CN105069480B - 基于高斯滤波和pso的极化sar地物分类方法 - Google Patents

Abstract

本发明公开了一种基于高斯滤波和PSO的极化SAR地物分类方法，主要解决了现有基于单像素点分类方法的分类精度低的问题。其实现步骤为：先输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造类别图；再将类别图分成子类别图，对每幅子类别图构建目标函数，将其通过PSO算法优化获得最优方差，用最优方差构建高斯滤波器；之后对子类别图进行高斯滤波，得到每幅子图的分类结果；最后将每幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。本发明提高了极化SAR地物分类的精度，可用于地物分类与目标识别。

Description

基于高斯滤波和PSO的极化SAR地物分类方法

技术领域

本发明属于图像处理技术领域，具体涉及极化合成孔径雷达SAR图像地物分类方法，可用于地物分类与目标识别。

背景技术

极化SAR是先进的SAR系统，通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标，极化SAR可以获得更丰富的地物信息。

极化SAR图像解译的重要研究问题之一是极化SAR地物分类。极化SAR地物分类的目的就是利用机载或星载极化传感器得到的测量数据，将有相似性质的地物划分成一类，具体来说确定极化SAR图像每个像素点所对应的类别。

根据是否需要人工指导，极化SAR地物分类可分为有监督分类、半监督分类和无监督分类。根据是否利用先验信息，可分为基于单像素点的分类方法和结合邻域信息的分类方法。传统大多数方法是单像素点的分类方法，例如:复Wishart分布的极化相干矩阵监督分类，人工神经网络NN和支持向量机SVM等方法。极化SAR地物信息除了有单像素点的信息还有空间邻域信息，而以上方法都是只基于单像素点进行分类，所以分类效果较低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于高斯滤波和PSO的极化SAR地物分类方法，以在充分利用基于单像素点分类方法获得的分类信息的基础上，自适应的结合空间邻域信息，提高SAR地物分类的准确率。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造C幅类别图P_i，i∈{1,2,...,C}，C为类别总数；

(2)对每幅类别图P_i分成Z幅子图，获得C×Z幅子类别图Q_ij，j∈{1,2,...,Z}；

(3)当j＝k时，k为实数，构建以最大化训练样本整体准确率OA＝G(R_k(σ),T)/N的目标函数为:

其中σ为方差，T为标记类别，R_k(σ)为Q_ik经过方差为σ的高斯滤波后的分类类别，G为计算R_k(σ)与T相同的个数的函数，N为标记样本总数；

(4)迭代优化(3)中的目标函数，获得最优方差σ^*；

(5)对C幅子类别图Q_ik，i∈{1,2,...,C}进行最优方差为σ^*的高斯滤波，得到滤波后的图像F_ik；

(6)将C幅滤波后的图像F_ik上位置为x的像素点的值进行比较，i∈{1,2,...,C}，得到最大值所在的图像F_yk，y为实数，y∈{1,2,...,C}，则位置为x的像素点的类别为y，如此处理每一点获得第k幅子图的最终分类结果R_k；

(7)将Z幅子图都按照(3)-(6)的步骤依次进行处理，获得Z幅子图的分类结果，再将Z幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。

本发明与现有的技术相比具有以下优点：

1.本发明在保证现有基于单像素点方法分类准确率的基础上，经过高斯滤波结合空间邻域信息，从而能够显著的提高极化SAR地物的分类准确率；

2.本发明利用高斯滤波，通过改变方差，可改变高斯滤波器的空间邻域作用范围和影响权重；

3.本发明利用优化算法对高斯滤波器中的参数方差进行自适应寻优，能找到最优解，从而提高分类准确率；

4.本发明利用构建的目标函数作为选择高斯滤波器参数方差的依据，所以参数方差的选择具有目标指导性；

5.本发明将待分类极化SAR图像划分成多幅子图分别处理，如此能够考虑每块子图之间地物信息的差异，有针对地对每幅子图进行最优化处理，从而提高了合并后整幅图的分类准确率。

附图说明

图1是本发明的实现总流程图；

图2是本发明第一实施例的待分类极化SAR图像及分类结果图；

图3是本发明第二实施例的待分类极化SAR图像及分类结果图；

图4是本发明第三实施例的待分类极化SAR图像及分类结果图。

具体实施方式

参照附图1，本发明给出如下三种实施例：

实施例1，对德国地区极化SAR图像进行分类。

德国地区极化SAR图像的伪彩色图如2(a)所示，其大小为1300×1200；

德国地区极化SAR图像的标记图如2(b)所示；

由伪彩色图2(a)获得极化SAR图像的大小为1300×1200，从标记图2(b)的标记样本中随机选取1％作为训练样本，得到训练样本类别和位置，将标记样本剩下的99％作为测试样本，得到测试样本类别和位置，类别总数C为3。

利用现有基于单像素点方法SVM，根据图2(a)的极化SAR数据和图2(b)的标记图进行学习，对德国地区极化SAR图像进行分类，其结果如2(c)所示。

利用本发明方法对德国地区极化SAR图像进行分类的步骤如下：

步骤1，输入德国地区极化SAR图像的相关信息和用现有基于单像素点方法SVM对该极化SAR图像的分类结果，构造3幅类别图P_i。

(1a)利用图2(c)所示的分类结果和极化SAR图像大小1300×1200，构造与该极化SAR图像大小一致的二维矩阵P，该矩阵P中存储的元素是类别i，i∈{1,2,3}，C＝3；

(1b)构造与二维矩阵P一样大小的3幅类别图P_i，找到P中元素为i的位置m，在P_i中对应位置m上设置为1，其他位置为0。

步骤2，将每幅类别图P_i分成Z＝4幅子图，获得3×4幅子类别图Q_ij，j∈{1,2,3,4}。

步骤3，当j＝k时，k为实数，构建以最大化训练样本整体准确率OA＝G(R_k(σ),T)/N的目标函数为:

其中σ为方差，T为训练样本类别，R_k(σ)为Q_ik经过方差为σ的高斯滤波后的分类类别，G为计算R_k(σ)与T相同的个数的函数，N＝1300×1200为标记样本总数。

步骤4，迭代优化步骤3中的目标函数，获得最优方差σ^*。

优化目标函数的常用算法有：网格搜索算法，进化算法EA和粒子群优化算法PSO等等。本实施例中使用PSO算法优化目标函数，获得最优方差σ^*。

[σ^*,V]＝particleswarm(@(σ)OA(σ),1,0.5,20,options),

options＝optimoptions('particleswarm','SwarmSize',5,'MaxIter',10),

其中V为最优准确率，particleswarm为PSO优化函数，其参数'1'代表寻优变量1个，'0.5'代表寻优下限为0.5，'20'代表寻优上限为20，options为优化策略，optimoptions为设置优化策略的函数，其参数'SwarmSize',5，代表PSO算法的种群粒子个数为5，参数'MaxIter',10，代表迭代次数为10。

步骤5，对3幅子类别图Q_ik，i∈{1,2,3}进行最优方差为σ^*的高斯滤波，得到滤波后的图像F_ik。

(5a)设置高斯滤波器的窗口大小为101×101，方差为σ^*，获得高斯滤波器h，

h＝fspecial('gaussian',101,σ^*)，其中fspecial为构造特殊滤波器函数，'gaussian'代表选择高斯滤波器。

(5b)对3幅子类别图Q_ik用高斯滤波器h进行滤波，得到滤波后的图像F_ik，

F_ik＝imfilter(Q_ik,h,'replicate','conv')，其中imfilter为滤波函数，'replicate'代表图像边界部分使用“复制”的方式，'conv'代表卷积操作。

步骤6，将3幅滤波后的图像F_ik，i∈{1,2,3}上相同点的值进行比较，得到最大值所在的图像F_yk，y为实数，y∈{1,2,3}，则此点的类别为y，如此获得第k幅子图的最终分类结果R_k。

步骤7，将4幅子图都按照步骤3-6依次进行处理，获得4幅子图的分类结果，再将4幅子图的分类结果进行合并，获得德国地区极化SAR图像的分类结果，如图2(d)所示。

将图2(d)与图2(c)进行对比可见，本发明的分类结果的斑点更少，错分点更少，区域一致性更好。

实施例2，对旧金山地区极化SAR图像进行分类。

旧金山地区极化SAR图像的伪彩色图如3(a)所示，其大小为1800×1380；

旧金山地区极化SAR图像的标记图如3(b)所示；

由伪彩色图3(a)获得极化SAR图像的大小为1800×1380，从标记图3(b)的标记样本中随机选取1％作为训练样本，得到训练样本类别和位置，将标记样本剩下的99％作为测试样本，得到测试样本类别和位置，类别总数C为5。

利用现有基于单像素点方法SVM，根据图3(a)的极化SAR数据和图3(b)的标记图进行学习，对旧金山地区极化SAR图像进行分类，其结果如3(c)所示。

利用本发明方法对旧金山地区极化SAR图像进行分类的方法进行分类的步骤如下：

步骤一，输入旧金山区极化SAR图像的相关信息和用现有基于单像素点方法SVM对该极化SAR图像的分类结果，构造5幅类别图P_i。

(1.1)利用图3(c)所示的分类结果和极化SAR图像大小1800×1380，构造与该极化SAR图像大小一致的二维矩阵P，该矩阵P中存储的元素是类别i，i∈{1,2,...,5}；

(1.2)构造与二维矩阵P一样大小的5幅类别图P_i，找到P中元素为i的位置m，在P_i中对应位置m上设置为1，其他位置为0。

步骤二，将每幅类别图P_i分成Z＝9幅子图，获得5×9幅子类别图Q_ij，j∈{1,2,...,9}。

步骤三，当j＝k时，k为实数，构建以最大化训练样本整体准确率OA＝G(R_k(σ),T)/N的目标函数为:

其中σ为方差，T为训练样本类别，R_k(σ)为Q_ik经过方差为σ的高斯滤波后的分类类别，G为计算R_k(σ)与T相同的个数的函数，N＝1800×1380为标记样本总数。

步骤四，迭代优化步骤三中的目标函数，获得最优方差σ^*。

本步骤的具体实现与实施例1中的步骤4相同。

步骤五，对5幅子类别图Q_ik，i∈{1,2,...,5}进行最优方差为σ^*的高斯滤波，得到滤波后的图像F_ik。

(5.1)本步骤的具体实现与实施例1中的步骤(5a)相同；

(5.2)对5幅子类别图Q_ik用高斯滤波器h进行滤波，得到滤波后的图像F_ik；

F_ik＝imfilter(Q_ik,h,'replicate','conv')，其中imfilter为滤波函数，'replicate'代表图像边界部分使用“复制”的方式，'conv'代表卷积操作。

步骤六，将5幅滤波后的图像F_ik，i∈{1,2,...,5}上相同点的值进行比较，得到最大值所在的图像F_yk，y为实数，y∈{1,2,...,5}，则此点的类别为y，如此获得第k幅子图的最终分类结果R_k。

步骤七，将9幅子图都按照步骤三-六依次进行处理，获得9幅子图的分类结果，再将9幅子图的分类结果进行合并，获得旧金山地区极化SAR图像的分类结果，如图3(d)所示。

将图3(d)与图3(c)进行对比可见，本发明的分类结果的区域一致性更好，同时金门大桥和小岛区域部分细节处理效果也很好。

实施例3，对荷兰地区极化SAR图像进行分类。

荷兰地区极化SAR图像的伪彩色图如4(a)所示，其大小为750×1024；

荷兰地区极化SAR图像的标记图如4(b)所示；

由伪彩色图4(a)获得极化SAR图像的大小为750×1024，从标记图4(b)的标记样本中随机选取10％作为训练样本，得到训练样本类别和位置，将标记样本剩下的90％作为测试样本，得到测试样本类别和位置，类别总数C为15。

利用现有基于单像素点方法SVM，根据图4(a)的极化SAR数据和图4(b)的标记图进行学习，对荷兰地区极化SAR图像进行分类，其结果如4(c)所示。

利用本发明方法对荷兰地区极化SAR图像进行分类的方法进行分类的步骤如下：

步骤A，输入荷兰区极化SAR图像的相关信息和用现有基于单像素点方法SVM对该极化SAR图像的分类结果，构造15幅类别图P_i。

(A1)利用4(c)所示的分类结果和极化SAR图像大小750×1024，构造与该极化SAR图像大小一致的二维矩阵P，该矩阵P中存储的元素是类别i，i∈{1,2,...,15}；

(A2)构造与二维矩阵P一样大小的15幅类别图P_i，找到P中元素为i的位置m，在P_i中对应位置m上设置为1，其他位置为0。

步骤B，将每幅类别图P_i分成Z＝4幅子图，获得15×4幅子类别图Q_ij，j∈{1,2,3,4}。

步骤C，当j＝k时，k为实数，构建以最大化训练样本整体准确率OA＝G(R_k(σ),T)/N的目标函数为:

其中σ为方差，T为训练样本类别，R_k(σ)为Q_ik经过方差为σ的高斯滤波后的分类类别，G为计算R_k(σ)与T相同的个数的函数，N＝750×1024为标记样本总数。

步骤E，迭代优化步骤Ⅲ中的目标函数，获得最优方差σ^*。

本步骤的具体实现与实施例1中的步骤4相同。

步骤F，对15幅子类别图Q_ik，i∈{1,2,...,15}进行最优方差为σ^*的高斯滤波，得到滤波后的图像F_ik。

(F1)本步骤的具体实现与实施例1中的步骤(5a)相同；

(F2)对15幅子类别图Q_ik用高斯滤波器h进行滤波，得到滤波后的图像F_ik；

F_ik＝imfilter(Q_ik,h,'replicate','conv')，其中imfilter为滤波函数，'replicate'代表图像边界部分使用“复制”的方式，'conv'代表卷积操作。

步骤G，将15幅滤波后的图像F_ik，i∈{1,2,...,15}上相同点的值进行比较，得到最大值所在的图像F_yk，y为实数，y∈{1,2,...,15}，则此点的类别为y，如此获得第k幅子图的最终分类结果R_k。

步骤H，将4幅子图都按照步骤C-G依次进行处理，获得4幅子图的分类结果，再将4幅子图的分类结果进行合并，获得荷兰地区极化SAR图像的分类结果，如图4(d)所示。

将图4(d)与图4(c)进行对比可见，本发明的分类结果的改善了图4(c)中存在的斑点效应，修正了错分点，使得区域一致性更好，并且每类地物之间的边界处理的效果自然平滑。

分别计算上述三个实施中本发明分类结果的准确率和现有基于单像素点方法SVM分类结果的准确率，结果如表1。

表1本发明与现有技术的分类准确率比较

由表1可见，对于上述三个实施例，本发明的分类准确率都比现有基于单像素点方法分类准确率高很多，其中实施例2和实施例3准确率提高的幅度最多，分别为0.1031和0.116132，且都达到了0.985以上的准确率。

综上，在利用现有基于单像素点方法的分类结果基础上，运用本发明方法进行自适应高斯滤波，结合邻域信息，从而能够显著的提高极化SAR地物的分类准确率。

Claims (4)

1.一种基于高斯滤波和PSO的极化SAR地物分类方法，具体步骤如下：

(1)输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造C幅类别图P_i，i∈{1,2,...,C}，C为类别总数；

(2)对每幅类别图P_i分成Z幅子图，获得C×Z幅子类别图Q_ij，j∈{1,2,...,Z}；

(3)当j＝k时，k为实数，构建以最大化训练样本整体准确率OA＝G(R_k(σ),T)/N的目标函 数为: <mrow> <mfenced open = '{' close = ''> <mtable> <mtr> <mtd> <mi>max</mi> </mtd> <mtd> <mrow> <mi>G</mi> <mrow> <mo>(</mo> <msub> <mi>R</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>&amp;sigma;</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>T</mi> <mo>)</mo> <mo>/</mo> <mi>N</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>&amp;sigma;</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>0.5</mn> <mo>,</mo> <mn>20</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

其中σ为方差，T为标记类别，R_k(σ)为Q_ik经过方差为σ的高斯滤波后的分类类别，G为计算R_k(σ)与T相同的个数的函数，N为标记样本总数；

(4)迭代优化(3)中的目标函数，获得最优方差σ^*；

(5)对C幅子类别图Q_ik，i∈{1,2,...,C}进行最优方差为σ^*的高斯滤波，得到滤波后的图像F_ik；

(6)将C幅滤波后的图像F_ik上位置为x的像素点的值进行比较，i∈{1,2,...,C}，得到最大值所在的图像F_yk，y为实数，y∈{1,2,...,C}，则位置为x的像素点的类别为y，如此处理每一点获得第k幅子图的最终分类结果R_k；

(7)将Z幅子图都按照(3)-(6)的步骤依次进行处理，获得Z幅子图的分类结果，再将Z幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。

2.根据权利要求1所述的基于高斯滤波和PSO的极化SAR地物分类方法，其中所述步骤(1)待分类极化SAR图像的相关信息包括：极化SAR图像的大小，类别总数C，训练样本标记类别和位置，测试样本标记类别和位置。

3.根据权利要求1所述的基于高斯滤波和PSO的极化SAR地物分类方法，其中所述步骤(1)中构造C幅类别图P_i，按如下步骤进行：

(1a)利用基于单像素点方法的分类结果和极化SAR图像大小，构造与该极化SAR图像大小一致的二维矩阵P，该矩阵P中存储的元素是类别i，i∈{1,2,...,C}；

(1b)构造与二维矩阵P一样大小的C幅类别图P_i，找到P中元素为i的位置m，在P_i中对应位置m上设置为1，其他位置为0。

4.根据权利要求1所述的基于高斯滤波和PSO的极化SAR地物分类方法，其中所述步骤(3)和(5)中的高斯滤波窗口大小选取101×101。