CN105608465A - 全极化sar海岸线地物分类方法 - Google Patents
全极化sar海岸线地物分类方法 Download PDFInfo
- Publication number
- CN105608465A CN105608465A CN201510938224.1A CN201510938224A CN105608465A CN 105608465 A CN105608465 A CN 105608465A CN 201510938224 A CN201510938224 A CN 201510938224A CN 105608465 A CN105608465 A CN 105608465A
- Authority
- CN
- China
- Prior art keywords
- channel
- representing
- polarization
- matrix
- dictionary
- 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 32
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000010287 polarization Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000001427 coherent effect Effects 0.000 claims description 9
- 239000003513 alkali Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 1
- 239000000843 powder Substances 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005571 horizontal transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000005570 vertical transmission Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种全极化SAR海岸线地物分类方法,主要解决现有技术对弱散射地物分类正确率低,易错分的问题。其实现步骤为:1.获取SAR图像三个通道上的纹理特征;2.在三个通道的纹理特征上求其对应的稀疏系数矩阵A1,A2,A3;3.提取SAR的极化特征;4.构造系数矩阵集合P=[A1’,A2’,A3’,A4’];5.利用支撑向量机对P中的测试样本进行初始分类;6.对初始分类结果进行优化,得到最终的SAR海岸线地物分类结果。本发明对全极化SAR海岸线地物的分类正确率高,并能完整的保留特定目标中具体地物的细节特征,可用于全极化合成孔径雷达SAR图像分类和目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种全极化合成孔径雷达SAR海岸线地物分类方法,可应用于目标识别。
背景技术
高分辨率全极化合成孔径雷达作为微波遥感技术的代表,它包含了目标更加丰富的后向散射信息,是SAR领域的必然发展趋势,但是,仅仅用极化特征已经不能完全有效地表示图像中的复杂场景了。全极化SAR图像的理解与解译涉及到机器学习、模式识别、信号处理、模糊逻辑等众多学科,隶属于图像处理的范畴。极化SAR图像分类技术在已经在国防和民用领域得到广泛的应用。
现有技术中的极化SAR图像分类技术的分类特征主要是从极化散射矩阵S、极化相干矩阵T和极化协方差矩阵C中提取的,主要包括极化相干矩阵的特征值和特征向量,图像中目标的散射功率及散射熵等。通过这些分类特征实现极化SAR图像中不同目标的分类,例如:
上海交通大学在其申请的专利“一种具有空间自适应性的极化SAR图像分割方法”(专利申请号:201210111531.9,公开号:CN102722883A)中提出了一种具有空间自适应性的极化SAR图像分割方法。该方法主要解决现有的分割技术在空间复杂度自适应性上的不足导致分割结果无法体现图像细节信息的问题。该方法首先结合H/α-MLWishart聚类和四叉树分解得到大小不等、能够自适应场景复杂度的初始分割区域,然后利用复Wishart分布和马尔科夫随机场MRF对初始分割区域的大小和形状进行调整,得到最终的分割结果。该方法能充分有效利用极化SAR图像的极化信息,具有良好的空间自适应性,分割结果能够很好的保留极化SAR图像中的细节信息,分割速度较快,结果较为精确。但是,该方法仍然存在的不足之处是:该方法只提取了全极化合成孔径雷达SAR图像的一个通道的信息,并没有涉及三个通道间的信息,必然造成分类信息的丢失和分类结果的不准确,且在马尔科夫随机场MRF算法中应用了极大似然估计方法,增加了计算复杂度,使获得结果的时间变长。
首都师范大学在其申请的专利“极化SAR图像分类方法”(专利申请号::201310685303.7,公开号:CN103617427A)中提出了一种基于决策树分类模型的分类方法。该方法提出的一种极化SAR图像分类方法包括:提取极化SAR图像的特征:散射熵H、反熵A和散射角α,将所得到的特征集合(H,A,α)作为第一特征集;将所述极化SAR图像分解为两个子孔径图像后,分别提取所述两个子孔径图像的特征:散射熵H、反熵A和散射角α,从而得到两个子特征集(H1,A1,α1)、(H2,A2,α2);将所述两个子特征集中的各相应特征的值相减,得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集;将所述第一特征集和所述第二特征集输入到决策树分类模型中,得到所述极化SAR图像的分类结果。该方法虽然可以提高分类结果的精度。但是,该方法仍然存在的不足之处是,由于分解图像时子孔径的个数与地面空间分辨率成反比,导致地面空间分辨率却由于子孔径的个数增加而降低,使最终的分类精度受限。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种全极化SAR海岸线地物分类方法,以充分利用全极化合成孔径雷达SAR图像三个通道之间的相关性和相似性,并且结合全极化SAR的极化特征,提高分类目标的正确性。
实现本发明目的的技术方案如下:
(1)利用polSARpro_v4.0软件获取SAR图像上水平发射水平接收HH通道、水平发射垂直接收HV通道和垂直发射垂直接收VV通道的灰度图像,并通过小波分解得到这三个通道上图像的纹理特征;
(2)利用极化相干矩阵T得到全极化SAR图像的极化特征,该极化特征包括散射熵H、各向异性系数A、散射角α和三个特征值;
(3)在三个通道上分别选取水库坑塘、盐碱地和海涂这三类地物样本的纹理特征构造三个通道的字典,即HH通道字典D1、HV通道字典D2、VV通道字典D3,采用正交匹配追踪OMP算法,得到这三个字典对应的稀疏系数矩阵A1,A2,A3;
(4)利用极化特征,选取三类地物样本构造极化字典D4,采用正交匹配追踪OMP算法,得到极化字典D4对应的稀疏系数矩阵A4,构造系数矩阵集合:P=[A1’,A2’,A3’,A4’];
(5)从系数矩阵集合P中选取部分三类地物样本作为支撑向量机SVM分类器的训练样本,并将其它未选取的三类地物样本作为测试样本,通过SVM分类器对测试样本进行分类,得到初始分类结果;
(6)利用复威沙特Wsihart迭代算法,对初始分类结果进行优化处理,得到最终分类结果;
本发明与现有技术相比,具有以下优点:
1)分类更加准确
由于本发明利用水平发射水平接收HH通道、水平发射垂直接收HV通道和垂直发射垂直接收VV通道图像的纹理特征,挖掘了全极化合成孔径雷达SAR图像三个通道之间的关系,包含的全极化合成孔径雷达SAR图像信息更加丰富,使得采用本发明方法分类时,分类更加准确。
2)能够对海岸线弱散射地物正确地分类
本发明由于充分利用了图像的纹理特征和全极化SAR的极化特征进行分类,不仅提高了对海岸线弱散射地物分类的正确性,而且能够保留地物的细节信息。
附图说明
图1是本发明的实现流程图;
图2是全极化SAR在HH通道、HV通道、VV通道上的灰度图像;
图3是用本发明对图2的仿真结果图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细描述。
参照图1,本发明的实现步骤如下:
步骤1.提取三个通道上图像的纹理特征。
利用polSARpro_v4.0软件获取SAR图像上水平发射水平接收HH通道、水平发射垂直接收HV通道和垂直发射垂直接收VV通道的灰度图像,并利用一层db3小波函数进行分解,得到低频部分分解系数,垂直方向分解系数,水平方向分解系数,对角线方向分解系数,并将这些系数作为这三个通道上图像的纹理特征。
步骤2.提取全极化SAR图像的极化特征。
本实例是利用极化相干矩阵T得到全极化SAR图像的极化特征,该极化特征包括散射熵H、各向异性系数A、散射角α和三个特征值,其提取步骤如下:
(2a)对极化相干矩阵T进行分解,得到三个特征值,分解公式如下:
其中,H表示共轭转置;λ1、λ2、λ3表示极化相干矩阵T的三个特征值,e1表示第一特征值λ1对应的特征向量,e2表示第二特征值λ2对应的特征向量,e3表示第三特征值λ3对应的特征向量,每一个特征值对应的特征向量如下所示:
式中αi表示目标的第i个散射角,其取值范围为[0,90°];βi表示目标的第i个方位角,其取值范围为[-180°,180°];表示目标的HH通道与VV通道相位角之和;δ表示目标的2倍VV通道相位角;γ表示目标的HH通道与VV通道相位角之和与HV通道相位角之差;
(2b)根据三个特征值λ1、λ2、λ3得到如下极化特征:
平均散射角:α=p1α1+p2α2+p3α3
散射熵:H=p1log3(p1)+p2log3(p2)+p3log3(p3)
各向异性系数:
式中α1是目标的第1个散射角,α2是目标的第2个散射角,α3是目标的第3个散射角;是第一特征值与三个特征值和的比值,是第二特征值与三个特征值和的比值,是第三特征值与三个特征值和的比值。
步骤3.利用OMP算法求三个通道字典对应的稀疏系数矩阵。
在三个通道上分别选取水库坑塘、盐碱地和海涂这三类地物样本的纹理特征构造三个通道的字典,即HH通道字典D1、HV通道字典D2、VV通道字典D3,采用正交匹配追踪OMP算法,得到这三个字典对应的稀疏系数矩阵A1,A2,A3,其步骤如下:
(3a)求HH通道字典D1对应的稀疏系数矩阵A1,公式如下:
其中,T表示转置,min表示取最小值操作,‖·‖0表示取0范数操作,D1由HH通道三类地物样本的纹理特征构成,表示第k类地物的HH通道字典原子;A1是HH通道稀疏系数矩阵,表示第k类地物对应的HH通道稀疏系数,k=1,2,3;X1由HH通道图像的纹理特征构成。
(3b)求HV通道字典D2对应的稀疏系数矩阵A2,公式如下:
其中,D2由HV通道三类地物样本的纹理特征构成,表示第k类地物的HV通道字典原子;A2是HV通道稀疏系数矩阵,表示第k类地物对应的HV通道稀疏系数,k=1,2,3;X2由HV通道图像的纹理特征构成。
(3c)求VV通道字典D3对应的稀疏系数矩阵A3,公式如下:
其中,D3由VV通道三类地物样本的纹理特征构成,表示第k类地物的VV通道字典原子;A3是VV通道稀疏系数矩阵,表示第k类地物对应的VV通道稀疏系数,k=1,2,3;X3由VV通道图像的纹理特征构成。
步骤4.利用OMP算法求极化字典对应的稀疏系数矩阵A4。
利用极化特征,选取三类地物样本构造极化字典D4,采用正交匹配追踪OMP算法,得到极化字典D4对应的稀疏系数矩阵A4,其步骤如下:
(4a)求极化字典D4对应的稀疏系数矩阵A4,公式如下:
其中,min表示取最小值操作,‖·‖0表示取0范数操作,D4由三类地物样本的极化特征构成,表示第k类地物的极化字典原子;A4是极化稀疏系数矩阵,表示第k类地物对应的极化稀疏系数,k=1,2,3;X4由图像的极化特征构成。
根据步骤3得到的HH通道字典D1对应的稀疏系数矩阵A1,HV通道字典D2对应的稀疏系数矩阵A2,VV通道字典D3对应的稀疏系数矩阵A3和步骤4得到的极化字典对应的稀疏系数矩阵A4,构造系数矩阵集合:P=[A1’,A2’,A3’,A4’]。其中,A1’为A1的转置矩阵,A2’为A2的转置矩阵,A3’为A3的转置矩阵,A4’为A4的转置矩阵。
步骤5.利用支撑向量机SVM对测试样本分类。
从系数矩阵集合P中选取部分三类地物样本作为支撑向量机SVM分类器的训练样本,并将其它未选取的三类地物样本作为测试样本,通过SVM分类器对测试样本进行分类,得到初始分类结果。
步骤6.利用复威沙特Wishart迭代算法,对初始分类结果进行优化处理。
(6a)设定初始迭代次数:n=1;
(6b)利用下式,求解三类地物目标中每一类特定目标的迭代中心:
其中,Vi表示三类特定目标中第i类特定目标的迭代中心,Ni表示属于三类特定目标中第i类特定目标的像素点个数,Ti表示三类特定目标中第i类特定目标中像素点的相干矩阵,i表示三类特定目标中的一类特定目标,i=1,2,3;
(6c)按照下式,计算每个像素点到三类特定目标中第i类特定目标的迭代中心的距离:
d(<T>,Vi)=ln[Vi]+Tr(Vi -1<T>),
其中,d(<T>,Vi)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离,T表示每个像素点的相干矩阵,<·>表示取极化合成孔径雷达SAR图像视数平均的操作,Vi表示三类特定目标中第i类特定目标的迭代中心,[·]表示取矩阵行列式操作,ln表示取自然对数操作,Vi -1表示对矩阵Vi求逆的操作,Tr表示取矩阵的迹的操作;
(6d)比较每个像素点到三类特定目标中第i类特定目标的迭代中心的距离,根据距离的大小划分每个像素点的类别:
如果满足d(<T>,Vi)≤d(<T>,Vj),i≠j,i=1,2,3j=1,2,3,则将该像素点划分到三类特定目标中第i类特定目标;
否则,将该像素点划分到三类特定目标中第j类特定目标,其中,d(<T>,Vi)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离,d(<T>,Vj)表示每个像素点到三类特定目标中第j类特定目标的迭代中心的距离,T表示像素点的极化相干矩阵,Vi表示三类特定目标中第i类特定目标的迭代中心,Vj表示三类特定目标中第j类特定目标的迭代中心;
(6e)令n=n+1进行下一次迭代,判断迭代次数n是否等于3,若是,输出最终分类结果,否则返回步骤(6b)。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件
本发明的仿真在windows7旗舰版,CPU基本频率为2GHZ,利用polSARpro_v4.0软件获取SAR水平发射水平接收HH通道、水平发射垂直接收HV通道和垂直发射垂直接收VV通道的灰度图像,如图2,其中图2(a)为水平发射水平接收HH通道的灰度图像;图2(b)为水平发射垂直接收HV通道的灰度图像;图2(c)为垂直发射垂直接收VV通道的灰度图像,在软件平台Matlab2014a下运行程序。
2.仿真内容
首先,在图2(a)、图2(b)、图2(c)上分别选取水库坑塘、盐碱地和海涂这三类地物样本的纹理特征构造三个通道的字典,即HH通道字典D1、HV通道字典D2、VV通道字典D3,采用正交匹配追踪OMP算法,得到这三个字典对应的稀疏系数矩阵A1,A2,A3;
然后,根据T矩阵提取极化特征,选取三类地物样本的极化特征构造极化字典D4,采用正交匹配追踪OMP算法,得到极化字典D4对应的稀疏系数矩阵A4,构造系数矩阵集合:P=[A1’,A2’,A3’,A4’],其中,A1’为A1的转置矩阵,A2’为A2的转置矩阵,A3’为A3的转置矩阵,A4’为A4的转置矩阵。
接着,从系数矩阵集合P中选取部分三类地物样本作为支撑向量机SVM分类器的训练样本,并将其它未选取的三类地物样本作为测试样本,通过SVM分类器对测试样本进行分类,得到初始分类结果;
最后,利用复威沙特Wishart迭代算法,对初始分类结果进行优化处理,得到最终的分类结果,如图3所示,图3中包括有海涂、盐碱地、水库坑塘三类弱散射地物,其中1代表水库坑塘,2代表盐碱地,3代表海涂。
3.仿真效果分析
由图3可见,本发明方法能够对全极化SAR海岸线地物:海涂、盐碱地、水库坑塘这三类弱散射物实现有效的分类,并且可以完整保留这三类地物具体的细节特征,如图3左边第1类水库坑塘的纹理细节保持的很完整。
Claims (6)
1.全极化SAR海岸线地物分类方法,包括:
(1)利用polSARpro_v4.0软件获取SAR图像上水平发射水平接收HH通道、水平发射垂直接收HV通道和垂直发射垂直接收VV通道的灰度图像,并通过小波分解得到这三个通道上图像的纹理特征;
(2)利用极化相干矩阵T得到全极化SAR图像的极化特征,该极化特征包括散射熵H、各向异性系数A、散射角α和三个特征值;
(3)在三个通道上分别选取水库坑塘、盐碱地和海涂这三类地物样本的纹理特征构造三个通道的字典,即HH通道字典D1、HV通道字典D2、VV通道字典D3,采用正交匹配追踪OMP算法,得到这三个字典对应的稀疏系数矩阵A1,A2,A3;
(4)利用极化特征,选取三类地物样本构造极化字典D4,采用正交匹配追踪OMP算法,得到极化字典D4对应的稀疏系数矩阵A4,构造系数矩阵集合:P=[A1’,A2’,A3’,A4’];
(5)从系数矩阵集合P中选取部分三类地物样本作为支撑向量机SVM分类器的训练样本,并将其它未选取的三类地物样本作为测试样本,通过SVM分类器对测试样本进行分类,得到初始分类结果;
(6)利用复威沙特Wsihart迭代算法,对初始分类结果进行优化处理,得到最终分类结果。
2.根据权利要求1所述的全极化SAR海岸线地物分类方法,步骤(1)中通过小波分解得到这三个通道上图像的纹理特征,是利用一层db3小波函数进行分解,得到低频部分分解系数,垂直方向分解系数,水平方向分解系数,对角线方向分解系数,并将其作为图像的纹理特征。
3.根据权利要求1所述的全极化SAR海岸线地物分类方法,步骤(2)中利用极化相干矩阵T得到全极化SAR图像的极化特征,按如下步骤进行:
(2a)对极化相干矩阵T进行分解,得到三个特征值,分解公式如下:
其中,H表示共轭转置;λ1、λ2、λ3表示极化相干矩阵T的三个特征值,e1表示第一特征值λ1对应的特征向量,e2表示第二特征值λ2对应的特征向量,e3表示第三特征值λ3对应的特征向量,每一个特征值对应的特征向量如下所示:
式中αi表示目标的第i个散射角,其取值范围为[0,90°];βi表示目标的第i个方位角,其取值范围为[-180°,180°];表示目标的HH通道与VV通道相位角之和;δ表示目标的2倍VV通道相位角;γ表示目标的HH通道与VV通道相位角之和与HV通道相位角之差;
(2b)根据三个特征值λ1、λ2、λ3得到如下极化特征:
平均散射角:α=p1α1+p2α2+p3α3
散射熵:H=p1log3(p1)+p2log3(p2)+p3log3(p3)
各向异性系数:
式中α1是目标的第1个散射角,α2是目标的第2个散射角,α3是目标的第3个散射角;是第一特征值与三个特征值和的比值,是第二特征值与三个特征值和的比值,是第三特征值与三个特征值和的比值。
4.根据权利要求1所述的全极化SAR海岸线地物分类方法,步骤(3)中采用正交匹配追踪OMP算法,得到三个字典对应的稀疏系数矩阵A1,A2,A3,按如下步骤进行:
(3a)求HH通道字典D1对应的稀疏系数矩阵A1,公式如下:
其中,T表示转置,min表示取最小值操作,||·||0表示取0范数操作,D1由HH通道三类地物样本的纹理特征构成,表示第k类地物的HH通道字典原子;A1是HH通道稀疏系数矩阵,表示第k类地物对应的HH通道稀疏系数,k=1,2,3;X1由HH通道图像的纹理特征构成。
(3b)求HV通道字典D2对应的稀疏系数矩阵A2,公式如下:
其中,D2由HV通道三类地物样本的纹理特征构成,表示第k类地物的HV通道字典原子;A2是HV通道稀疏系数矩阵,表示第k类地物对应的HV通道稀疏系数,k=1,2,3;X2由HV通道图像的纹理特征构成。
(3c)求VV通道字典D3对应的稀疏系数矩阵A3,公式如下:
其中,D3由VV通道三类地物样本的纹理特征构成,表示第k类地物的VV通道字典原子;A3是VV通道稀疏系数矩阵,表示第k类地物对应的VV通道稀疏系数,k=1,2,3;X3由VV通道图像的纹理特征构成。
5.根据权利要求1所述的全极化SAR海岸线地物分类方法,步骤(4)采用正交匹配追踪OMP算法,得到极化字典D4对应的稀疏系数矩阵A4,按如下步骤进行:
(4a)求极化字典D4对应的稀疏系数矩阵A4,公式如下:
其中,min表示取最小值操作,||·||0表示取0范数操作,D4由三类地物样本的极化特征构成,表示第k类地物的极化字典原子;A4是极化稀疏系数矩阵,表示第k类地物对应的极化稀疏系数,k=1,2,3;X4由图像的极化特征构成。
6.根据权利要求1所述的全极化SAR海岸线地物分类方法,步骤(6)中所述的复威沙特Wishart迭代算法,对初始分类结果进行优化处理,步骤如下:
(6a)设定初始迭代次数:n=1。
(6b)利用下式,求解三类地物目标中每一类特定目标的迭代中心:
其中,Vi表示三类特定目标中第i类特定目标的迭代中心,Ni表示属于三类特定目标中第i类特定目标的像素点个数,Ti表示三类特定目标中第i类特定目标中像素点的相干矩阵,i表示三类特定目标中的一类特定目标,i=1,2,3;
(6c)按照下式,计算每个像素点到三类特定目标中第i类特定目标的迭代中心的距离:
d(<T>,Vi)=ln[Vi]+Tr(Vi -1<T>);
其中,d(<T>,Vi)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离,T表示每个像素点的相干矩阵,<·>表示取极化合成孔径雷达SAR图像视数平均的操作,Vi表示三类特定目标中第i类特定目标的迭代中心,i表示三类特定目标中的一类特定目标,[·]表示取矩阵行列式操作,ln表示取自然对数操作,Vi -1表示对矩阵Vi求逆的操作,Tr表示取矩阵的迹的操作;
(6d)比较每个像素点到三类特定目标中第i类特定目标的迭代中心的距离,根据距离的大小划分每个像素点的类别:
如果满足d(<T>,Vi)≤d(<T>,Vj),i≠j,i=1,2,3j=1,2,3,则将该像素点划分到三类特定目标中第i类特定目标;
否则,将该像素点划分到三类特定目标中第j类特定目标,其中,d(<T>,Vi)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离,d(<T>,Vj)表示每个像素点到三类特定目标中第j类特定目标的迭代中心的距离,T表示像素点的极化相干矩阵,Vi表示三类特定目标中第i类特定目标的迭代中心,Vj表示三类特定目标中第j类特定目标的迭代中心;
(6e)令n=n+1进行下一次迭代,判断迭代次数n是否等于3,若是,输出最终分类结果,否则返回步骤(6b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938224.1A CN105608465B (zh) | 2015-12-15 | 2015-12-15 | 全极化sar海岸线地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938224.1A CN105608465B (zh) | 2015-12-15 | 2015-12-15 | 全极化sar海岸线地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608465A true CN105608465A (zh) | 2016-05-25 |
CN105608465B CN105608465B (zh) | 2019-04-23 |
Family
ID=55988389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510938224.1A Active CN105608465B (zh) | 2015-12-15 | 2015-12-15 | 全极化sar海岸线地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608465B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249233A (zh) * | 2016-09-21 | 2016-12-21 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
CN106772371A (zh) * | 2016-11-21 | 2017-05-31 | 上海卫星工程研究所 | 基于极化干涉sar分类应用的极化定标参数需求分析方法 |
CN107133649A (zh) * | 2017-05-09 | 2017-09-05 | 西安电子科技大学 | 基于点‑域距离的增量式极化sar地物分类方法 |
CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
CN108154192A (zh) * | 2018-01-12 | 2018-06-12 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
CN108280466A (zh) * | 2018-01-12 | 2018-07-13 | 西安电子科技大学 | 基于加权核范数最小化的极化sar特征分类方法 |
CN109389052A (zh) * | 2018-09-20 | 2019-02-26 | 河海大学 | 基于聚类算法的全极化sar图像城市识别提取方法 |
CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
CN110781822A (zh) * | 2019-10-25 | 2020-02-11 | 重庆大学 | 基于自适应多方位角字典对学习的sar图像目标识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104408472A (zh) * | 2014-12-05 | 2015-03-11 | 西安电子科技大学 | 基于Wishart和SVM的极化SAR图像分类方法 |
CN104751184A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于强度统计稀疏的全极化sar图像分类方法 |
-
2015
- 2015-12-15 CN CN201510938224.1A patent/CN105608465B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104408472A (zh) * | 2014-12-05 | 2015-03-11 | 西安电子科技大学 | 基于Wishart和SVM的极化SAR图像分类方法 |
CN104751184A (zh) * | 2015-04-08 | 2015-07-01 | 西安电子科技大学 | 基于强度统计稀疏的全极化sar图像分类方法 |
Non-Patent Citations (3)
Title |
---|
LAMEI ZHANG,LIANGJIE SUN: "Fully Polarimetric SAR Image Classification via Sparse Representation and Polarimetric Features", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
何吟: "基于极化分解的极化SAR图像分类", 《中国优秀硕士学位论文全文数据库》 * |
李博等: "基于压缩感知和SVM的极化SAR图像分类", 《天津市电子学会年会》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249233B (zh) * | 2016-09-21 | 2018-11-09 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
CN106249233A (zh) * | 2016-09-21 | 2016-12-21 | 清华大学 | 面向多极化穿墙雷达成像的前向混合匹配追踪方法和系统 |
CN106772371A (zh) * | 2016-11-21 | 2017-05-31 | 上海卫星工程研究所 | 基于极化干涉sar分类应用的极化定标参数需求分析方法 |
CN107133649A (zh) * | 2017-05-09 | 2017-09-05 | 西安电子科技大学 | 基于点‑域距离的增量式极化sar地物分类方法 |
CN107292317A (zh) * | 2017-06-26 | 2017-10-24 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
CN107292317B (zh) * | 2017-06-26 | 2020-07-28 | 西安电子科技大学 | 基于浅层特征与t矩阵深度学习的极化sar分类方法 |
CN108280466A (zh) * | 2018-01-12 | 2018-07-13 | 西安电子科技大学 | 基于加权核范数最小化的极化sar特征分类方法 |
CN108154192A (zh) * | 2018-01-12 | 2018-06-12 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
CN108280466B (zh) * | 2018-01-12 | 2021-10-29 | 西安电子科技大学 | 基于加权核范数最小化的极化sar特征分类方法 |
CN108154192B (zh) * | 2018-01-12 | 2022-05-17 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
CN109389052A (zh) * | 2018-09-20 | 2019-02-26 | 河海大学 | 基于聚类算法的全极化sar图像城市识别提取方法 |
CN109389052B (zh) * | 2018-09-20 | 2022-02-11 | 河海大学 | 基于聚类算法的全极化sar图像城市识别提取方法 |
CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
CN110781822A (zh) * | 2019-10-25 | 2020-02-11 | 重庆大学 | 基于自适应多方位角字典对学习的sar图像目标识别方法 |
CN110781822B (zh) * | 2019-10-25 | 2022-08-02 | 重庆大学 | 基于自适应多方位角字典对学习的sar图像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105608465B (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608465B (zh) | 全极化sar海岸线地物分类方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
Du et al. | Noise robust radar HRRP target recognition based on scatterer matching algorithm | |
CN102402685B (zh) | 基于Gabor特征的三马尔可夫场SAR图像分割方法 | |
CN103824088B (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
CN102968640B (zh) | 基于Freeman分解和数据分布特征的极化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 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN104122554B (zh) | 高分辨率sar图像目标的属性散射中心特征提取方法 | |
CN109344880B (zh) | 基于多特征和复合核的sar图像分类方法 | |
CN102540157A (zh) | 一种基于简缩极化合成孔径雷达数据的地物分类方法 | |
CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
CN103955701A (zh) | 多层次结合的多视合成孔径雷达图像目标识别方法 | |
CN104751183B (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN107085206A (zh) | 一种基于自适应稀疏保持投影的一维距离像识别方法 | |
CN103870842B (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
CN105160353A (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN108776339B (zh) | 基于块稀疏迭代阈值处理的单比特合成孔径雷达成像方法 | |
CN109145870A (zh) | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 | |
CN104751173A (zh) | 基于协同表示和深度学习的极化sar图像分类方法 | |
CN104376539A (zh) | 一种极化sar目标散射成分的分解方法和装置 | |
CN106022383A (zh) | 基于方位角相关动态字典稀疏表示的sar目标识别方法 | |
CN104077610B (zh) | 二维非线性投影特征的sar图像目标识别的方法 | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 |
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 |