CN106897741B - 结合旋转域极化相干特征的极化sar地物分类方法 - Google Patents

结合旋转域极化相干特征的极化sar地物分类方法 Download PDF

Info

Publication number
CN106897741B
CN106897741B CN201710088595.4A CN201710088595A CN106897741B CN 106897741 B CN106897741 B CN 106897741B CN 201710088595 A CN201710088595 A CN 201710088595A CN 106897741 B CN106897741 B CN 106897741B
Authority
CN
China
Prior art keywords
polarization
sar image
pixel
characteristic parameter
classification
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
CN201710088595.4A
Other languages
English (en)
Other versions
CN106897741A (zh
Inventor
陈思伟
陶臣嵩
李永祯
王雪松
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201710088595.4A priority Critical patent/CN106897741B/zh
Publication of CN106897741A publication Critical patent/CN106897741A/zh
Application granted granted Critical
Publication of CN106897741B publication Critical patent/CN106897741B/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

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

本发明属于全极化合成孔径雷达成像遥感技术领域，涉及一种结合旋转域极化相干特征的极化SAR地物分类方法。本发明包括以下步骤：(S1)选择待分类的极化SAR图像；(S2)对极化SAR图像进行相干斑滤波；得到滤波后极化SAR图像中各像素点的极化散射矩阵；(S3)极化特征参数提取；基于相干斑滤波后的极化SAR图像，提取出其中各像素点相应的极化特征参数；(S4)将极化特征参数归一化；(S5)选择训练样本和测试样本；(S6)训练SVM分类器；(S7)分类处理；得到极化SAR图像中全部像素点各自的分类结果；(S8)计算分类精度。本发明实现简单，对不同传感器所获取的极化SAR数据具有很好的鲁棒性，用于极化SAR图像进行高精度的地物分类处理。

Description

结合旋转域极化相干特征的极化SAR地物分类方法
技术领域
本发明属于全极化合成孔径雷达(Synthetic Aperture Radar，SAR)成像遥感技术领域，涉及一种结合旋转域极化相干特征的极化SAR地物分类方法。
背景技术
极化SAR具有全天时和几乎全天候的工作能力，通过收发极化状态正交的电磁波以获取目标的全极化散射信息。地物分类是农作物生长监控、农村与城市用地普查、环境监测等应用领域的共性基础问题，也是极化SAR图像理解与解译的重要应用方向。极化SAR地物分类的目的是利用机载或星载SAR传感器获得的极化测量数据确定其中每个像素点所属的地物类别。高精度的地物分类结果能够为上述应用领域提供可靠的信息支撑。
通常，提高极化SAR地物分类精度主要有两种途径：第一种途径专注于极化特征的挖掘与优选，通过精细化的极化散射机理建模与解译，从全极化信息中提取出对不同地物类别具有更强区分度的特征。第二种途径则是从分类器入手，使用性能更好的分类器，对现有的极化特征进行充分利用。
在传统基于特征的极化SAR地物分类中，具有旋转不变特性的极化特征参数得到了广泛应用。例如，基于文献Shane R.Cloude and Eric Pottier，“An entropy basedclassification scheme for land applications of polarimetric SARs，”IEEETransactions on Geoscience and Remote Sensing，vol.35，no.1，pp.68-78，Jan.1997中的Cloude-Pottier分解得到的极化熵/极化平均角/极化反熵(H/α/Ani)和总散射能量Span的极化SAR地物分类就是一种常见的分类方法。另外，极化SAR不同极化通道间的极化相干特征也是一种常用的极化特征量，可应用于目标检测与分类等领域。然而，极化相干特征十分敏感于目标姿态与雷达视线的相对几何关系。对同一目标，当相对于全极化雷达视线的姿态不同时，极化相干特征的取值可以是显著不同的。这种现象给全极化雷达极化信息处理与应用造成诸多不便，是当前全极化雷达目标极化散射机理精细解译和定量应用面临的技术瓶颈之一。针对上述问题，专利申请人在之前所申请的专利“一种全极化雷达目标极化相干特征的可视化方法”(申请号201610046659.X)中发明了一种全极化雷达目标极化相干特征的可视化方法及其参数化刻画方法，并导出了一系列旋转域极化相干特征的刻画参数。有效地挖掘利用目标极化相干特征在绕雷达视线旋转域中的隐含信息，对于克服雷达目标散射机理的解译模糊具有重要价值。
发明内容
本发明要解决的技术问题是，提供一种结合旋转域极化相干特征的极化SAR地物分类方法。该方法挖掘利用旋转域极化相干特征所蕴含的目标在绕雷达视线旋转域中的隐含信息，并将其应用于极化SAR地物分类，提升极化SAR图像地物分类精度。
本发明的基本思路是：旋转域极化相干特征包含目标在旋转域中隐含的极化散射信息，且与目标方位取向具有相关性。将旋转域极化相干特征与传统的旋转不变极化特征联合，构造地物分类特征集，则能更完备地刻画地物散射特性，增强不同地物类别的区分能力，进而提升地物分类精度。
具体而言，本发明通过计算待分类的极化SAR图像中每个像素点对应的旋转域极化相干特征的7个刻画参数|γXX-YY|std、θγXX-YY-min、|γXX-XY|max、|γ(XX+YY)-XY|std、θγ(XX+YY)-XY-max、|γ(XX-YY)-XY|org、|γ(XX-YY)-XY|max以及4个旋转不变极化特征参数H/Ani/α/Span，并以归一化后的上述参数作为分类特征集输入至支持向量机(Support VectorMachine，SVM)分类器，经过相应的训练和测试过程，实现对原极化SAR图像地物分类处理。
本发明适用于极化散射矩阵，设输入为待分类极化SAR图像的极化散射矩阵其中X、Y表示任意两种不同的极化通道，为在X极化发射和X极化接收条件下获取的复后向散射系数；为在X极化发射和Y极化接收条件下获取的复后向散射系数；为在Y极化发射和X极化接收条件下获取的复后向散射系数；为在Y极化发射和Y极化接收条件下获取的复后向散射系数。具体技术方案如下：
一种结合旋转域极化相干特征的极化SAR地物分类方法，包括以下步骤：
(S1)选择待分类的极化SAR图像；设极化SAR图像中的每一个像素点均对应一个极化散射矩阵，记为极化SAR图像的大小为I×J，I和J为整数；
(S2)对极化SAR图像进行相干斑滤波；得到滤波后极化SAR图像中各像素点的极化散射矩阵，记为Sij；
(S3)极化特征参数提取；基于相干斑滤波后的极化SAR图像，提取出每个像素点对应的极化特征参数，所述极化特征参数包括旋转域极化相干特征的刻画参数和旋转不变极化特征参数；每个像素点对应的所有极化特征参数构成极化特征参数集；
(S4)将极化特征参数归一化；
(S5)选择训练样本和测试样本；从步骤(S2)中滤波后极化SAR图像的所有像素点中，选出已知真实地物类别的像素点，记各种已知地物类别对应的像素点数目为Pk，k＝1，2，…，K，其中K为已知地物类别的总数，K为整数；分别从每个地物类别对应的Pk个像素点中随机选取q％的像素点作为训练样本，剩余(100-q)％的像素点则作为测试样本，q为整数，取值根据实际情况确定；
(S6)训练SVM分类器；将训练样本对应的经归一化后的极化特征参数集以及相应的真实地物类别标记输入至SVM分类器，对其进行训练，得到训练好的SVM分类器；
(S7)分类处理；将极化SAR图像中全部I×J个像素点经归一化后的极化特征参数集输入至所述步骤(S6)中训练好的SVM分类器，通过分类处理得到极化SAR图像中全部像素点各自的分类结果；
(S8)计算分类精度；根据所述步骤(S7)中得到的极化SAR图像中全部像素点的分类结果，提取测试样本的分类结果；
将测试样本的分类结果与测试样本相应的真实地物类别标记进行比较；在测试样本所对应的像素点中，对于某一特定地物类别，其分类精度的计算公式为：
计算得到测试样本中的所有地物类别各自的分类精度；
进一步，测试样本的总体分类精度计算公式为：
进一步地，还包括：针对所述步骤(S7)极化SAR图像中全部像素点各自的分类结果，用同一种颜色(或灰度值)标识出相同地物类别的分类结果，输出分类结果图。
进一步地，所述步骤(S3)所述极化特征参数提取具体过程为：
(S31)提取旋转域极化相干特征的刻画参数：
将极化散射矩阵Sij绕雷达视线进行旋转处理，设旋转角为θ，得到旋转域中的极化散射矩阵Sij(θ)，其中， 为在X极化发射和X极化接收条件下获取的复后向散射系数；为在X极化发射和Y极化接收条件下获取的复后向散射系数；为在Y极化发射和X极化接收条件下获取的复后向散射系数；为在Y极化发射和Y极化接收条件下获取的复后向散射系数；则有：
其中，上标T为转置处理，旋转矩阵为
旋转域中极化散射矩阵Sij(θ)各元素表达式为：
在绕雷达视线的旋转域，对旋转角θ进行离散化处理，得到离散化的旋转角序列θn，n＝0，1，…，N，其中N为预先设置的采样数(N为整数)，则极化SAR图像中每个像素点均对应下列4个相互独立的旋转域极化相干特征序列：
其中，下标XX+YY为缩写形式，即<·>为集合平均处理，|·|为取绝对值处理，上标*为共轭处理；
基于所述4个旋转域极化相干特征序列，在n＝0，1，…，N的离散采样前提之下，极化SAR图像中各像素点均计算得到旋转域极化相干特征的7个刻画参数，分别为：
其中，max{·}为求序列的最大值，min{·}为求序列的最小值，std{·}为求序列的标准差，argmin表示使目标函数取最小值时的变量值，argmax表示使目标函数取最大值时的变量值；org表示为其在旋转处理之前的“原始”状态，即未旋转情况，即θn＝0。
和即滤波后极化SAR图像中第i行第j列像素点的旋转域极化相干特征的7个刻画参数；对极化SAR图像中每一个像素点均进行上述提取操作，即完成旋转域极化相干特征刻画参数的提取；
(S32)提取旋转不变极化特征参数：
当满足互易条件时，极化SAR图像中各像素点相应的极化相干矩阵Tij为：
其中，上标*为共轭处理；
基于极化相干矩阵Tij，首先利用Cloude-Pottier分解对滤波后极化SAR图像中第i行第j列的像素点提取得到极化熵Hij、极化平均角αij、极化反熵Aniij等3个旋转不变极化特征参数；同时计算得到相应的总散射能量Spanij；Hij、Aniij、αij、Spanij即为滤波后极化SAR图像中第i行第j列像素点的旋转不变极化特征参数；对极化SAR图像中每一个像素点均进行上述操作，即完成旋转不变极化特征参数的提取。
进一步地，所述步骤(S4)将极化特征参数归一化的具体过程为：滤波后极化SAR图像中的像素点共有I×J个，其中第i行第j列像素点用于地物分类的极化特征参数集表示为：
其中，v＝1，2，3，…，11；具体有：
对于I×J个像素点，其中每一个像素点的第v个极化特征参数均按照下列式子进行归一化处理：
其中， 为归一化后第i行第j列像素点的第v个极化特征参数，取值范围在0～1之间。对滤波后极化SAR图像中全部I×J个像素点的11个极化特征参数均进行归一化处理。
采用本发明获得的有益效果：本发明所述的一种结合旋转域极化相干特征的极化SAR地物分类方法，通过提取得到旋转域极化相干特征的7个刻画参数，并将它们与传统的4个旋转不变极化特征联合，作为不同地物类别的分类特征集，以归一化后的分类特征集输入至SVM分类器，实现对极化SAR图像的地物分类处理，得到地物分类结果。本发明实现简单，实施起来也非常方便，对不同传感器所获取的极化SAR数据具有很好的鲁棒性，可直接对不同极化SAR系统获得的极化SAR图像进行地物分类处理。
附图说明
图1是本发明的实施流程图；
图2至图5是利用本发明方法与仅以H/Ani/α/Span等4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验一的处理结果，其中：图2是滤波后待分类的美国UAVSAR极化SAR图像及相应的真实地物类别标记；图3是提取得到相应区域的旋转域极化相干特征的7个刻画参数；图4是提取得到相应区域的4个旋转不变极化特征；图5是利用传统方法及本发明方法得到的地物分类结果图；
图6至图9是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验二的处理结果，其中：图6是滤波后待分类的美国AIRSAR极化SAR图像及相应的真实地物类别标记；图7是提取得到相应区域的旋转域极化相干特征的7个刻画参数；图8是提取得到相应区域的4个旋转不变极化特征；图9是利用传统方法及本发明方法得到的地物分类结果图。
具体实施方式
为了更好地理解本发明的技术方案，以下结合附图和实施例对本发明作进一步描述。
图1为本发明的实施流程图，本发明适用于任意两种不同的极化通道X、Y的情况。下面以水平和垂直极化基(H，V)下的极化散射矩阵为例对技术方案进行介绍。本发明包括八个步骤。
第一步，选择待分类的极化SAR图像；设极化SAR图像中的每一个像素点均对应一个极化散射矩阵，记为
第二步，进行相干斑滤波；采用文献Si-Wei Chen，Xue-Song Wang and MotoyukiSato，“PolInSAR complex coherence estimation based on covariance matrixsimilarity test，”IEEE Transactions onGeoscience and Remote Sensing，vol.50，no.11，pp.4699-4710，Nov.2012提出的基于相似性检测的SimiTest自适应相干斑滤波算法，对原极化SAR图像进行相干斑滤波，得到滤波后极化SAR图像中各像素点的极化散射矩阵，记为Sij。
第三步，极化特征参数提取；基于相干斑滤波后的极化SAR图像，提取出每个像素点对应的极化特征参数，所述极化特征参数包括旋转域极化相干特征的7个刻画参数和4个旋转不变极化特征参数；每个像素点对应的11个极化特征参数构成极化特征参数集。
(S31)提取旋转域极化相干特征的刻画参数：
将极化散射矩阵Sij绕雷达视线进行旋转处理，设旋转角为θ，得到旋转域中的极化散射矩阵Sij(θ)，其中， 为在H极化发射和H极化接收条件下获取的复后向散射系数；为在H极化发射和V极化接收条件下获取的复后向散射系数；为在V极化发射和H极化接收条件下获取的复后向散射系数；为在V极化发射和V极化接收条件下获取的复后向散射系数；则有：
其中，上标T为转置处理，旋转矩阵为
旋转域中极化散射矩阵Sij(θ)各元素表达式为：
在绕雷达视线的旋转域，对旋转角θ进行离散化处理，得到离散化的旋转角序列θn，n＝0，1，2，…，N(N根据实际情况确定，本实施例中所用N＝1001)。计算所得极化相干特征序列的通用表达式如下：
其中，下标1和2为两个极化通道，<·>为集合平均处理，|·|为取绝对值处理，上标*为共轭处理。则极化SAR图像中每个像素点均对应于4个相互独立的旋转域极化相干特征序列如下：
其中，下标HH+VV和HH-VV是由极化散射矩阵所构造的Pauli散射矢量中两个分量的下标。
极化SAR图像中各像素点均计算得到旋转域极化相干特征的7个刻画参数，分别为：
其中，max{·}为求序列的最大值，min{·}为求序列的最小值，std{·}为求序列的标准差，argmin表示使目标函数取最小值时的变量值，argmax表示使目标函数取最大值时的变量值；
和即滤波后极化SAR图像中第i行第j列像素点的旋转域极化相干特征的7个刻画参数；对极化SAR图像中每一个像素点均进行上述操作，即完成旋转域极化相干特征刻画参数的提取
(S32)提取旋转不变极化特征参数：
当满足互易条件时，极化SAR图像中各像素点相应的极化相干矩阵Tij为
其中，上标*为共轭处理；
基于极化相干矩阵Tij，首先利用Cloude-Pottier分解对滤波后极化SAR图像中第i行第j列的像素点提取得到极化熵Hij、极化平均角αij、极化反熵Aniij3个旋转不变极化特征参数；同时计算得到相应的总散射能量Spanij；Hij、Aniij、αij、Spanij即滤波后极化SAR图像中第i行第j列像素点的旋转不变极化特征参数；对极化SAR图像中每一个像素点均进行上述操作，即完成旋转不变极化特征参数的提取。
第四步，极化特征参数归一化；具体过程为：滤波后极化SAR图像中的像素点共有I×J个，其中第i行第j列像素点用于地物分类的极化特征参数集表示为：
其中，v＝1，2，3，…，11；且具体有：
对于I×J个像素点，其中每一个像素点的第v个极化特征参数均按照下列式子进行归一化处理：
其中， 为归一化后第i行第j列像素点的第v个极化特征参数，取值范围在0～1之间。对滤波后极化SAR图像中全部I×J个像素点的11个极化特征参数均分别进行如上式所示的归一化处理。
第五步，选择训练样本和测试样本；从步骤(S2)中滤波后极化SAR图像的所有像素点中，选出已知真实地物类别的像素点，记各种已知地物类别对应的像素点数目为Pk，k＝1，2，…，K，其中K为已知地物类别的总数；分别从每个地物类别对应的Pk个像素点中随机选取q％的像素点作为训练样本，剩余(100-q)％的像素点则作为测试样本，q的取值根据实际情况确定(本实施例中所用q＝50)。
第六步，训练SVM分类器；将训练样本对应的经归一化后的极化特征参数集以及相应的真实地物类别标记输入至SVM分类器，对其进行训练，得到训练好的SVM分类器。
第七步，分类处理；将极化SAR图像中全部I×J个像素点经归一化后的极化特征参数集输入至所述步骤(S6)中训练好的SVM分类器，通过分类处理得到极化SAR图像中全部像素点各自的分类结果。
第八步，计算分类精度；根据计算公式，计算得到分类精度值。
针对极化SAR图像中所有的像素点，用同一种颜色(或灰度)标识出相同地物类别的分类结果，进而得到上色(不同灰度值)后的分类结果图。
图2至图5是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验一的处理结果。该对比实验采用的是美国UAVSAR系统在加拿大Manitoba地区获取的L波段全极化SAR图像数据。该极化SAR图像分辨率为距离向5米、方位向7米，大小为1325像素×1011像素。
图2为滤波后待分类的美国UAVSAR极化SAR图像及相应的真实地物类别标记。其中，图2(a)为滤波后的美国UAVSAR极化SAR图像，在进行SimiTest相干斑滤波时，所用滑窗的大小为15像素×15像素。图2(b)为美国UAVSAR极化SAR图像相应的真实地物类别标记，该地区主要包含阔叶林、草料、大豆、玉米、小麦、油菜籽以及燕麦等7类地物。
图3为基于美国UAVSAR极化SAR图像所提取得到的7个旋转域极化相干特征的刻画参数。其中，图3(a)为|γHH-VV|std，图3(b)为θγHH-VV-min，图3(c)为|γHH-HV|max，图3(d)为|γ(HH+VV)-HV|std，图3(e)为θγ(HH+VV)-HV-max，图3(f)为|γ(HH-VV)-HV|org，图3(g)为|γ(HH-VV)-HV|max；在每一个特征参数图的右侧，均存在着一个“灰度条带”，用以指示不同的灰度值所对应的特征参数具体取值大小，图中范围(0～1)、(0～0.3)或者(0～π)、(-π/4～π/4)等，则分别指明了相应特征参数的总体取值范围。
图4为基于美国UAVSAR极化SAR图像所提取得到的4个传统旋转不变极化特征。其中，图4(a)为极化熵H，图4(b)为极化反熵Ani，图4(c)为极化平均角α，图4(d)为总散射能量Span。
图5为利用传统方法及本发明方法所得UAVSAR极化SAR图像的地物分类结果图。其中，图5(a)和图5(b)分别为利用传统方法和本发明方法所得UAVSAR极化SAR图像中有真实地物类别标记部分(训练样本+测试样本)的地物分类结果图，图5(c)和图5(d)则分别为利用传统方法和本发明方法所得UAVSAR极化SAR图像全图的地物分类结果图。
基于图5(a)和图5(b)所示的分类结果，定量计算使用传统方法与本发明方法各自所得分类精度，如表1所示。从表1中看出，本发明方法得到的总体分类精度为95.12％，相较于传统方法90.21％的分类精度具有明显提升。另外，本发明方法所得草料、大豆、玉米、小麦、油菜籽、燕麦这6类地物的分类精度均优于传统方法得到的相应分类精度；特别对于草料和燕麦，本发明方法所得分类精度相较于传统方法分别提升了11.03和10.70个百分点。而对余下的阔叶林，本发明方法所得分类精度仅略低于传统方法，且精度值相差很小。
表1传统方法与本发明方法所得UAVSAR 7类地物及总体分类精度(％)
阔叶林 草料 大豆 玉米 小麦 油菜籽 燕麦 总体
传统方法 98.53 62.98 92.62 96.10 93.96 91.46 85.81 <u>90.21</u>
本发明方法 98.43 74.01 96.18 98.06 97.82 94.96 96.51 <u>95.12</u>
图6至图9是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验二的处理结果。该对比实验采用的是美国AIRSAR系统在荷兰Flevoland地区获取的L波段全极化SAR图像数据。该极化SAR图像分辨率为距离向6.6米、方位向12.1米，大小为736像素×1010像素。
图6为滤波后待分类的美国AIRSAR极化SAR图像及相应的真实地物类别标记。其中，图6(a)为滤波后的美国AIRSAR极化SAR图像，在进行SimiTest相干斑滤波时，所用滑窗的大小为15像素×15像素。图6(b)为美国AIRSAR极化SAR图像相应的真实地物类别标记，该地区主要包含茎豆、豌豆、森林、苜蓿、小麦、甜菜、土豆、裸地、草地、油菜籽以及水域等11类地物。
图7为基于美国AIRSAR极化SAR图像所提取得到的7个旋转域极化相干特征的刻画参数。其中，图7(a)为|γHH-VV|std，图7(b)为θγHH-VV-min，图7(c)为|γHH-HV|max，图7(d)为|γ(HH+VV)-HV|std，图7(e)为θγ(HH+VV)-HV-max，图7(f)为|γ(HH-VV)-HV|org，图7(g)为|γ(HH-VV)-HV|max。
图8为基于美国AIRSAR极化SAR图像所提取得到的4个传统旋转不变极化特征。其中，图8(a)为极化熵H，图8(b)为极化反熵Ani，图8(c)为极化平均角α，图8(d)为总散射能量Span。
图9为利用传统方法及本发明方法所得AIRSAR极化SAR图像的地物分类结果图。其中，图9(a)和图9(b)分别为利用传统方法和本发明方法所得AIRSAR极化SAR图像中有真实地物类别标记部分的地物分类结果图，图9(c)和图9(d)则分别为利用传统方法和本发明方法所得AIRSAR极化SAR图像全图的地物分类结果图。
基于图9(a)和图9(b)所示的分类结果，定量计算使用传统方法与本发明方法各自所得分类精度，如表2所示。从表2中可看出，本发明方法得到的总体分类精度为94.63％，优于传统方法93.87％的分类精度。另外，本发明方法所得森林、苜蓿、甜菜、土豆、裸地、草地、油菜籽、水域8类地物的分类精度均优于传统方法得到的相应分类精度；特别对于草地，本发明方法所得75.76％的分类精度相较于传统方法的66.99％提升了8.77个百分点。而对余下的茎豆、豌豆以及小麦，本发明方法所得分类精度仅略低于传统方法，且精度值相差很小。
表2传统方法与本发明方法所得AIRSAR 11类地物及总体分类精度(％)
以上仅是实施例仅用于说明本发明的效果，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (3)

1.一种结合旋转域极化相干特征的极化SAR地物分类方法，其特征在于，包括以下步骤：
(S1)选择待分类的极化SAR图像；设极化SAR图像中的每一个像素点均对应一个极化散射矩阵，记为极化SAR图像的大小为I×J；
(S2)对极化SAR图像进行相干斑滤波；得到滤波后极化SAR图像中各像素点的极化散射矩阵，记为Sij；
(S3)极化特征参数提取；基于相干斑滤波后的极化SAR图像，提取出每个像素点对应的极化特征参数，所述极化特征参数包括旋转域极化相干特征的刻画参数和旋转不变极化特征参数；每个像素点对应的所有极化特征参数构成极化特征参数集；具体过程为：
(S31)提取旋转域极化相干特征的刻画参数：
将极化散射矩阵Sij绕雷达视线进行旋转处理，设旋转角为θ，得到旋转域中的极化散射矩阵Sij(θ)，其中， 为在X极化发射和X极化接收条件下获取的复后向散射系数；为在X极化发射和Y极化接收条件下获取的复后向散射系数；为在Y极化发射和X极化接收条件下获取的复后向散射系数；为在Y极化发射和Y极化接收条件下获取的复后向散射系数；则有：
其中，上标T为转置处理，旋转矩阵为
旋转域中极化散射矩阵Sij(θ)各元素表达式为：
在绕雷达视线的旋转域，对旋转角θ进行离散化处理，得到离散化的旋转角序列θn，其中N为预先设置的采样数，则极化SAR图像中每个像素点均对应下列4个相互独立的旋转域极化相干特征序列：
其中，下标XX+YY为缩写形式，即<·>为集合平均处理，|·|为取绝对值处理，上标*为共轭处理；
基于所述4个旋转域极化相干特征序列，在的离散采样前提之下，极化SAR图像中各像素点均计算得到旋转域极化相干特征的7个刻画参数，分别为：
其中，max{·}为求序列的最大值，min{·}为求序列的最小值，std{·}为求序列的标准差，argmin表示使目标函数取最小值时的变量值，argmax表示使目标函数取最大值时的变量值；
和即滤波后极化SAR图像中第i行第j列像素点的旋转域极化相干特征的7个刻画参数；对极化SAR图像中每一个像素点均进行上述操作，即完成旋转域极化相干特征刻画参数的提取；
(S32)提取旋转不变极化特征参数：
当满足互易条件时，极化SAR图像中各像素点相应的极化相干矩阵Tij为：
其中，上标*为共轭处理；
基于极化相干矩阵Tij，首先利用Cloude-Pottier分解对滤波后极化SAR图像中第i行第j列的像素点提取得到极化熵Hij、极化平均角αij、极化反熵Aniij3个旋转不变极化特征参数；同时计算得到相应的总散射能量Spanij；Hij、Aniij、αij、Spanij即为滤波后极化SAR图像中第i行第j列像素点的旋转不变极化特征参数；对极化SAR图像中每一个像素点均进行上述操作，即完成旋转不变极化特征参数的提取；
(S4)将极化特征参数归一化；
(S5)选择训练样本和测试样本；从步骤(S2)中滤波后极化SAR图像的所有像素点中，选出已知真实地物类别的像素点，记各种已知地物类别对应的像素点数目为Pk,k＝1,2,…,K，其中K为已知地物类别的总数；分别从每个地物类别对应的Pk个像素点中随机选取q％的像素点作为训练样本，剩余(100-q)％的像素点则作为测试样本；
(S6)训练SVM分类器；将训练样本对应的经归一化后的极化特征参数集以及相应的真实地物类别标记输入至SVM分类器，对其进行训练，得到训练好的SVM分类器；
(S7)分类处理；将极化SAR图像中全部I×J个像素点经归一化后的极化特征参数集输入至所述步骤(S6)中训练好的SVM分类器，通过分类处理得到极化SAR图像中全部像素点各自的分类结果；
(S8)计算分类精度；根据所述步骤(S7)中得到的极化SAR图像中全部像素点的分类结果，提取测试样本的分类结果；
将测试样本的分类结果与测试样本相应的真实地物类别标记进行比较；在测试样本所对应的像素点中，对于某一特定地物类别，其分类精度的计算公式为：
计算得到测试样本中的所有地物类别各自的分类精度；
进一步，测试样本的总体分类精度计算公式为：
2.如权利要求1所述的一种结合旋转域极化相干特征的极化SAR地物分类方法，其特征在于，还包括：针对所述步骤(S7)极化SAR图像中全部像素点各自的分类结果，将具有真实地物类别标记的全部像素点，用同一种颜色或灰度值标识出相同地物类别的分类结果，输出分类结果图。
3.如权利要求1所述的一种结合旋转域极化相干特征的极化SAR地物分类方法，其特征在于：所述步骤(S4)将极化特征参数归一化的具体过程为：滤波后极化SAR图像中的像素点共有I×J个，其中第i行第j列像素点用于地物分类的极化特征参数集表示为：
其中，v＝1,2,3，…,11；具体有：
对于I×J个像素点，其中每一个像素点的第v个极化特征参数均按照下列式子进行归一化处理：
其中， 为归一化后第i行第j列像素点的第v个极化特征参数，取值范围在0～1之间。
CN201710088595.4A 2017-02-20 2017-02-20 结合旋转域极化相干特征的极化sar地物分类方法 Active CN106897741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710088595.4A CN106897741B (zh) 2017-02-20 2017-02-20 结合旋转域极化相干特征的极化sar地物分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710088595.4A CN106897741B (zh) 2017-02-20 2017-02-20 结合旋转域极化相干特征的极化sar地物分类方法

Publications (2)

Publication Number Publication Date
CN106897741A CN106897741A (zh) 2017-06-27
CN106897741B true CN106897741B (zh) 2019-06-14

Family

ID=59184366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710088595.4A Active CN106897741B (zh) 2017-02-20 2017-02-20 结合旋转域极化相干特征的极化sar地物分类方法

Country Status (1)

Country Link
CN (1) CN106897741B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358214A (zh) * 2017-07-20 2017-11-17 中国人民解放军国防科学技术大学 基于卷积神经网络的极化sar地物分类方法
CN110321904B (zh) * 2019-07-09 2021-02-23 中国人民解放军国防科技大学 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法
CN110297241B (zh) * 2019-07-09 2021-02-12 中国人民解放军国防科技大学 一种用于图像处理的上下文协方差矩阵构建方法
CN111856421B (zh) * 2020-01-17 2022-07-15 中国人民解放军国防科技大学 一种极化旋转域特征提取与雷达目标增强的方法和装置
CN113408547B (zh) * 2021-07-12 2023-05-23 西南交通大学 一种多时相多极化sar滑坡提取方法
CN114419452B (zh) * 2022-03-30 2022-07-05 中国人民解放军火箭军工程大学 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331706A (zh) * 2014-10-29 2015-02-04 西安电子科技大学 基于rbm和svm的极化sar图像分类
CN105528767A (zh) * 2015-12-05 2016-04-27 中国人民解放军国防科学技术大学 极化sar图像中目标极化相干特征的增强方法
CN105550696A (zh) * 2015-12-03 2016-05-04 中国科学院国家空间科学中心 基于随机相似性的全极化合成孔径雷达图像快速分类方法
CN105676203A (zh) * 2016-01-23 2016-06-15 中国人民解放军国防科学技术大学 一种全极化雷达目标极化相干特征的可视化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331706A (zh) * 2014-10-29 2015-02-04 西安电子科技大学 基于rbm和svm的极化sar图像分类
CN105550696A (zh) * 2015-12-03 2016-05-04 中国科学院国家空间科学中心 基于随机相似性的全极化合成孔径雷达图像快速分类方法
CN105528767A (zh) * 2015-12-05 2016-04-27 中国人民解放军国防科学技术大学 极化sar图像中目标极化相干特征的增强方法
CN105676203A (zh) * 2016-01-23 2016-06-15 中国人民解放军国防科学技术大学 一种全极化雷达目标极化相干特征的可视化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《Manmade target extraction in PolSAR data using polarimetric coherence optimization》;siwei chen et al;《IET International Radar Conference 2015》;20160421;全文
《Natural disaster damage evaluation using fully polarimetric techniques with spaceborne SAR data》;siwei chen et al;《2014 XXXIth URSI General Assembly and Scientific Symposium》;20141020;全文
《POLARIMETRIC COHERENCE PATTERN: A VISUALIZATION TOOL FOR POLSAR DATA INVESTIGATION》;SiWei chen et al;《IEEE International Geoscience and Remote Sensing Symposium》;20160731;全文
《Uniform polarimetric matrix rotation theory and its applications》;Si-Wei Chen et al;《IEEE Transactions on Geoscience》;20140127;全文

Also Published As

Publication number Publication date
CN106897741A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
CN106897741B (zh) 结合旋转域极化相干特征的极化sar地物分类方法
Alberga et al. Comparison of polarimetric SAR observables in terms of classification performance
Zhang et al. Fully polarimetric SAR image classification via sparse representation and polarimetric features
CN106909939B (zh) 一种结合旋转域极化零角特征的极化sar地物分类方法
Bagan et al. Combination of AVNIR-2, PALSAR, and polarimetric parameters for land cover classification
CN104680184B (zh) 基于深度rpca的极化sar地物分类方法
Fan et al. Marine floating raft aquaculture detection of GF-3 PolSAR images based on collective multikernel fuzzy clustering
CN107358214A (zh) 基于卷积神经网络的极化sar地物分类方法
CN105138966B (zh) 基于快速密度峰值聚类的极化sar图像分类方法
CN110263646A (zh) 一种基于卷积神经网络的海面弱目标探测方法和系统
CN104700116B (zh) 基于多层量子脊波表示的极化sar图像地物的分类方法
CN105005767A (zh) 一种基于微波遥感影像森林类型识别方法
Zeyada et al. Evaluation of the discrimination capability of full polarimetric SAR data for crop classification
CN107330457A (zh) 一种基于多特征融合的极化sar图像分类方法
CN108460402A (zh) 极化sar图像有监督分类方法及装置
CN103870842B (zh) 结合极化特征和分水岭的极化sar图像分类方法
Xiang et al. Edge detector for polarimetric SAR images using SIRV model and gauss-shaped filter
CN104463227B (zh) 基于fqpso和目标分解的极化sar图像分类方法
CN107256409A (zh) 基于sae和显著性检测的高分辨sar图像变化检测方法
Xu et al. The comparative study of three methods of remote sensing image change detection
Misra et al. Mapping specific crop-A multi sensor temporal approach
Gaglione et al. Krogager decomposition and Pseudo-Zernike moments for polarimetric distributed ATR
CN110297241A (zh) 一种用于图像处理的上下文协方差矩阵构建方法
Xiyun et al. Local competitive Wishart classifier for polarimetric SAR images
Xu et al. Mapping rice planting area from Landsat 8 imagery using one-class support vector machine

Legal Events

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