行加权,分别求四个方向的梯度模板所得到的加权结果的绝对值,选出四个绝对值中的最大值,将该最大值对应的方向作为边缘方向;
第五步,选取9个子矩阵的中心矩阵沿边缘方向对应的2个子矩阵,分别对2个矩阵内的数据求均值,用得到的两个均值分别减去9个子矩阵的中心矩阵的数据的均值,将均值差值中小的值所对应的子矩阵作为方向矩阵;
第六步,按照下式,计算精致极化LEE滤波的权值:
其中,b表示精致极化LEE滤波的权值,var(y)表示方向矩阵的极化SAR图像像素总功率的方差值,y表示方向矩阵内极化SAR图像像素的总功率,p表示方向矩阵内极化SAR总功率图像所有像素的均值,σ2表示输入的极化SAR图像相干斑噪声的方差值;
第七步,按照下式,得到滤波后极化SAR图像中心像素的相干矩阵:
其中,T′表示滤波后极化SAR图像中心像素的相干矩阵,表示方向矩阵内极化SAR图像像素的相干矩阵的均值,*表示相乘操作,b表示精致极化LEE滤波的权值,T表示极化SAR图像中心像素的相干矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108990.5A CN104751174B (zh) | 2015-03-12 | 2015-03-12 | 基于超向量编码的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108990.5A CN104751174B (zh) | 2015-03-12 | 2015-03-12 | 基于超向量编码的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104751174A true CN104751174A (zh) | 2015-07-01 |
CN104751174B CN104751174B (zh) | 2017-11-17 |
Family
ID=53590827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510108990.5A Active CN104751174B (zh) | 2015-03-12 | 2015-03-12 | 基于超向量编码的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751174B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809199A (zh) * | 2016-03-11 | 2016-07-27 | 西安电子科技大学 | 基于稀疏编码和dpl的极化sar图像分类方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN107133653A (zh) * | 2017-05-23 | 2017-09-05 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN111915547A (zh) * | 2019-05-07 | 2020-11-10 | 北京创原天地科技有限公司 | 一种快速提取图像中的噪声点的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100124377A1 (en) * | 2008-11-19 | 2010-05-20 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
CN103824084A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于sdit和svm的极化sar图像分类方法 |
CN104408467A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
-
2015
- 2015-03-12 CN CN201510108990.5A patent/CN104751174B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100124377A1 (en) * | 2008-11-19 | 2010-05-20 | Nec Laboratories America, Inc. | Linear spatial pyramid matching using sparse coding |
CN102651073A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于稀疏动态集成选择的sar图像地物分类方法 |
CN103824084A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于sdit和svm的极化sar图像分类方法 |
CN104408467A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
Non-Patent Citations (1)
Title |
---|
郎丰铠: ""极化SAR图像自适应增强Lee滤波算法"", 《测绘学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809199A (zh) * | 2016-03-11 | 2016-07-27 | 西安电子科技大学 | 基于稀疏编码和dpl的极化sar图像分类方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN106127221B (zh) * | 2016-06-12 | 2019-06-21 | 西安电子科技大学 | 基于极化-纹理特征与dpl的极化sar图像分类方法 |
CN107133653A (zh) * | 2017-05-23 | 2017-09-05 | 西安电子科技大学 | 一种基于深度阶梯网络的高分辨sar图像分类方法 |
CN111915547A (zh) * | 2019-05-07 | 2020-11-10 | 北京创原天地科技有限公司 | 一种快速提取图像中的噪声点的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104751174B (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN104239900A (zh) | 基于k均值和深度svm的极化sar图像分类方法 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN104680180B (zh) | 基于k均值和稀疏自编码的极化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 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN105261004A (zh) | 基于均值漂移和邻域信息的模糊c均值图像分割方法 | |
CN103886336A (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN102867183B (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN103955926A (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
CN107145836A (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN105930794A (zh) | 一种基于云计算的室内场景识别方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN104751174A (zh) | 基于超向量编码的极化sar图像分类方法 | |
CN104680184A (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN104268557B (zh) | 基于协同训练和深度svm的极化sar分类方法 | |
CN103678483A (zh) | 基于自适应概率超图和半监督学习的视频语义分析方法 | |
CN103646256A (zh) | 一种基于图像特征稀疏重构的图像分类方法 | |
CN104463219A (zh) | 一种基于特征向量度量谱聚类的极化sar图像分类方法 | |
CN104820841A (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN103955709A (zh) | 基于加权合成核与tmf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 |