CN106682701B - 一种极化sar图像多尺度描述基元的稀疏流形分类方法 - Google Patents

一种极化sar图像多尺度描述基元的稀疏流形分类方法 Download PDF

Info

Publication number
CN106682701B
CN106682701B CN201710018218.3A CN201710018218A CN106682701B CN 106682701 B CN106682701 B CN 106682701B CN 201710018218 A CN201710018218 A CN 201710018218A CN 106682701 B CN106682701 B CN 106682701B
Authority
CN
China
Prior art keywords
sar image
multiple dimensioned
polarization
polarimetric sar
information
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.)
Active
Application number
CN201710018218.3A
Other languages
English (en)
Other versions
CN106682701A (zh
Inventor
何楚
涂明霞
李壮
韩功
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710018218.3A priority Critical patent/CN106682701B/zh
Publication of CN106682701A publication Critical patent/CN106682701A/zh
Application granted granted Critical
Publication of CN106682701B publication Critical patent/CN106682701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种极化SAR图像多尺度描述基元的稀疏流形分类方法，为了解决时间序列极化SAR图像非相干信息和相干信息的提取和融合问题，以及极化数据过大、SAR乘性模型非相干的问题，通过一种本质上的特征融合以及流形稀疏表达，可以有效对时间序列极化SAR图像进行分类。本发明公开了一种结合极化非相干特征与时序相干特征两个尺度信息的多尺度描述基元的构造方法，并利用一个压缩感知和稀疏流形表达的多层次的非线性产生式模型来对其进行特征提取和信息降维，这种方法能对时间序列极化SAR图像进行有效的分类，多尺度描述基元也可以成为一种通用的时间序列极化SAR图像处理的基础技术。

Description

一种极化SAR图像多尺度描述基元的稀疏流形分类方法
技术领域
本发明属于图像处理技术领域，特别涉及一种基于时间序列极化SAR图像多尺度描述基元的稀疏流形分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种用于地面目标物体成像的雷达系统。SAR凭借其高分辨率、全天时和全天候的特性，成为了地面观测的重要工具。SAR图像分类是遥感图像解译的一个重要组成部分，在农林业规划、灾害监测、环境保护、军事侦察等领域都有着广泛的应用。
针对单幅SAR图像，统计分布是重要分类手段；针对极化SAR图像，极化分解是常用分类方法；针对多幅时间序列图像，利用干涉信息的解缠可以获取相干信息。如何融合极化统计等非相干信息和时间序列相干信息是时间序列极化SAR图像分类的一个重要方向。常用的多特征融合方法基本可以分为三类：联合训练法、核函数方法、子空间方法。在联合训练法的每个迭代周期中，模型对每个特征进行单独的训练然后将不同模型的差异反馈至训练集。核函数方法中每个特征对应匹配于一个特定的核，所有的核通过线性或者非线性的方法组合起来，代表方法有Simple MKL。子空间方法假定存在一个隐含子空间可以通过特定的映射生成每一个特征，通过寻找这个子空间实现特征融合，主成分分析(PrincipalComponent Analysis，PCA)是一种经典的子空间方法。然而，因为解缠问题和InSAR反演流程的复杂性，精确的高度反演后再用于分类存在过程复杂的问题，如何在不需要精确解缠和反演的基础上获取相干信息是关键。更为重要的是，非相干特征和相干特征的联合训练、核函数、子空间方法都没有在特征初期就充分联合两者信息。
稀疏信号可以通过稀疏表达进行信息压缩。传统的稀疏编码模型通过组合过完备字典中的基原子来逼近输入信号，但是这些模型在非线性情况下表现不佳，尤其是在分类情况比较复杂时时。
发明内容
为了解决上述技术问题，本发明提供了一种基于时间序列极化SAR图像多尺度描述基元的稀疏流形分类方法。
本发明所采用的技术方案是：一种极化SAR图像多尺度描述基元的稀疏流形分类方法，其特征在于，包括以下步骤：
步骤1：准备待分类时间序列SAR图像数据集，从待分类图像中提取极化相干矩阵；
步骤2：对待分类图像中提取的极化相干矩阵进行极化尺度上的极化分解和时间尺度上的随机游走，形成多尺度描述基元；
步骤3：利用步骤1得到待分类时间序列极化SAR图像重叠部分的非相干信息和相干信息，并进行归一化；
步骤4：非相干信息、相干信息分别单独输入支持向量机分类器；归一化的特征分别输入联合训练法、Simple MKL、主成分分析法，以这些作为对比试验；
步骤5：利用基于稀疏流形表达的非线性产生式模型进行特征提取和信息降维；
步骤6：用支持向量机对步骤5中提取的最终特征进行分类。
本发明的多尺度SAR图像基元能够在特征初期充分融合图像的非相干信息和相干信息，提供了进一步利用其它分类方法的潜力，可以成为一种通用的时间序列极化SAR图像处理的基础技术。本发明提出的一种基于稀疏流形表达的分类方法可以对全图各像素的多尺度信息基元形成的原始信息进行特征空间映射，以进行特征提取和信息降维。最后本发明基于支持向量机分类器对上述特征进行分类。
附图说明
图1本发明实施例的单像素点多尺度描述基元说明图。
图2本发明实施例的验证过程说明图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
传统的时间序列极化SAR图像的非相干特征和相干特征融合不能在特征形成初期充分结合特征，本发明提供的多尺度描述基元在极化尺度利用多个极化相干分解提取极化信息，在时间尺度利用随机游走方法以相似度为权值提取相干信息，组合形成一个多尺度立方体，能够很好地整合特征，为后续操作打下基础。
传统的稀疏表达模型不能很好地处理非线性情况。本发明方法的基于稀疏流形表达的非线型产生式模型引入流形表达改造压缩感知。流形思想假定高维空间里的点实际存在于一个低维空间中。保留原始字典空间中像素的位置关系并以此为基础在低维流形空间映射对应特征点并通过引入观测矩阵降低初始输入信号的维度。基于全图的多尺度描述基元经过这种模型的处理后能被有效地压缩，且能较好地解决SAR图像在相干和非相干两个特征提取尺度的不一致性以及SAR图像相干成像带来的乘性模型问题。
本发明的目的在于构造一个多尺度SAR图像信息基元来解决这个时间序列极化SAR特征提取的基础问题，即提供一个基础信息基元：在时间尺度利用随机游走方法提取相干信息；在极化尺度利用极化相干分解提取极化信息；最终对于每个分类像素获得一个多尺度信息块。针对全图多尺度信息块组合数据量过大、极化非相干和相干两个尺度信息不一致、SAR图像数据乘性模型带来的非线性问题，本发明进一步构造了一个基于稀疏流形表达的多层次的非线性产生式模型来对其进行特征提取和信息降维。该模型能较好的解决SAR图像在相干和非相干两个特征提取尺度的不一致性以及SAR图像相干成像带来的乘性模型问题。
本发明可采用计算机软件技术实现流程自动运行，包括两个阶段：多尺度信息基元的构造阶段以及基于多尺度描述基元的稀疏流形表达方法的对比验证过程阶段。
如图1，本发明实施例的多尺度信息基元构造阶段包括以下2个步骤：
步骤1.1：准备待分类时间序列SAR图像数据集，从待分类图像中提取极化相干矩阵，实现方式如下：
1)设在执行之前需要准备好M张待分类时间序列极化SAR图像数据集D，这里的数据集D来自于同一地点在一段时间内T个时刻的极化雷达图像；
2)对张图像进行配准并根据极化信息生成每幅图像的极化相干矩阵；
3)提取数据集所有图像重叠部分及对应的T个极化相干矩阵。
步骤1.2：对待分类图像中提取的极化相干矩阵进行极化尺度上的极化分解和时间尺度上的随机游走，形成多尺度描述基元，实现方式如下：
1)在极化尺度分别进行Pauli分解、SDH分解、Huynen分解、Holm分解和Cloude分解；
2)在时间尺度以像素间相似度为权值，以像素点周围八个点以及前后时刻十八个点组成的三维空间内进行随机游走，以多条路径所有带权信息和作为目标像素的相干信息；
3)组合非相干信息和相干信息形成多尺度描述基元。
如图2，本发明实施例中对基于多尺度描述基元的稀疏流形表达方法的对比验证过程包括以下3个步骤：
步骤2.1：利用步骤1得到待分类时间序列极化SAR图像重叠部分的非相干信息和相干信息，并进行归一化；
步骤2.2：非相干信息、相干信息分别单独输入支持向量机分类器；归一化的特征分别输入联合训练法、Simple MKL、PCA，以这些作为对比试验。
步骤2.3：利用基于稀疏流形表达的非线性产生式模型进行特征提取和信息降维，实现方式如下：
1)提取步骤1得到的多尺度描述基元间的位置关系；
2)利用得到的位置关系在低维流形空间重构特征：
此公式表示算法代价函数。公式第一部分提取特征，第二部分利用1-范数约束保证欠定方程有唯一解。其中N表示样本的数量，K是样本邻域中像素个数，l从1到N表示每个样本的下标，yl表示低维流形空间中第l个样本的对应特征，k从1到K表示每个邻域像素的下标，yk表示第l个样本的第k个邻域像素，wlk表示样本yl与邻域像素yk的位置关系，bl代表样本yl的实际类别，λ表示局部性约束的权值。
3)利用高斯观测矩阵Φ对重构特征进行再降维；
4)最后用支持向量机对提取的最终特征进行分类。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种极化SAR图像多尺度描述基元的稀疏流形分类方法，其特征在于，包括以下步骤：
步骤1：准备待分类时间序列SAR图像数据集，从待分类图像中提取极化相干矩阵；
步骤2：对待分类图像中提取的极化相干矩阵进行极化尺度上的极化分解和时间尺度上的随机游走，形成多尺度描述基元；
具体实现包括以下子步骤：
步骤2.1：在极化尺度分别进行Pauli分解、SDH分解、Huynen分解、Holm分解和Cloude分解；
步骤2.2：在时间尺度以像素间相似度为权值，以像素点周围八个点以及前后时刻十八个点组成的三维空间内进行随机游走，以多条路径所有带权信息和作为目标像素的相干信息；
步骤2.3：组合非相干信息和相干信息形成多尺度描述基元；
步骤3：利用步骤1得到待分类时间序列极化SAR图像重叠部分的非相干信息和相干信息，并进行归一化；
步骤4：非相干信息、相干信息分别单独输入支持向量机分类器；归一化的特征分别输入联合训练法、Simple MKL、主成分分析法，以这些作为对比试验；
步骤5：利用基于稀疏流形表达的非线性产生式模型进行特征提取和信息降维；
步骤6：用支持向量机对步骤5中提取的最终特征进行分类。
2.根据权利要求1所述的极化SAR图像多尺度描述基元的稀疏流形分类方法，其特征在于，步骤1的具体实现包括以下子步骤：
步骤1.1：准备M张待分类时间序列极化SAR图像数据集D，其中数据集D来自于同一地点在一段时间内T个时刻的极化雷达图像；其中，M＞1、T＞1，且为正整数；
步骤1.2：对M张图像进行配准并根据极化信息生成每幅图像的极化相干矩阵；
步骤1.3：提取数据集所有图像重叠部分及对应的T个极化相干矩阵。
3.根据权利要求1所述的极化SAR图像多尺度描述基元的稀疏流形分类方法，其特征在于，步骤5的具体实现包括以下子步骤：
步骤5.1：提取步骤2得到的多尺度描述基元间的位置关系；
步骤5.2：利用得到的位置关系在低维流形空间重构特征：
其中N表示样本的数量，K是样本邻域中像素个数，l从1到N表示每个样本的下标，yl表示低维流形空间中第l个样本的对应特征，k从1到K表示每个邻域像素的下标，yk表示第l个样本的第k个邻域像素，wlk表示样本yl与邻域像素yk的位置关系，bl代表样本yl的实际类别，λ表示局部性约束的权值；其中，N＞1、K＞1，且为正整数；
步骤5.3：利用高斯观测矩阵Φ对重构特征进行再降维；
。
CN201710018218.3A 2017-01-10 2017-01-10 一种极化sar图像多尺度描述基元的稀疏流形分类方法 Active CN106682701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710018218.3A CN106682701B (zh) 2017-01-10 2017-01-10 一种极化sar图像多尺度描述基元的稀疏流形分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710018218.3A CN106682701B (zh) 2017-01-10 2017-01-10 一种极化sar图像多尺度描述基元的稀疏流形分类方法

Publications (2)

Publication Number Publication Date
CN106682701A CN106682701A (zh) 2017-05-17
CN106682701B true CN106682701B (zh) 2019-06-11

Family

ID=58850326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710018218.3A Active CN106682701B (zh) 2017-01-10 2017-01-10 一种极化sar图像多尺度描述基元的稀疏流形分类方法

Country Status (1)

Country Link
CN (1) CN106682701B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830290B (zh) * 2018-05-04 2020-05-05 西安电子科技大学 基于稀疏表示和高斯分布的sar图像分类方法
CN111860356B (zh) * 2020-07-23 2022-07-01 中国电子科技集团公司第五十四研究所 基于非线性投影字典对学习的极化sar图像分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913073A (zh) * 2016-04-05 2016-08-31 西安电子科技大学 基于深度增量支持向量机的sar图像目标识别方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913073A (zh) * 2016-04-05 2016-08-31 西安电子科技大学 基于深度增量支持向量机的sar图像目标识别方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Analysis of SAR image time-series with a time-frequency method;Céline Tison;《2009 IEEE International Geoscience and Remote Sensing Symposium》;20090717;全文
Time-Frequency Analysis of SAR Image Based on Generalized S-Transform;Zhenming Peng等;《2009 International Conference on Measuring Technology and Mechatronics Automation》;20090412;全文
基于多尺度几何分析的SAR图像的去噪和融合综述;蒋媛;《科技广场》;20090901;全文
有效的SAR图像多尺度分类算法;刘保利;《计算机工程与设计》;20080331(第6期);全文

Also Published As

Publication number Publication date
CN106682701A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
CN110717354B (zh) 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
Gosselin et al. Revisiting the fisher vector for fine-grained classification
Le et al. ICA with reconstruction cost for efficient overcomplete feature learning
CN106815601B (zh) 基于递归神经网络的高光谱图像分类方法
CN109241491A (zh) 基于联合低秩和稀疏表示的张量结构性缺失填充方法
CN107145836B (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
Yan et al. Graduated consistency-regularized optimization for multi-graph matching
Shen et al. Shape recognition by bag of skeleton-associated contour parts
CN104008394B (zh) 基于近邻边界最大的半监督高光谱数据降维方法
CN108898269A (zh) 基于度量的电力图像环境影响评估方法
CN103824062B (zh) 基于非负矩阵分解的分部位人体运动识别方法
CN103390170A (zh) 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法
CN106682701B (zh) 一种极化sar图像多尺度描述基元的稀疏流形分类方法
Lou et al. Preliminary investigation on single remote sensing image inpainting through a modified GAN
Li et al. Codemaps-segment, classify and search objects locally
Liu et al. Point cloud based iterative segmentation technique for 3d plant phenotyping
Yu et al. Self-supervised gan compression
CN102867171A (zh) 一种基于标记传播与邻域嵌入保持的人脸表情识别方法
CN106056131A (zh) 基于lrr‑lda的图像特征提取方法
Zhao et al. Multiple endmembers based unmixing using archetypal analysis
Wang et al. Sparse representation of local spatial-temporal features with dimensionality reduction for motion recognition
Touati et al. Partly uncoupled siamese model for change detection from heterogeneous remote sensing imagery
Florindo et al. Texture classification using non-Euclidean Minkowski dilation
CN103530647B (zh) 基于分数傅里叶变换的纹理分类方法
Ionescu et al. Have a SNAK. Encoding spatial information with the spatial non-alignment kernel

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant