CN105160353A - 基于多特征集的极化sar数据地物分类方法 - Google Patents
基于多特征集的极化sar数据地物分类方法 Download PDFInfo
- Publication number
- CN105160353A CN105160353A CN201510505194.5A CN201510505194A CN105160353A CN 105160353 A CN105160353 A CN 105160353A CN 201510505194 A CN201510505194 A CN 201510505194A CN 105160353 A CN105160353 A CN 105160353A
- Authority
- CN
- China
- Prior art keywords
- mrow
- sar data
- sample
- representing
- samples
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 75
- 230000010287 polarization Effects 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 230000001427 coherent effect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000004088 simulation Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 230000007547 defect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (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多特征集的极化SAR数据地物分类方法。本发明实现的步骤为:(1)输入数据;(2)精致Lee滤波;(3)提取两个特征集;(4)对两个特征集聚类;(5)比较聚类结果;(6)迭代分类;(7)输出结果。本发明相比现有技术基于单一特征集的Wishart分类方法,提高了极化合成孔径雷达SAR数据的分类精度,减少了使用Wishart分类方法分类极化合成孔径雷达SAR数据时的迭代次数,解决了极化信息利用不充分和用于Wishart分类方法的训练样本集中有许多错分样本的问题。本发明可应用于极化合成孔径雷达SAR数据地物分类。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达(SyntheticApertureRadar,SAR)图像分类技术领域中的一种基于多特征集的极化SAR数据地物分类方法。本发明可以对极化合成孔径雷达获得的数据中的不同区域进行准确地地物分类。
背景技术
极化合成孔径雷达能够得到更丰富的目标信息,在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值,如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测,目标检测和海洋污染检测等。极化合成孔径雷达SAR数据分类的目的是利用机载或星载极化传感器获得的极化测量数据,确定每个像素所属的类别。
极化合成孔径雷达SAR数据分类一般分为有监督分类和无监督分类两大方法。一般,极化合成孔径雷达SAR数据的分类流程为:预处理、特征提取、特征选择、数据分类。其中,特征提取和特征选择是非常重要的步骤,分类结果的好坏直接受提取的特征是否能充分的表示地物,以及如何对提取的特征进行可信的选择和处理的影响。如在基于迭代的分类方法中,如果迭代的初始化中心选取不好,分类后会得到很不好的分类结果。
电子科技大学拥有的专利技术“一种基于Cloude分解的极化SAR图像分类方法”(专利申请号:201410341457.9,授权公告号:CN104123563A)中公开了一种基于Cloude分解的极化SAR数据分类方法。该专利技术实现步骤为:(1)读入一幅待分类的极化SAR图像,对图像中的每个像素点进行Cloude分解,得到散射熵H和散射角α;(2)计算散射熵H和散射角α的统计直方图,并对直方图进行分割,得到分割阈值;将得到的分割阈值作为散射熵H和散射角α特征构成的二维平面的划分点,对极化SAR图像进行初始划分为m类;(3)将得到的初始分类的类中心和类别数输入Wishart分类器,得到所述极化SAR图像的分类结果。该专利技术虽然可以对散射熵H和散射角α平面进行更细致的划分,进而得到更好的Wishart分类器初始化分类的类中心,提高分类的效果。但是,该专利技术仍然存在的不足之处是,没有充分发挥不同特征的分类能力,并且由于初始划分时会有较多的错分样本,这时如果直接使用所有同类样本计算初始分类中心,不仅会使得Wishart分类器的效果不好,也会使得算法收敛过慢。
西安电子科技大学拥有的专利技术“基于Freeman分解和同极化比的极化SAR图像分类方法”(专利申请号:201110164401.7,授权公告号:CN102208031B)中公开了一种基于Freeman分解和同极化比的极化SAR图像分类方法。该专利技术实现步骤为:(1)输入极化SAR数据的协方差矩阵;(2)对输入的矩阵进行Freeman分解,获取平面散射、二面角散射及体散射三种散射功率;(3)根据三种散射功率矩阵将极化SAR图像进行初始划分;(4)计算每类极化SAR数据各像素点的同极化比;(5)选择阈值依据同极化比将步骤(3)中每类极化SAR数据划分为3类,从而将整个极化SAR图像划分为9类;(6)对整个极化SAR数据的划分结果进行复Wishart迭代并上色,得到最终彩色分类结果图。该专利技术虽然对极化SAR图像的划分更加严谨,分类效果更佳。但是,该专利技术仍然存在的不足之处是,没有考虑到不同方法得到的特征信息的分类能力不同,而且直接使用所有同类样本计算初始分类中心,这些都会导致最终的分类效果不好,算法收敛较慢。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种基于多特征集的极化SAR数据地物分类方法。本发明利用极化合成孔径雷达SAR数据不同特征集的可分性不同的特性,有效地提高了极化合成孔径雷达SAR数据的分类精度,同时可以快速分类极化合成孔径雷达SAR数据。
实现本发明的技术思路是:首先,对待分类的极化合成孔径雷达SAR数据进行滤波;其次,提取极化合成孔径雷达SAR数据的两个特征集;再次,使用聚类方法对上述两个特征集进行聚类;比较聚类结果,得到可分度高的样本集和可分度低的样本集;然后,以可分度高的样本集为训练样本集,使用有监督分类方法对极化合成孔径雷达SAR数据进行分类;最后,输出分类结果。
本发明的步骤包括如下:
(1)输入数据:
输入一幅待分类的极化合成孔径雷达SAR数据;
(2)精致Lee滤波:
对待分类的极化合成孔径雷达SAR数据进行精致Lee滤波,得到滤波后的极化合成孔径雷达SAR数据;
(3)提取两个特征集:
(3a)对滤波后的极化合成孔径雷达SAR数据中的任意一个样本,采用特征提取方法1,得到含有八个特征分量的特征向量1;
(3b)重复执行步骤(3a),直至完成所有样本特征向量的提取,提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集1;
(3c)对滤波后的极化合成孔径雷达SAR数据中的任意一个样本,采用特征提取方法2,得到含有九个特征分量的特征向量2;
(3d)重复执行步骤(3c),直至完成所有样本特征向量的提取,提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集2;
(4)对两个特征集聚类:
采用K均值聚类方法,分别对特征集1和特征集2进行聚类,得到与特征集1和特征集2对应的极化合成孔径雷达SAR数据的两个聚类结果;
(5)比较聚类结果:
(5a)比较极化合成孔径雷达SAR数据的两个聚类结果中任意一个样本的两个聚类结果是否相同,将聚类结果相同的样本放入可分度高的样本集中,将聚类结果不同的样本放入可分度低的样本集中;
(5b)重复执行步骤(5a),直至完成所有样本的聚类结果的比较;
(6)迭代分类:
(6a)将可分度高的样本集作为训练样本集,使用Wishart分类方法,有监督地分类极化合成孔径雷达SAR数据的所有样本,得到极化合成孔径雷达SAR数据的初始分类结果;
(6b)使用Wishart分类方法,迭代分类极化合成孔径雷达SAR数据的初始分类结果,直到满足迭代终止条件,得到极化合成孔径雷达SAR数据的最终分类结果;
(7)输出结果:
用不同的颜色标识极化合成孔径雷达SAR数据的最终分类结果中的每一类样本,得到极化合成孔径雷达SAR数据的分类结果彩图,输出极化合成孔径雷达SAR数据的分类结果彩图。
本发明与现有技术相比具有以下优点:
第一,本发明采用两个特征提取方法,提取了极化合成孔径雷达SAR数据的两个不相关特征集,克服了现有技术极化目标分解方法所带来的单一特征集的可分性有限的不足,使得本发明能够利用两个不相关特征集的可分性不同的特性,为Wishart分类方法找到更高质量的训练样本集。
第二,本发明采用可分度高的样本集作为Wishart分类方法的训练样本集,克服了现有技术直接使用初始分类结果对应的样本集作为Wishart分类方法的训练样本集所带来的最终分类结果不准确的不足,使得本发明能够提高使用Wishart分类方法分类极化合成孔径雷达SAR数据的分类精度。
第三,本发明采用比较多特征集上的聚类结果的策略将整个极化合成孔径雷达SAR数据样本集分成两个样本子集——可分度高的样本集和可分度低的样本集,克服了现有技术在分类过程中一直使用整个极化合成孔径雷达SAR数据样本集所带来的计算复杂度高、算法收敛慢的不足,使得本发明能够减少Wishart分类方法的迭代次数,快速分类极化合成孔径雷达SAR数据。
附图说明
图1为本发明的流程图;
图2为本发明输入的极化合成孔径雷达SAR数据的PauliRGB合成图;
图3为本发明的极化合成孔径雷达SAR数据真实的地物标记图;
图4为本发明的两个特征集中各分量之间的相关系数图;
图5为本发明的极化合成孔径雷达SAR数据的分类结果图。
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,对本发明的步骤做进一步的详细描述。
步骤1.输入数据。
输入一幅待分类的极化合成孔径雷达SAR数据。
步骤2.精致Lee滤波。
由于极化合成孔径雷达SAR数据本身含有大量的斑点噪声,所以选用精致极化Lee滤波方法,对待分类的极化合成孔径雷达SAR数据进行滤波,得到滤波后的极化合成孔径雷达SAR数据。
设定用于极化合成孔径雷达SAR数据的精致极化Lee滤波的滑动窗口,该滑动窗口是7×7像素块的子窗。
在输入的极化合成孔径雷达SAR数据上将滑动窗口,从左到右、从上到下滑动滑窗,每次滑窗时,将滑动窗口按照极化合成孔径雷达SAR数据中像素的空间位置,从左到右、从上到下依次分成9个子窗口,每个子窗口的大小是3×3像素,子窗口之间有重叠。
将9个子窗口对应位置的数据求均值,将所得到的均值构成3×3像素的均值窗口。
分别选择水平、垂直、45度和135度的四个方向的梯度模板,模板大小为3×3像素,将均值窗口分别与四个模板进行加权,对所得到的加权结果求绝对值,选出所有绝对值中的最大值,将该最大值对应的方向作为边缘方向。
取边缘方向的左右2个子窗口,分别对2个窗口内的所有样本求均值,用得到的两个均值分别减去中心窗口所有样本的均值,将均值差值中小的值所对应的子窗口作为方向窗口。
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)表示方向窗口内极化合成孔径雷达SAR数据总功率图的方差值,y表示方向窗口内极化合成孔径雷达SAR数据总功率图的像素,p表示方向窗口内极化合成孔径雷达SAR数据总功率图中所有像素的均值,表示输入的极化合成孔径雷达SAR数据相干斑噪声的方差值。
按照下式,计算滤波后极化合成孔径雷达SAR数据中心样本的协方差矩阵:
x=w+b(z-w)
其中,x表示滤波后极化合成孔径雷达SAR数据的中心样本的协方差矩阵,w表示方向窗口内极化合成孔径雷达SAR数据的样本的协方差矩阵的均值,b表示精致极化Lee滤波的权值,z表示滤波前极化合成孔径雷达SAR数据的中心样本的协方差矩阵。
步骤3.提取两个特征集。
对滤波后的极化合成孔径雷达SAR数据中的任意一个样本,采用特征提取方法1,得到含有八个特征分量的特征向量1。
采用克拉德-鲍狄埃Cloude-Pottier分解方法,得到极化合成孔径雷达SAR数据中的任意一个样本的四个特征分量。
克拉德-鲍狄埃Cloude-Pottier分解方法的具体步骤如下:
按照下式,得到极化合成孔径雷达SAR数据的极化相干矩阵:
T=U*C*U-1
其中,T表示极化合成孔径雷达SAR数据极化相干矩阵,U表示极化协方差矩阵与极化相干矩阵之间的转换矩阵, C表示极化合成孔径雷达SAR数据的极化协方差矩阵,U-1表示U矩阵的逆矩阵。
将极化合成孔径雷达SAR数据的极化相干矩阵T表示为如下形式:
其中,T表示极化合成孔径雷达SAR数据的极化相干矩阵,U3表示T的正交特征向量,上标'表示矩阵的共轭转置操作,λ1表示极化合成孔径雷达SAR数据的极化相干矩阵的第一个特征值,λ2表示极化合成孔径雷达SAR数据的极化相干矩阵的第二个特征值,λ3表示极化合成孔径雷达SAR数据的极化相干矩阵的第三个特征值。
散射熵表示散射媒质从各向同性散射(散射熵为0)到完全随机散射(散射熵为1)的随机性,如果散射熵值很低,则认为整个系统弱去极化,占优势的目标散射矩阵部分为最大特征值对应的特征向量,而忽略其他特征向量,如果散射熵值很高,则目标的去极化效应很强,目标不再只包括唯一等价的散射矩阵,需要考虑所有的特征值。
散射熵参数提供了在同一分辨单元内总散射机制的信息,但是对于低熵或中等熵,散射熵不能提供有关两个较小特征值之间关系的信息,故进一步考虑反熵参数,反熵的大小反映了优势散射机制以外的两个相对较弱的散射分量之间的大小关系。
平均极化散射角的值与散射过程的物理机制相互联系,对应着从奇数次散射到体散射到偶次散射的变化。
总功率参数表示散射媒质反射的极化合成孔径雷达的回波的总强度,总功率的大小反映了散射媒质在极化合成孔径雷达上的信号强度。
按照下式,得到极化合成孔径雷达SAR数据中的任意一个样本的克拉德-鲍狄埃Cloude-Pottier分解的四个特征分量H,A,Span:
Span=λ1+λ2+λ3
其中,H表示极化合成孔径雷达SAR数据样本的散射熵,Pk表示极化合成孔径雷达SAR数据的极化相干矩阵的第k个特征值与所有特征值总和的比值,k=1,2,3,Σ(·)表示求和操作,log3(·)表示以3为底进行对数操作;A表示极化合成孔径雷达SAR数据样本的反熵参数,λ2表示极化合成孔径雷达SAR数据的极化相干矩阵的第二个特征值,λ3表示极化合成孔径雷达SAR数据的极化相干矩阵的第三个特征值;表示极化合成孔径雷达SAR数据样本的平均极化散射角,αi表示极化合成孔径雷达SAR数据的极化相干矩阵的第k个特征值对应的极化散射角,Span表示极化合成孔径雷达SAR数据样本的总功率的特征分量,λ1表示极化合成孔径雷达SAR数据的极化相干矩阵的第一个特征值。
采用弗里曼-德登Freeman-Durden分解方法,得到极化合成孔径雷达SAR数据中的任意一个样本的四个特征分量。
弗里曼-德登Freeman-Durden分解为合成孔径雷达SAR数据的极化协方差矩阵建立三种散射机制模型,分别为体散射,其模型是一组方向随机的偶极子集合;二次散射,其模型是一个两面角反射器;表面散射,其模型是一阶布拉格表面散射体。另外,通过弗里曼-德登Freeman-Durden分解还可以求得三种散射机制模型的功率散射熵,每一种散射机制模型的功率散射熵的大小反映了其极化合成孔径雷达回波强度的随机性大小。
弗里曼-德登Freeman-Durden分解方法的具体步骤如下:
将极化合成孔径雷达SAR数据的极化协方差矩阵表示为如下形式:
其中,C表示合成孔径雷达SAR数据的极化协方差矩阵,fs表示极化合成孔径雷达SAR数据的平面散射分量系数,β表示Shh与Svv的比值,Shh表示水平接收/水平发射的极化波的回波数据,h表示水平极化方向,Svv表示垂直接收/垂直发射的极化波的回波数据,v表示垂直极化方向,|·|2表示模值的平方操作,fd表示极化合成孔径雷达SAR数据的二面角散射系数,α表示Rgh*Rvh与Rgv*Rvv的比值,Rgh表示竖直墙体的水平反射系数,Rvh表示地表的水平反射系数,Rgv表示竖直墙体的垂直反射系数,Rvv表示地表的垂直反射系数,fv表示极化合成孔径雷达SAR数据的体散射分量系数。
按照下式,得到极化合成孔径雷达SAR数据中的任意一个样本的弗里曼-德登Freeman-Durden分解方法的四个特征分量Ps,Pd,Pv,Hp:
Ps=fs(1+|β|2)
Pd=fd(1+|α|2)
其中,Ps表示极化合成孔径雷达SAR数据的任意一个样本的第1个功率分量——表面散射功率分量,fs表示极化合成孔径雷达SAR数据的平面散射分量系数,β表示Shh与Svv的比值,Shh表示水平接收/水平发射的极化波的回波数据,h表示水平极化方向,Svv表示垂直接收/垂直发射的极化波的回波数据,v表示垂直极化方向,|·|2表示模值的平方操作,Pd表示极化合成孔径雷达SAR数据的任意一个样本的第2个功率分量——二面角散射功率分量,fd表示极化合成孔径雷达SAR数据的二面角散射系数,α表示Rgh*Rvh与Rgv*Rvv的比值,Rgh表示竖直墙体的水平反射系数,Rvh表示地表的水平反射系数,Rgv表示竖直墙体的垂直反射系数,Rvv表示地表的垂直反射系数,Pv表示极化合成孔径雷达SAR数据的任意一个样本的第3个功率分量——体散射功率分量,fv表示极化合成孔径雷达SAR数据的体散射分量系数,Hp表示极化合成孔径雷达SAR数据样本的功率散射熵,Pt表示极化合成孔径雷达SAR数据的任意一个样本的第t个功率分量与其总功率的比值,t=1,2,3,Σ(·)表示求和操作,log3(·)表示以3为底进行对数操作;当Shh与内积的实部大于等于0时,α=-1,当Shh与内积的实部小于0时,β=1。
将采用克拉德-鲍狄埃Cloude-Pottier分解方法得到的四个特征分量和采用弗里曼-德登Freeman-Durden分解方法得到的四个特征分量按照如下格式排列,得到极化合成孔径雷达SAR数据中的任意一个样本的含有八个特征分量的特征向量1:
其中,H表示极化合成孔径雷达SAR数据样本的散射熵,表示极化合成孔径雷达SAR数据样本的平均极化散射角,A表示极化合成孔径雷达SAR数据样本的反熵参数,Ps表示极化合成孔径雷达SAR数据的任意一个样本的第1个功率分量——表面散射功率分量,Pd表示极化合成孔径雷达SAR数据的任意一个样本的第2个功率分量——二面角散射功率分量,Pv表示极化合成孔径雷达SAR数据的任意一个样本的第3个功率分量——体散射功率分量,Span表示极化合成孔径雷达SAR数据样本的总功率,Hp表示极化合成孔径雷达SAR数据样本的功率散射熵。
提取所有样本特征向量,提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集1。
对滤波后的极化合成孔径雷达SAR数据中的任意一个样本,采用特征提取方法2,得到含有九个特征分量的特征向量2。
特征向量2中的九个特征分量是通过极化合成孔径雷达SAR数据的极化协方差矩阵求得的,极化合成孔径雷达SAR数据的极化协方差矩阵的定义式如下:
其中,C表示极化合成孔径雷达SAR数据的极化协方差矩阵,Shh表示水平接收/水平发射的极化波的回波数据,h表示水平极化方向,|·|2表示模值的平方操作,<·>表示求平均值操作,Shv表示垂直接收/水平发射的极化波的回波数据,v表示垂直极化方向,*表示共轭操作,Svv表示垂直接收/垂直发射的极化波的回波数据。
已知极化合成孔径雷达SAR数据的极化协方差矩阵,按照下式,得到极化合成孔径雷达SAR数据中的任意一个样本的九个特征分量:
|HH|=<|Shh|2>
|HV|=<|Shv|2>
|VV|=<|Svv| 2>
|ρ(1,2)|=<ShhShv *>
|ρ(1,3)|=<ShhSvv *>
|ρ(2,3)|=<ShvSvv *>
其中,|HH|表示水平极化通道的散射分量模值,Shh表示水平接收/水平发射的极化波的回波数据,h表示水平极化方向,|·|2表示模值的平方操作,<·>表示求平均值操作,|HV|表示交叉极化通道的散射分量模值,Shv表示垂直接收/水平发射的极化波的回波数据,v表示垂直极化方向,*表示共轭操作,|VV|表示垂直极化通道的散射分量模值,Svv表示垂直接收/垂直发射的极化波的回波数据,|ρ(1,2)|表示水平/交叉极化通道的相关系数模值,|ρ(1,3)|表示水平/垂直极化通道的相关系数模值,|ρ(2,3)|表示交叉/垂直极化通道的相关系数模值,Ratio(HH/VV)表示水平/垂直极化通道的散射回波模值之比,Ratio(HV/HH)表示交叉/水平极化通道的散射回波模值之比,Ratio(HV/VV)表示交叉/垂直极化通道的散射回波模值之比。
将通过极化合成孔径雷达SAR数据的极化协方差矩阵得到的九个特征分量,按照如下格式排列,得到极化合成孔径雷达SAR数据中的任意一个样本的含有九个特征分量的特征向量2:
其中,|HH|表示水平极化通道的散射分量模值,|HV|表示交叉极化通道的散射分量模值,|VV|表示垂直极化通道的散射分量模值,|ρ(1,2)|表示水平/交叉极化通道的相关系数模值,|ρ(1,3)|表示水平/垂直极化通道的相关系数模值,|ρ(2,3)|表示交叉/垂直极化通道的相关系数模值,Ratio(HH/VV)表示水平/垂直极化通道的散射回波模值之比,Ratio(HV/HH)表示交叉/水平极化通道的散射回波模值之比,Ratio(HV/VV)表示交叉/垂直极化通道的散射回波模值之比。
提取所有样本特征向量,提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集2。
步骤4.对两个特征集聚类。
采用K均值聚类方法,分别对特征集1和特征集2进行聚类,得到与特征集1和特征集2对应的极化合成孔径雷达SAR数据的两个聚类结果。
K均值聚类方法的具体步骤如下:
第1步,将极化合成孔径雷达SAR数据所有样本的聚类数目设定为R,R等于极化合成孔径雷达SAR数据中地物的类别数;
第2步,在极化合成孔径雷达SAR数据的所有样本中,选取所有样本的前R个样本作为初始聚类中心:Z1(1),...,Zr(1),...,Zr(1),Zr(1)表示第r类样本集的初始聚类中心,r=1,2,...,R;
第3步,在第m次迭代时,计算极化合成孔径雷达SAR数据的任意一个样本X到R个聚类中心的欧式距离;将样本X放到欧式距离最小的聚类中心对应的样本集中;
第4步,判断是否将极化合成孔径雷达SAR数据所有样本均放到对应的样本集中,若是,则执行第5步,否则,执行第3步;
第5步,对R个样本子集,分别求样本集中所有样本的平均值,将该平均值作为样本集新的聚类中心;
第6步,判断Zr(m)是否等于Zr(m+1),Zr(m)表示第m次迭代时的第r类样本集的聚类中心,Zr(m+1)表示新的第r类样本集的聚类中心,若是,迭代终止,执行第7步;否则,将当前迭代次数加1,执行第3步;
第7步,得到极化合成孔径雷达SAR数据所有样本最终的聚类结果。
步骤5.比较聚类结果。
从特征提取的角度来说,两个不相关特征集提取的数据的有效信息是不同的,其表达数据的能力也不同,也就是说,两个不相关特征集的可分性是不同的。因此,如果一个样本在两个不相关特征集上的分类结果是相同的,则说明该样本是容易划分其所属类别的,即该样本是可分度高的样本;相反,如果一个样本在两个不相关特征集上的分类结果是不同的,则说明该样本不容易划分其所属类别,即该样本是可分度低的样本。这样,通过比较样本可分度的高低就可以将整个极化合成孔径雷达SAR数据样本集分成两个样本子集——可分度高的样本集和可分度低的样本集。
使用K均值聚类方法在特征集1和特征集2上进行聚类,得到对应于特征集1和特征集2的极化合成孔径雷达SAR数据的两个聚类结果,聚类后极化合成孔径雷达SAR数据样本的类标号表示聚类结果。
比较极化合成孔径雷达SAR数据的两个聚类结果中任意一个样本的两个聚类结果是否相同,就是比较该样本聚类后的两个类标号是否相同。如果一个样本聚类后的两个类标号相同,则该样本的两个聚类结果相同,将其放入可分度高的样本集中;如果一个样本聚类后的两个类标号不同,则该样本的两个聚类结果不同,将其放入可分度低的样本集中。
比较极化合成孔径雷达SAR数据每一个样本的两个聚类结果是否相同,完成所有样本的聚类结果的比较。
步骤6.迭代分类。
由于Wishart分类方法属于有监督分类方法,其训练样本集的好坏直接影响极化合成孔径雷达SAR数据的分类结果的好坏,所以,为有监督的Wishart分类方法找到高质量的训练样本集就非常重要。本发明采用比较多特征集上的聚类结果的策略,即通过步骤3~步骤5,无监督地找到极化合成孔径雷达SAR数据中可分度高的样本集,将其作为有监督的Wishart分类方法的训练样本集。
将可分度高的样本集作为训练样本集,使用Wishart分类方法,有监督地分类极化合成孔径雷达SAR数据的所有样本(包括可分度高的样本集和可分度低的样本集)的具体步骤如下:
第1步,按照下式,计算训练样本集的Q个分类中心的极化相干矩阵:
其中,表示训练样本集的第q类样本子集的分类中心的极化相干矩阵,q=1,2,...,Q,Q等于极化合成孔径雷达SAR数据中地物的类别数,表示训练样本集的第q类样本子集中样本的个数,Σ(·)表示求和操作,i表示训练样本集的第q类样本子集的第i个样本,i∈S(0)(q)表示训练样本集的第q类样本子集的第i个样本属于训练样本集的第q类样本子集,S(0)(q)表示训练样本集的第q类样本子集,表示训练样本集的第q类样本子集的第i个样本的极化相干矩阵;
第2步,按照下式,计算极化合成孔径雷达SAR数据的任意一个样本X到训练样本集的Q个分类中心的Wishart距离:
其中,dq(X)表示样本X到训练样本集的第q类样本子集的分类中心的Wishart距离,q=1,2,...,Q,Q等于极化合成孔径雷达SAR数据中地物的类别数,ln(·)表示求自然对数操作,表示训练样本集的第q类样本子集的分类中心的极化相干矩阵的行列式,Tr(·)表示求矩阵迹的操作,表示训练样本集的第q类样本子集的极化相干矩阵的逆矩阵,T表示样本X的极化相干矩阵;
第3步,将样本X放到Wishart距离最小的分类中心对应的样本子集中;
第4步,判断是否将极化合成孔径雷达SAR数据所有样本均放到对应的样本子集中,若是,则执行第5步,否则,执行第2步;
第5步,得到极化合成孔径雷达SAR数据的初始分类结果。
为了避免单次分类可能得到的大量错分结果,更好地分类极化合成孔径雷达SAR数据,往往使用Wishart分类方法迭代分类由Wishart分类方法有监督分类得到的极化合成孔径雷达SAR数据的初始分类结果,得到极化合成孔径雷达SAR数据的最终分类结果。此时,将由Wishart分类方法有监督分类得到的极化合成孔径雷达SAR数据的初始分类结果对应的样本集作为Wishart分类方法迭代分类时的初始训练样本集。另外,极化合成孔径雷达SAR数据的初始分类结果的好坏直接影响Wishart迭代分类时的收敛速度和极化合成孔径雷达SAR数据的最终分类结果的好坏,极化合成孔径雷达SAR数据的初始分类结果的好坏受有监督的Wishart分类方法的训练样本集好坏的直接影响,所以,这再次印证了为有监督的Wishart分类方法找到高质量的训练样本集的重要性。
使用Wishart分类方法,迭代分类极化合成孔径雷达SAR数据的初始分类结果的具体步骤如下:
第1步,设定最大迭代次数;
第2步,计算极化合成孔径雷达SAR数据所有样本的P个聚类中心的极化相干矩阵:
其中,表示第n次迭代时极化合成孔径雷达SAR数据所有样本的第p类样本子集的聚类中心的极化相干矩阵,p=1,2,...,P,P等于极化合成孔径雷达SAR数据中地物的类别数,n表示当前迭代次数,n=1,2,...,L,L表示所设定的最大迭代次数,np表示极化合成孔径雷达SAR数据所有样本的第p类样本子集中样本的个数,Σ(·)表示求和操作,j表示极化合成孔径雷达SAR数据所有样本的第p类样本子集的第j个样本,j∈S(p)表示极化合成孔径雷达SAR数据所有样本的第p类样本子集的第j个样本,属于极化合成孔径雷达SAR数据所有样本的第p类样本子集,S(p)表示极化合成孔径雷达SAR数据所有样本的第p类样本子集,Tj(p)表示极化合成孔径雷达SAR数据所有样本的第p类样本子集的第j个样本的极化相干矩阵;
第3步,按照下式,计算极化合成孔径雷达SAR数据的任意一个样本X到
极化合成孔径雷达SAR数据所有样本的P个聚类中心的Wishart距离:
其中,表示第n次迭代时样本X到极化合成孔径雷达SAR数据所有样本的第p类样本子集的Wishart距离,p=1,2,...,P,P等于极化合成孔径雷达SAR数据中地物的类别数,n表示当前迭代次数,n=1,2,...,L,L表示所设定的最大迭代次数,ln(·)表示自然对数操作,表示第n次迭代时极化合成孔径雷达SAR数据所有样本的第p类样本子集的聚类中心的极化相干矩阵的行列式,Tr(·)表示求矩阵迹的操作,表示第n次迭代时极化合成孔径雷达SAR数据所有样本的第p个聚类中心的极化相干矩阵的逆矩阵,T表示样本X的极化相干矩阵;
第4步,将样本X放到Wishart距离最小的聚类中心对应的样本子集中;
第5步,判断是否将极化合成孔径雷达SAR数据所有样本均放到对应的样本子集中,若是,则执行第6步,否则,执行第3步;
第6步,判断当前迭代次数是否等于最大迭代次数,若是,迭代终止,执行第7步;否则,将当前迭代次数加1,执行第2步;
第7步,得到极化合成孔径雷达SAR数据最终的分类结果。
步骤7.输出结果。
分类后极化合成孔径雷达SAR数据样本的类标号表示极化合成孔径雷达SAR数据最终的分类结果。用不同的颜色标识极化合成孔径雷达SAR数据的最终分类结果中的每一类样本是指,用蓝色表示类标号为1的样本,绿色表示类标号为2的样本,粉红色表示类标号为3的样本,红色表示类标号为4的样本,紫红色表示类标号为5的样本,得到极化合成孔径雷达SAR数据的分类结果彩图,输出极化合成孔径雷达SAR数据的分类结果彩图。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件:
仿真实验中,本发明和对比方法都是在主频2.10GHZ的AMDA8-5550MAPUwithRandeom(tm)HDGraphics、内存3.21GB的硬件环境和MATLABR2014b的软件环境下进行的。
2.仿真内容:
本发明与两种现有技术进行对比:分别提取极化合成孔径雷达SAR数据的两个特征集——特征集1和特征集2,在这两个特征集上分别进行K均值聚类,并将聚类结果对应的样本集直接作为Wishart分类方法的训练样本集,进行Wishart迭代分类,得到最终的聚类结果,将这两种现有技术分别称作“特征集1的分类”和“特征集2的分类”;将这种单一特征集、整体的数据分类方式与本发明使用的多特征集、分批次的数据分类方式进行对比。
图2为仿真中使用的原始极化合成孔径雷达SAR数据的PauliRGB合成图像,大小为501×981像素,它是RADARSAT-2系统获取的有关旧金山金门大桥的C波段数据中的子数据集。该数据集中包含海洋、植被(公园)、城镇1、城镇2和城镇3等五种主要地物。
图3为仿真中使用的极化合成孔径雷达SAR数据真实的地物标记图,它反映了部分地物真实的所属类别,黑色区域是没有标记的地物区域,其他区域分别对应着海洋、植被(公园)、城镇1、城镇2和城镇3等五种主要地物。
图4为仿真中本发明的两个特征集中各分量之间的相关系数图。横坐标表示特征集1的八个分量,纵坐标表示特征集2的九个分量与特征集1的各个分量之间的相关系数的绝对值。
图5为用本发明对极化合成孔径雷达SAR数据进行分类的最终分类结果图。
3.仿真效果分析:
图4为仿真中本发明的两个特征集中各分量之间的相关系数图。当相关系数的绝对值大于0.8时,认为两个特征分量之间具有强线性相关性,意味着这两个特征分量的可分性相当,将它们放在一起不会比单独使用一个特征分量的分类效果好太多。由图4可以看出,两个特征集的各分量之间的相关系数绝对值大部分都小于0.8,这说明两个特征集是不相关的,它们表达的极化信息不同,具有不同的可分性。因此,在极化合成孔径雷达SAR数据的分类过程中,相较于单独使用其中的任意一个特征集,同时使用两个特征集,可以为Wishart分类方法找到易划分的更高质量的训练样本集。
表1不同分类技术的分类正确率比较表
将本发明方法与现有的两种技术进行仿真实验对比,表1为仿真中使用不同技术对极化合成孔径雷达SAR数据进行分类时,得到的每一种地物的分类正确率和所有地物的平均分类正确率的分类正确率比较表。由表1可以看出,同一种方法对不同地物的分类能力不同,所有方法都对海洋区域的分类能力最强,而对城镇1的分类能力最差;不同方法对同一地物的分类能力也不相同,除海洋区域外,本发明方法的分类精度都比现有的两种技术方法要高,尤其是城镇3区域,本发明要比特征集1的分类正确率提高23.49%,比特征集2的分类正确率提高45.57%;而且就海洋区域而言,三种技术方法的分类效果基本一致。所以,就所有地物的平均分类正确率而言,本发明要比现有的两种技术高。由图5可以看出,使用本发明方法分类后的极化合成孔径雷达SAR数据的边缘保持和区域一致性也较好。
另外,从算法收敛速度上比较,本发明的算法收敛速度要远大于现有两种技术的算法收敛速度。训练样本集的好坏严重影响Wishart迭代分类的结果和算法收敛速度。现有技术在分类过程中一直使用整个极化合成孔径雷达SAR数据样本集,这使得Wishart分类方法的训练样本集中有许多错分样本,所以,现有技术需要多次迭代才能使算法收敛,仿真实验中,现有技术需要45次迭代才能收敛;本发明将整个极化合成孔径雷达SAR数据样本集分成两个样本子集——可分度高的样本集和可分度低的样本集,只使用可分度高的样本集作为Wishart分类方法的训练样本集,可分度高的样本集有较少错分样本,所以,算法收敛很快,仿真实验中,本发明只需要1~2次迭代即可收敛,使得本发明能够快速分类极化合成孔径雷达SAR数据。
Claims (8)
1.一种基于多特征集的极化SAR数据地物分类方法,包括如下步骤:
(1)输入数据:
输入一幅待分类的极化合成孔径雷达SAR数据;
(2)精致Lee滤波:
对待分类的极化合成孔径雷达SAR数据进行精致Lee滤波,得到滤波后的极化合成孔径雷达SAR数据;
(3)提取两个特征集:
(3a)对滤波后的极化合成孔径雷达SAR数据中的任意一个样本,采用特征提取方法1,得到含有八个特征分量的特征向量1;
(3b)重复执行步骤(3a),直至完成所有样本特征向量的提取,提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集1;
(3c)对滤波后的极化合成孔径雷达SAR数据中的任意一个样本,采用特征提取方法2,得到含有九个特征分量的特征向量2;
(3d)重复执行步骤(3c),直至完成所有样本特征向量的提取,提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集2;
(4)对两个特征集聚类:
采用K均值聚类方法,分别对特征集1和特征集2进行聚类,得到与特征集1和特征集2对应的极化合成孔径雷达SAR数据的两个聚类结果;
(5)比较聚类结果:
(5a)比较极化合成孔径雷达SAR数据的两个聚类结果中任意一个样本的两个聚类结果是否相同,将聚类结果相同的样本放入可分度高的样本集中,将聚类结果不同的样本放入可分度低的样本集中;
(5b)重复执行步骤(5a),直至完成所有样本的聚类结果的比较;
(6)迭代分类:
(6a)将可分度高的样本集作为训练样本集,使用Wishart分类方法,有监督地分类极化合成孔径雷达SAR数据的所有样本,得到极化合成孔径雷达SAR数据的初始分类结果;
(6b)使用Wishart分类方法,迭代分类极化合成孔径雷达SAR数据的初始分类结果,直到满足迭代终止条件,得到极化合成孔径雷达SAR数据的最终分类结果;
(7)输出结果:
用不同的颜色标识极化合成孔径雷达SAR数据的最终分类结果中的每一类样本,得到极化合成孔径雷达SAR数据的分类结果彩图,输出极化合成孔径雷达SAR数据的分类结果彩图。
2.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(2)所述的精致Lee滤波的具体步骤如下:
第1步,设定用于极化合成孔径雷达SAR数据的精致极化Lee滤波的滑动窗口,该滑动窗口是7×7像素块的子窗;
第2步,在输入的极化合成孔径雷达SAR数据上将滑动窗口,从左到右、从上到下滑动滑窗,每次滑窗时,将滑动窗口按照极化合成孔径雷达SAR数据中像素的空间位置,从左到右、从上到下依次分成9个子窗口,每个子窗口的大小是3×3像素,子窗口之间有重叠;
第3步,将9个子窗口对应位置的数据求均值,将所得到的均值构成3×3像素的均值窗口;
第4步,分别选择水平、垂直、45度和135度的四个方向的梯度模板,模板大小为3×3像素,将均值窗口分别与四个模板进行加权,对所得到的加权结果求绝对值,选出所有绝对值中的最大值,将该最大值对应的方向作为边缘方向;
第5步,取边缘方向的左右2个子窗口,分别对2个窗口内的所有样本求均值,用得到的两个均值分别减去中心窗口所有样本的均值,将均值差值中小的值所对应的子窗口作为方向窗口;
第6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)表示方向窗口内极化合成孔径雷达SAR数据总功率图的方差值,y表示方向窗口内极化合成孔径雷达SAR数据总功率图的像素,p表示方向窗口内极化合成孔径雷达SAR数据总功率图中所有像素的均值,表示输入的极化合成孔径雷达SAR数据相干斑噪声的方差值;
第7步,按照下式,计算滤波后极化合成孔径雷达SAR数据中心样本的协方差矩阵:
x=w+b(z-w)
其中,x表示滤波后极化合成孔径雷达SAR数据的中心样本的协方差矩阵,w表示方向窗口内极化合成孔径雷达SAR数据的样本的协方差矩阵的均值,b表示精致极化Lee滤波的权值,z表示滤波前极化合成孔径雷达SAR数据的中心样本的协方差矩阵。
3.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(3a)所述的特征提取方法1得到含有八个特征分量的特征向量1的具体步骤如下:
第1步,采用克拉德-鲍狄埃Cloude-Pottier分解方法,按照下式,得到极化合成孔径雷达SAR数据中的任意一个样本的四个特征分量
Span=λ1+λ2+λ3
其中,H表示极化合成孔径雷达SAR数据样本的散射熵,Pk表示极化合成孔径雷达SAR数据的极化相干矩阵的第k个特征值与所有特征值总和的比值,k=1,2,3,Σ(·)表示求和操作,log3(·)表示以3为底进行对数操作;A表示极化合成孔径雷达SAR数据样本的反熵参数,λ2表示极化合成孔径雷达SAR数据的极化相干矩阵的第二个特征值,λ3表示极化合成孔径雷达SAR数据的极化相干矩阵的第三个特征值;表示极化合成孔径雷达SAR数据样本的平均极化散射角,αi表示极化合成孔径雷达SAR数据的极化相干矩阵的第k个特征值对应的极化散射角,Span表示极化合成孔径雷达SAR数据样本的总功率的特征分量,λ1表示极化合成孔径雷达SAR数据的极化相干矩阵的第一个特征值;
第2步,采用弗里曼-德登Freeman-Durden分解方法,按照下式,得到极化合成孔径雷达SAR数据中的任意一个样本的四个特征分量Ps,Pd,Pv,Hp:
Ps=fs(1+|β|2)
Pd=fd(1+|α|2)
其中,Ps表示极化合成孔径雷达SAR数据的任意一个样本的第1个功率分量——表面散射功率分量,fs表示极化合成孔径雷达SAR数据的平面散射分量系数,β表示Shh与Svv的比值,Shh表示水平接收/水平发射的极化波的回波数据,h表示水平极化方向,Svv表示垂直接收/垂直发射的极化波的回波数据,v表示垂直极化方向,|·|2表示模值的平方操作,Pd表示极化合成孔径雷达SAR数据的任意一个样本的第2个功率分量——二面角散射功率分量,fd表示极化合成孔径雷达SAR数据的二面角散射系数,α表示Rgh*Rvh与Rgv*Rvv的比值,Rgh表示竖直墙体的水平反射系数,Rvh表示地表的水平反射系数,Rgv表示竖直墙体的垂直反射系数,Rvv表示地表的垂直反射系数,Pv表示极化合成孔径雷达SAR数据的任意一个样本的第3个功率分量——体散射功率分量,fv表示极化合成孔径雷达SAR数据的体散射分量系数,Hp表示极化合成孔径雷达SAR数据样本的功率散射熵,Pt表示极化合成孔径雷达SAR数据的任意一个样本的第t个功率分量与其总功率的比值,t=1,2,3,Σ(·)表示求和操作,log3(·)表示以3为底进行对数操作;
第3步,将第1步采用克拉德-鲍狄埃Cloude-Pottier分解方法得到的四个特征分量和第2步采用弗里曼-德登Freeman-Durden分解方法得到的四个特征分量按照如下格式排列,得到极化合成孔径雷达SAR数据中的任意一个样本的含有八个特征分量的特征向量1:
其中,H表示极化合成孔径雷达SAR数据样本的散射熵,表示极化合成孔径雷达SAR数据样本的平均极化散射角,A表示极化合成孔径雷达SAR数据样本的反熵参数,Ps表示极化合成孔径雷达SAR数据的任意一个样本的第1个功率分量——表面散射功率分量,Pd表示极化合成孔径雷达SAR数据的任意一个样本的第2个功率分量——二面角散射功率分量,Pv表示极化合成孔径雷达SAR数据的任意一个样本的第3个功率分量——体散射功率分量,Span表示极化合成孔径雷达SAR数据样本的总功率,Hp表示极化合成孔径雷达SAR数据样本的功率散射熵。
4.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(3c)所述的特征提取方法2得到含有九个特征分量的特征向量2的具体步骤如下:
第1步,按照下式,得到极化合成孔径雷达SAR数据中的任意一个样本的九个特征分量:
|HH|=<|Shh|2>
|HV|=<|Shv|2>
|VV|=<|Svv|2>
|ρ(1,2)|=<ShhShv *>
|ρ(1,3)|=<ShhSvv *>
|ρ(2,3)|=<ShvSvv *>
其中,|HH|表示水平极化通道的散射分量模值,Shh表示水平接收/水平发射的极化波的回波数据,h表示水平极化方向,|·|2表示模值的平方操作,<·>表示求平均值操作,|HV|表示交叉极化通道的散射分量模值,Shv表示垂直接收/水平发射的极化波的回波数据,v表示垂直极化方向,*表示共轭操作,|VV|表示垂直极化通道的散射分量模值,Svv表示垂直接收/垂直发射的极化波的回波数据,|ρ(1,2)|表示水平/交叉极化通道的相关系数模值,|ρ(1,3)|表示水平/垂直极化通道的相关系数模值,|ρ(2,3)|表示交叉/垂直极化通道的相关系数模值,Ratio(HH/VV)表示水平/垂直极化通道的散射回波模值之比,Ratio(HV/HH)表示交叉/水平极化通道的散射回波模值之比,Ratio(HV/VV)表示交叉/垂直极化通道的散射回波模值之比;
第2步,将第1步得到的九个特征分量,按照如下格式排列,得到极化合成孔径雷达SAR数据中的任意一个样本的含有九个特征分量的特征向量2:
其中,|HH|表示水平极化通道的散射分量模值,|HV|表示交叉极化通道的散射分量模值,|VV|表示垂直极化通道的散射分量模值,|ρ(1,2)|表示水平/交叉极化通道的相关系数模值,|ρ(1,3)|表示水平/垂直极化通道的相关系数模值,|ρ(2,3)|表示交叉/垂直极化通道的相关系数模值,Ratio(HH/VV)表示水平/垂直极化通道的散射回波模值之比,Ratio(HV/HH)表示交叉/水平极化通道的散射回波模值之比,Ratio(HV/VV)表示交叉/垂直极化通道的散射回波模值之比。
5.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(4)所述K均值聚类方法的具体步骤如下:
第1步,将极化合成孔径雷达SAR数据所有样本的聚类数目设定为R,R等于极化合成孔径雷达SAR数据中地物的类别数;
第2步,在极化合成孔径雷达SAR数据的所有样本中,选取所有样本的前R个样本作为初始聚类中心:Z1(1),...,Zr(1),...,Zr(1),Zr(1)表示第r类样本集的初始聚类中心,r=1,2,...,R;
第3步,在第m次迭代时,计算极化合成孔径雷达SAR数据的任意一个样本X到R个聚类中心的欧式距离;将样本X放到欧式距离最小的聚类中心对应的样本集中;
第4步,判断是否将极化合成孔径雷达SAR数据所有样本均放到对应的样本集中,若是,则执行第5步,否则,执行第3步;
第5步,对R个样本子集,分别求样本集中所有样本的平均值,将该平均值作为样本集新的聚类中心;
第6步,判断Zr(m)是否等于Zr(m+1),Zr(m)表示第m次迭代时的第r类样本集的聚类中心,Zr(m+1)表示新的第r类样本集的聚类中心,若是,迭代终止,执行第7步;否则,将当前迭代次数加1,执行第3步;
第7步,得到极化合成孔径雷达SAR数据所有样本最终的聚类结果。
6.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(6a)中所述使用Wishart分类方法,有监督地分类极化合成孔径雷达SAR数据的所有样本的具体步骤如下:
第1步,按照下式,计算训练样本集的Q个分类中心的极化相干矩阵:
其中,表示训练样本集的第q类样本子集的分类中心的极化相干矩阵,q=1,2,...,Q,Q等于极化合成孔径雷达SAR数据中地物的类别数,表示训练样本集的第q类样本子集中样本的个数,Σ(·)表示求和操作,i表示训练样本集的第q类样本子集的第i个样本,i∈S(0)(q)表示训练样本集的第q类样本子集的第i个样本属于训练样本集的第q类样本子集,S(0)(q)表示训练样本集的第q类样本子集,表示训练样本集的第q类样本子集的第i个样本的极化相干矩阵;
第2步,按照下式,计算极化合成孔径雷达SAR数据的任意一个样本X到训练样本集的Q个分类中心的Wishart距离:
其中,dq(X)表示样本X到训练样本集的第q类样本子集的分类中心的Wishart距离,q=1,2,...,Q,Q等于极化合成孔径雷达SAR数据中地物的类别数,ln(·)表示求自然对数操作,表示训练样本集的第q类样本子集的分类中心的极化相干矩阵的行列式,Tr(·)表示求矩阵迹的操作,表示训练样本集的第q类样本子集的极化相干矩阵的逆矩阵,T表示样本X的极化相干矩阵;
第3步,将样本X放到Wishart距离最小的分类中心对应的样本子集中;
第4步,判断是否将极化合成孔径雷达SAR数据所有样本均放到对应的样本子集中,若是,则执行第5步,否则,执行第2步;
第5步,得到极化合成孔径雷达SAR数据的初始分类结果。
7.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(6a)中所述极化合成孔径雷达SAR数据的所有样本是指,可分度高的样本集的所有样本和可分度低的样本集的所有样本。
8.根据权利要求1所述的基于多特征集的极化SAR数据地物分类方法,其特征在于:步骤(6b)所述使用Wishart分类方法,迭代分类极化合成孔径雷达SAR数据的初始分类结果的具体步骤如下:
第1步,设定最大迭代次数;
第2步,按照下式,计算极化合成孔径雷达SAR数据所有样本的P个聚类中心的极化相干矩阵:
其中,表示第n次迭代时极化合成孔径雷达SAR数据所有样本的第p类样本子集的聚类中心的极化相干矩阵,p=1,2,...,P,P等于极化合成孔径雷达SAR数据中地物的类别数,n表示当前迭代次数,n=1,2,...,L,L表示所设定的最大迭代次数,np表示极化合成孔径雷达SAR数据所有样本的第p类样本子集中样本的个数,Σ(·)表示求和操作,j表示极化合成孔径雷达SAR数据所有样本的第p类样本子集的第j个样本,j∈S(p)表示极化合成孔径雷达SAR数据所有样本的第p类样本子集的第j个样本,属于极化合成孔径雷达SAR数据所有样本的第p类样本子集,S(p)表示极化合成孔径雷达SAR数据所有样本的第p类样本子集,Tj(p)表示极化合成孔径雷达SAR数据所有样本的第p类样本子集的第j个样本的极化相干矩阵;
第3步,按照下式,计算极化合成孔径雷达SAR数据的任意一个样本X到极化合成孔径雷达SAR数据所有样本的P个聚类中心的Wishart距离:
其中,表示第n次迭代时样本X到极化合成孔径雷达SAR数据所有样本的第p类样本子集的Wishart距离,p=1,2,...,P,P等于极化合成孔径雷达SAR数据中地物的类别数,n表示当前迭代次数,n=1,2,...,L,L表示所设定的最大迭代次数,ln(·)表示自然对数操作,表示第n次迭代时极化合成孔径雷达SAR数据所有样本的第p类样本子集的聚类中心的极化相干矩阵的行列式,Tr(·)表示求矩阵迹的操作,表示第n次迭代时极化合成孔径雷达SAR数据所有样本的第p个聚类中心的极化相干矩阵的逆矩阵,T表示样本X的极化相干矩阵;
第4步,将样本X放到Wishart距离最小的聚类中心对应的样本子集中;
第5步,判断是否将极化合成孔径雷达SAR数据所有样本均放到对应的样本子集中,若是,则执行第6步,否则,执行第3步;
第6步,判断当前迭代次数是否等于最大迭代次数,若是,迭代终止,执行第7步;否则,将当前迭代次数加1,执行第2步;
第7步,得到极化合成孔径雷达SAR数据最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510505194.5A CN105160353B (zh) | 2015-08-18 | 2015-08-18 | 基于多特征集的极化sar数据地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510505194.5A CN105160353B (zh) | 2015-08-18 | 2015-08-18 | 基于多特征集的极化sar数据地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160353A true CN105160353A (zh) | 2015-12-16 |
CN105160353B CN105160353B (zh) | 2018-07-17 |
Family
ID=54801205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510505194.5A Active CN105160353B (zh) | 2015-08-18 | 2015-08-18 | 基于多特征集的极化sar数据地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160353B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529385A (zh) * | 2016-08-12 | 2017-03-22 | 上海卫星工程研究所 | 基于相干谱参数的极化干涉sar图像非监督分类方法 |
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 |
CN107203791A (zh) * | 2017-06-30 | 2017-09-26 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
CN107632291A (zh) * | 2017-08-18 | 2018-01-26 | 上海无线电设备研究所 | 一种基于极化雷达抗角反射器干扰的方法 |
CN109214440A (zh) * | 2018-08-23 | 2019-01-15 | 华北电力大学(保定) | 一种基于聚类算法的多特征数据分类识别方法 |
CN110647943A (zh) * | 2019-09-26 | 2020-01-03 | 西北工业大学 | 基于演化数据聚类分析的切削刀具磨损监测方法 |
CN112950492A (zh) * | 2021-01-28 | 2021-06-11 | 中国石油大学(华东) | 基于自适应各向异性扩散的全极化sar图像去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
CN104463193A (zh) * | 2014-11-04 | 2015-03-25 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
-
2015
- 2015-08-18 CN CN201510505194.5A patent/CN105160353B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
CN104463193A (zh) * | 2014-11-04 | 2015-03-25 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
CN104504393A (zh) * | 2014-12-04 | 2015-04-08 | 西安电子科技大学 | 基于集成学习的极化sar图像半监督分类方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529385A (zh) * | 2016-08-12 | 2017-03-22 | 上海卫星工程研究所 | 基于相干谱参数的极化干涉sar图像非监督分类方法 |
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 |
CN107203791A (zh) * | 2017-06-30 | 2017-09-26 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
CN107203791B (zh) * | 2017-06-30 | 2019-12-31 | 西安电子科技大学 | 基于异极化比和散射功率熵的极化sar图像分类方法 |
CN107632291A (zh) * | 2017-08-18 | 2018-01-26 | 上海无线电设备研究所 | 一种基于极化雷达抗角反射器干扰的方法 |
CN109214440A (zh) * | 2018-08-23 | 2019-01-15 | 华北电力大学(保定) | 一种基于聚类算法的多特征数据分类识别方法 |
CN110647943A (zh) * | 2019-09-26 | 2020-01-03 | 西北工业大学 | 基于演化数据聚类分析的切削刀具磨损监测方法 |
CN112950492A (zh) * | 2021-01-28 | 2021-06-11 | 中国石油大学(华东) | 基于自适应各向异性扩散的全极化sar图像去噪方法 |
CN112950492B (zh) * | 2021-01-28 | 2022-04-29 | 中国石油大学(华东) | 基于自适应各向异性扩散的全极化sar图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105160353B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN108446716B (zh) | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 | |
CN103886336B (zh) | 基于稀疏自动编码器的极化sar图像分类方法 | |
CN103824084B (zh) | 基于sdit和svm的极化sar图像分类方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN107527023B (zh) | 基于超像素和主题模型的极化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 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN104156728B (zh) | 一种基于栈式编码和softmax的极化SAR图像分类方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN105894013B (zh) | 基于cnn和smm的极化sar图像分类方法 | |
CN105894018B (zh) | 基于深度多示例学习的极化sar图像分类方法 | |
CN104751183B (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN103365985A (zh) | 一种类别自适应的极化sar分类方法 | |
CN103870842B (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN103218623B (zh) | 基于自适应近邻保持鉴别投影的雷达目标特征提取方法 | |
CN106446935A (zh) | 基于核稀疏表示和空间约束的极化sar图像分类方法 | |
Wang et al. | Application of mixture regression for improved polarimetric SAR speckle filtering | |
CN104123563B (zh) | 一种基于Cloude分解的极化SAR图像分类方法 | |
CN106096651A (zh) | 基于超像素和度量学习的极化sar地物分类方法 |
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 |