CN107330457B - 一种基于多特征融合的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于多特征融合的极化SAR图像分类方法。本发明首先提取待分类极化SAR图像的极化特征向量，得到高维极化特征集；提取该图像SPAN处理结果的形态学断面特征向量，得到高维形态学特征集；将两类高维特征分别进行保局辨别分析的降维处理后，选取已知类别标签的图像像素点构成训练样本集，再选取整幅图像的其余像素点作为分类样本集；将两类低维特征分别通过基于最大后验概率的SVM，得到各自情况下像素点的类别标签及对应后验概率；采用求和准则或自适应加权求和准则，将每个像素点在两种情况下的后验概率向量结合起来，依据最大后验概率原则，得到高分辨极化SAR图像的最终分类结果。本发明实施，有助于提高分辨极化SAR图像分类准确率及效率。

Description

一种基于多特征融合的极化SAR图像分类方法

技术领域

本发明属于雷达图像处理与解译技术，即对高分辨极化合成孔径雷达图像进行地物分类处理，具体涉及一种基于多特征融合的极化SAR图像分类方法。

背景技术

近年来，我国在各个领域均实现了合成孔径雷达(SAR)的成功应用。SAR的成功应用依赖于有效的SAR图像处理与解译技术，而其前提是SAR图像的分类技术。通过分类，可以有效获取SAR图像中的地物信息，为多种应用如城市规划、农作物与森林观测、灾害评估以及地面目标识别等提供帮助，因此SAR图像分类技术占有非常重要的地位。

现有的SAR成像技术不断在发展。其中一个主要趋势是分辨率的提高。SAR系统分辨率的提高，不仅可以使SAR图像中纹理信息更为丰富，还使得SAR传感器获取的地物信息更为细致。另一方面，SAR系统渐渐演变出多极化的工作模式。通过在不同极化方式下所获取的散射回波信号，可以分析目标散射机制，不仅能避免目标信息的不确定性问题，还能增强杂波抑制与抗干扰能力。因此，为了进一步地获得更好的分类结果，出现了针对高分辨率极化合成孔径雷达图像(PolSAR)进行分类问题的研究。

然而：(1)当前对极化信息资源的开发和利用还远远不够，主要停留在对基于极化目标分解的方法研究。而使用单一的极化信息来进行图像分类是远远不够的，会大范围出现“错分”、“误分”的现象；(2)在高分辨条件下，雷达图像中的纹理信息更为丰富，让原本在中低分辨率条件下无法观测到的地物起伏在高分辨率条件下变得十分明显，此时利用空间特征来对图像进行分类，能够取得事半功倍的效果。M.Pesaresi等人介绍了一种应用一系列形态学滤波的方法——形态学断面(Morphological profiles，MPs)，其主要思想是基于纹理基元的类型和数目以及基元之间的“重复性”的空间组织结构和排列规则来进行纹理切割。该方法提取得到的MP特征(形态学断面特征，是形态学特征/空间特征的一种)，根据其结构基元的形状、尺寸的不同，能够对高分辨雷达图像实现多尺度地展示其丰富的空间信息，较小的尺度可以表示细节和边缘信息，较大的尺度可以减少同类型区域内部变化，这样能够最大程度上实现对雷达图像的合理分类；(3)由于分辨率的提高，提取的特征的维数也越来越高。但是这些高维特征不可避免地会产生大量冗余信息，在分类器中占据运算容量，导致分类效率急剧下降。因而需要在分类前对输入特征进行降维处理。典型的降维方法有线性降维方法及流形学习方法，线性降维方法是基于高斯假说的，但是现实数据往往是处于复杂的非线性空间中，需要非线性方法去发掘潜在结构的，并且线性降维方法对数据空间中的几何、局部分布式结构不具备囊括能力，而这些信息对分类至关重要；非线性降维方法中的流形学习方法，假定的前提是特征可以保留于低维流形结构中，然而流形学习固有的非监督性以及非辨别性让其难以实际应用，且让不同类别的特征向量无法最佳地分离，易造成错分误分现象；(4)结合两类特征中最突出的问题是如何把不同种类的特征有效地结合起来，这就需要所谓的信息融合技术。信息融合的难点，一是不同特征所处空间不同，对应核函数也不同；二是可能会破坏原有特征信息，特别是两种特征量级相差巨大的情况；三是特征种类增多，占据运算容量增大，易造成运算效率下降。目前在极化SAR图像解译中对信息融合方式尚未深入研究。

发明内容

本发明的发明目的在于：为了克服现有对极化SAR图像分类方法的不足之处，以提高对高分辨极化SAR图像的分类效果，公开了一种基于多特征融合的极化SAR图像分类方法。

本发明的一种基于多特征融合的极化SAR图像分类方法，包括下列步骤：

步骤1：基于待分类极化SAR图像的极化散射矩阵对待分类极化SAR图像进行极化特征提取，由每个像素点x的极化特征向量构成极化特征集F^P，其中S_hh、S_vh、S_hv、S_vv分别为不同极化通道下的极化分量

优选的一种极化特征提取为：获取基于极化代数运算的第一极化特征向量，以及基于极化目标分解的第二极化特征；再将第一、第二极化特征向量组成极化特征向量即由每个像素点的第一、第二极化特征向量组合得到高纬的

步骤2：将待分类极化SAR图像转换为SPAN图像，并对SPAN图像进行形态学特征提取，由每个像素点x的形态学断面特征向量构成形态学特征集F^S，其中形态学断面特征向量包括开操作、闭操作、重构操作和重构闭操作等；

步骤3：采用基于保局辨别分析法，分别对极化特征集F^P、形态学特征集F^S进行降维处理，得到极化特征集H^P、形态学特征集H^S：

301：在待分类极化SAR图像中随机选取N个像素点构成样本集T，并基于分类需求设置样本集T中各样本的类别标签l_i，基于极化特征集F^P、形态学特征集F^S得到各样本的样本特征向量其中样本标识符i＝1,2,…,N；在设置类别标签l_i时，若当前的分类需求为区分不同的地物类型(如建筑、树林、农田和水体等)，则基于各像素点实际所属的地物类型设置类别标签l_i。

由N个样本特征向量构成样本特征集N个样本特征向量构成样本特征集

302：分别求取对应样本特征集的最优化映射矩阵

基于样本特征集构建两个无向加权图：代表相同类别中相邻接的特征样本的相似性的固有图G^int＝{F,W^int}和代表不同类别中相邻接的特征样本的相似性的惩罚图G^pen＝{F,W^pen}，其中上标ω∈{P,S}，用于特征向量种类(极化、形态学)；即分别对应两个无向加权图G^int、G^pen。

所述固有图G^int的特性W^int的元素的取值为：

所述惩罚图G^pen的特性W^pen的元素的取值为：

其中函数用于表明与是否邻接，即若则表明与邻接；ρ表示内核尺度参数，为经验预设值，优选取值为其中函数mean(·)表示求平均，f为计算时，计算时，

构建对角矩阵D^int、D^pen，所述对角矩阵D^int的对角线元素为对角矩阵D^pen的对角线元素为

对于上述两个无向加权图，其散射测量可以由映射空间(映射矩阵P^ω)定义为：

其中，Ω∈{int,pen}代表具体是哪个无向加权图，为样本i、j的降维后的极化/形态学断面特征向量，符号(·)^T表示矩阵转置。

为了保留类内局部性质及增大类间可分性，应最小化J_int(P^ω)和最大化J_pen(P^ω)，即最大化：在计算J(P^P)、J(P^S)时，D^pen、W^pen、D^int、W^int基于对应种类的特征向量集计算得到，即计算J(P^P)时，D^pen、W^pen、D^int、W^int的值取决于计算J(P^S)时，D^pen、W^pen、D^int、W^int的值取决于

因此，最优化映射矩阵为：求解最优化映射矩阵等价于求解一个特征值分解：其中，v表示特征向量，λ表示特征值。

基于样本集T的N个像素点，求解上述特征值分解，得到N个特征向量并依对应特征值递减顺序排列为v₁,v₂,...,v_N，那么得到的最优化映射矩阵即从N个特征向量中选择前M^ω个最大特征值对应的特征向量并降序排列组成最优化映射矩阵其中M^ω为预设值。

303：根据得到降维处理后的极化特征向量所有构成极化特征集H^P；

根据得到降维处理后的形态学断面特征向量所有构成形态学特征集H^S；

步骤4：在待分类极化SAR图像中随机选取N′个像素点，基于所述N′个像素点的类别标签、极化特征向量得到极化训练样本集，基于所述N′个像素点的类别标签、形态学断面特征向量得到形态学训练样本集；

通过极化训练样本集训练极化SVM分类器，通过形态学训练样本集训练形态学SVM分类器：训练极化SVM分类器、形态学SVM分类器时，优选的核函数为RBF核(径向基函数核)，即其中表示对应像素点i、j的极化/形态学断面特征向量的欧式距离，σ为尺度变量，ω∈{P,S}。

步骤5：对两种分类器的分类结果进行决策融合，得到待分类极化SAR图像的每个像素点x的最终分类结果：

501：根据极化特征集H^P和极化SVM分类器，获取像素点x的极化分类的后验概率向 量

根据形态学特征集H^S和形态学SVM分类器，获取像素点x的极化分类的后验概率向 量

其中K表示类别标签数目；

502：基于求和准则，由后验概率向量p^P(x)、p^P(x)的均值得到像素点x的融合后验概率向量p(x)，即p(x)＝[p₁(x),p₂(x),...,p_K(x)]，其中k＝1,2,…,K；

503：将融合后验概率向量p(x)中的最大项对应的类别标签作为像素点x的最终分类结果，即基于p(x)得到像素点x的最终分类标签预测

本发明采取结合了极化特征和形态学特征这两类特征。极化特征是极化SAR不同于其他雷达独有的特征，其中获得的目标极化散射矩阵包含了目标的完整的电磁散射特性，因此能够很好地描述地物的后向散射特性，利于后续分类处理；形态学特征已在光学图像中得到广泛应用，但在极化SAR图像中应用不多。本发明采用形态学特征中的形态学断面特征，并利用特征提取前的SPAN处理来针对SAR图像做出有效减少相干斑噪声的改进，这让地表目标的实际轮廓更加清晰，且提升特征提取效率。本发明将单个像素点的极化信息与相邻像素点间的空间信息综合起来，既能在视觉观察上提升分类体验，又能在数据测量上得到满意的分类结果。

由p(x)＝μ(x)p^P(x)+(1-μ(x))p^S(x)得到融合后验概率向量p(x)，即k＝1,2,…,K；每个像素点x的加权系数其中分别表示后验概率向量p^ω(x)中的最大和第二大后验概率，上标ω∈{P,S}。

当前，结合两类特征中最突出的问题是如何把不同种类的特征有效地结合起来，这就需要所谓的信息融合技术。信息融合的难点，一是不同特征所处空间不同，对应核函数也不同；二是可能会破坏原有特征信息，特别是两种特征量级相差巨大的情况；三是特征种类增多，占据运算容量增大，易造成运算效率下降。而本发明为了实现结合两种特征来完成图像分类的目的，本发明采取基于决策层级上的融合，即首先基于SVM分类器分别对两类特征进行类别标签的分类处理，再对两种特征各自的分类输出结果进行融合(采用求和准则或自适应加权求和准则)，既能同时有效地利用不同种类的图像信息，为图像提供一种更充分、更完整的表达；又可以有效地保留不同分类器的互补性优点，抑制各个分类器的缺点，有助于改善图像分类结果，提高分类准确率及效率；并且，此方法对解决极化SAR图像的分类问题具备通用性。

综上所述，由于采用了上述技术方案，本发明的有益效果是：通过保局辨别分析方法和基于求和准则以及在此基础上的自适应加权求和准则的方法，实现既能减少冗余信息，保留特征空间中类内局部低维流形结构，又将特征不同类间的可分性最大化；既同时有效地利用了极化SAR图像的散射信息及空间信息，为图像提供一种更充分、更完整的表达，又可以有效利用不同分类器间的互补性优势，因此有助于改善高分辨极化SAR图像分类结果，提高分类准确率及效率。

附图说明

附图1为本发明基于多特征融合的极化SAR图像分类方法的流程图。

附图2为极化特征空间与形态学特征的构成示意图。

附图3为RadarSat-2获取的Flevoland地区PolSAR图像由Pauli分解得到的伪彩色图像。

附图4为对应的地物真值参考图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

参见图1，本发明首先提取待分类极化SAR图像的极化特征，并构建高维的极化特征集F^P；以及提取待分类极化SAR图像SPAN处理结果的形态学特征，得到高维的形态学特征集F^S。再将两类高维特征分别进行保局辨别分析的降维处理，得到保留流形结构的低维特征；选取已知地物类型的图像像素点构成训练样本集，再选取整幅图像的其余像素点作为分类样本集；将两类低维特征分别通过SVM分类，得到各自情况下像素点的类别标签及对应后验概率；最后基于决策融合来得到最终分类结果，即采用求和准则或自适应加权求和准则将每个像素点在两种情况下的后验概率向量结合起来，依据最大后验概率原则，得到该像素点的分类结果，即得到高分辨极化SAR图像的最终分类结果。

在提取极化特征时，基于PolSAR图像的极化散射矩阵分别获取基于极化代数运算的第一极化特征向量、基于极化目标分解的第二极化特征向量；再将第一、第二特征向量组成高纬的极化特征向量。

其中第一极化特征向量具体为：PolSAR图像的协方差矩阵C中元素强度|c_ij|，PolSAR图像的相干矩阵T中元素强度|t_ij|，不同极化通道后向散射系数之比 退偏比相位差符号(·)*表示矩阵的共轭转置，如图2所示。

第二极化特征向量具体为：Cloude分解中的散射熵H、散射角α、反熵A、相干矩阵的3个特征值λ₁、λ₂、λ₃，Huynen分解中的目标的对称性因子A₀、目标的非规则性因子B₀+B、目标的非对称性因子B₀-B、构型因子C、局部曲率差的度量D、表面扭转E、目标的螺旋性F、对称和非对称部分间的耦合G、目标的方向性H，Yamaguchi分解中的表面散射的散射功率P_s、二次散射的散射功率P_d、体散射的散射功率P_v、螺旋体散射的散射功率P_h，Krogager分解中的球、二面角、旋转体的散射功率|k_s|²、|k_d|²、|k_h|²以及相位信息如图2所示。

在提取形态学特征时，首先将PolSAR图像转为SPAN图像，其中转换计算公式为SPAN＝|S_hh|²+2|S_hv|²+|S_vv|²；然后对SPAN图像采用的结构基元SE的形状为disk，维数从低到高取3维至25维，步长为2维，然后基于开操作OP、闭操作CP、重构开操作ORP和重构闭操作CRP提取到对应的特征向量，得到不同维数的形态学断面特征向量，如图2所示。

实施例

本实施例采用的PolSAR(高分辨极化合成孔径雷达图像)数据是由RadarSat-2系统在四极化精细模式(分辨率5.2×7.6m)下获取的荷兰Flevoland地区C波段全极化SAR图像，为了验证本发明的实施性能，从该全极化SAR图像中选取一块区域作为待分类区域，其中待分类区域的大小为700×780，图3是由Pauli分解(极化目标分解)待分类区域所得到的伪彩色图像，图4是对应的地物真值参考图。选取的待分类区域包括四种主要地物，分别为：建筑、树林、农田和水体类别，分别对图4中的不同灰度区域。同时选取占全PolSAR图像1％的像素点(已知地物类型)作为训练样本集，待分类区域中未作为训练样本的像素点作为分类样本集，表1是对应使用的样本数表。

表1

类别	建筑	树林	农田	水体
					真值参考图中样本数目	71331	85539	184920	59504
训练样本集数目	713	855	1849	595
					分类样本集数目	70618	84684	183071	58909

为了对比分析本发明的采用保局辨别分析降维方法的性能，在对上述待分类区域进行分类处理时，进行是否进行降维处理的对比分析，同时将本发明融合(两种融合方式)两种特征(极化、MP特征)的分类处理与单独基于极化、MP特征的分类进行性能对比分析。未采用保局辨别分析降维方法时的不同分类方法的分类效果见表2，此时极化特征42维，MP特征48维。

表2

而表3给出了采用保局辨别分析降维时的不同分类方法的分类效果，即此时极化特征5维，形态学特征10维。

表3

综合表2、3可得到采用保局辨别分析降维方法前后的分类运算时间结果，如表4所示：

表4

由上表可知，本发明的基于多特征融合的极化SAR图像分类方法，对极化SAR图像实行精确的分类是可行的，即使含有复杂场景的极化SAR图像也可以较正确分类。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (10)

1.一种基于多特征融合的极化SAR图像分类方法，其特征在于，包括下列步骤：

步骤1：基于待分类极化SAR图像的极化散射矩阵对待分类极化SAR图像进行极化特征提取，由每个像素点x的极化特征向量构成极化特征集F^P，其中S_hh、S_vh、S_hv、S_vv分别为不同极化通道下的极化分量；

步骤2：将待分类极化SAR图像转换为SPAN图像，并对SPAN图像进行形态学特征提取，由每个像素点x的形态学断面特征向量构成形态学特征集F^S；

步骤3：采用基于保局辨别分析法，分别对极化特征集F^P、形态学特征集F^S进行降维处理，得到极化特征集H^P、形态学特征集H^S：

301：在待分类极化SAR图像中随机选取N个像素点构成样本集T，并基于分类需求设置样本集T中各样本的类别标签，基于极化特征集F^P、形态学特征集F^S得到各样本的样本特征向量其中样本标识符i＝1,2,…,N；

由N个样本特征向量构成样本特征集N个样本特征向量构成样本特征集

302：分别求取对应样本特征集的最优化映射矩阵

基于样本特征集构建两个无向加权图：固有图G^int和惩罚图G^pen，其中上标ω∈{P,S}；

所述固有图G^int的特性W^int的元素的取值为：若第i个样本与第j个样本的类别标签相同且样本特征向量相邻接，则否则

所述惩罚图G^pen的特性W^pen的元素的取值为：若第i个样本与第j个样本的类别标签不同且样本特征向量相邻接，则否则

其中ρ表示内核尺度参数；

构建对角矩阵D^int、D^pen，所述对角矩阵D^int的对角线元素为对角矩阵D^pen的对角线元素为

对表达式进行特征值求解，得到特征向量v，其中λ表示特征值，从N个特征向量中选择前M^ω个最大特征值对应的特征向量并降序排列组成最优化映射矩阵其中M^ω为预设值，符号(·)^T表示矩阵转置；

303：根据得到降维处理后的极化特征向量所有构成极化特征集H^P；

根据得到降维处理后的形态学断面特征向量所有构成形态学特征集H^S；

步骤4：在待分类极化SAR图像中随机选取N′个像素点，并基于分类需求设置所述N′个像素点的类别标签、极化特征向量得到极化训练样本集，基于所述N′个像素点的类别标签、形态学断面特征向量得到形态学训练样本集；

通过极化训练样本集训练极化SVM分类器，通过形态学训练样本集训练形态学SVM分类器：

步骤5：对两种分类器的分类结果进行决策融合，得到待分类极化SAR图像的每个像素点x的最终分类结果：

501：根据极化特征集H^P和极化SVM分类器，获取像素点x的极化分类的后验概率向量

根据形态学特征集H^S和形态学SVM分类器，获取像素点x的形态分类的后验概率向量

其中K表示类别标签数目；

502：由后验概率向量p^P(x)、p^S(x)的均值得到像素点x的融合后验概率向量p(x)；

503：将融合后验概率向量p(x)中的最大项对应的类别标签作为像素点x的最终分类结果。

2.如权利要求1所述的方法，其特征在于，步骤502中，融合后验概率向量p(x)为：p(x)＝μ(x)p^P(x)+(1-μ(x))p^S(x)；

每个像素点x的加权系数其中 分别表示后验概率向量p^ω(x)中的最大和第二大后验概率，上标ω∈{P,S}。

3.如权利要求1或2所述的方法，其特征在于，步骤1进行极化特征提取时，分别获取基于极化代数运算的第一极化特征向量、基于极化目标分解的第二极化特征向量；再将第一、第二特征向量组成极化特征向量

4.如权利要求3所述的方法，其特征在于，所述第一极化特征向量包括：待分类极化SAR图像的协方差矩阵、相干矩阵的元素的强度，不同极化通道后向散射系数之比、退偏比，相位差。

5.如权利要求3所述的方法，其特征在于，所述第二极化特征向量包括：

Cloude分解中的散射熵、散射角、反熵、相干矩阵特征值；

Huynen分解中的目标的对称性因子、目标的非规则性因子、目标的非对称性因子、构型因子、局部曲率差的度量、表面扭转、目标的螺旋性、对称和非对称部分间的耦合、目标的方向性；

Yamaguchi分解中的表面散射的散射功率、二次散射的散射功率、体散射的散射功率、螺旋体散射的散射功率；

Krogager分解中的球、二面角、旋转体的散射功率，相位信息。

6.如权利要求1或2所述的方法，其特征在于，步骤1中进行形态学特征提取时，采用的结构基元的形状为圆盘，结构基元维数从低到高取3维至25维，步长为2维。

7.如权利要求1或2所述的方法，其特征在于，步骤302中，内核尺度参数ρ的取值为其中函数mean(·)表示求平均，f为计算时，计算时，

8.如权利要求1或2所述的方法，其特征在于，步骤302中，降维后的维数M^ω的取值设置为：前M^ω个特征值的累积和与N个特征值的累积和的比例不超过90％。

9.如权利要求1或2所述的方法，其特征在于，步骤4中，N′取值设置为：待分类极化SAR图像的像素点总数的1％。

10.如权利要求1或2所述的方法，其特征在于，步骤4中，训练极化SVM分类器、形态学SVM分类器时，采用径向基函数核：其中 表示对应像素点i、j的极化/形态学断面特征向量的欧式距离，σ为尺度变量，ω∈{P,S}。