CN107527023B - 基于超像素和主题模型的极化sar图像分类方法 - Google Patents

基于超像素和主题模型的极化sar图像分类方法 Download PDF

Info

Publication number
CN107527023B
CN107527023B CN201710667049.6A CN201710667049A CN107527023B CN 107527023 B CN107527023 B CN 107527023B CN 201710667049 A CN201710667049 A CN 201710667049A CN 107527023 B CN107527023 B CN 107527023B
Authority
CN
China
Prior art keywords
polarized
feature
sar image
polarized sar
matrix
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
CN201710667049.6A
Other languages
English (en)
Other versions
CN107527023A (zh
Inventor
石俊飞
金海燕
肖照林
刘璐
李秀秀
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201710667049.6A priority Critical patent/CN107527023B/zh
Publication of CN107527023A publication Critical patent/CN107527023A/zh
Application granted granted Critical
Publication of CN107527023B publication Critical patent/CN107527023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

基于超像素和主题模型的极化SAR图像分类方法，输入待分类的极化SAR图像，并对其进行精致Lee滤波处理；使用均匀采样的方式对步骤1处理后的图像进行样本点采集，得到样本点集合；对样本点集合提取三种类型的特征，并分别进行归一化，得到特征集合F1、F2、F3；对特征集合F1、F2、F3分别进行聚类，形成视觉字典V1、V2、V3，并合并为多特征视觉字典V；在步骤1处理后的图像的基础上进行过分割，得到若干个超像素，根据字典V对每个超像素进行稀疏编码；使用主题模型对超像素的稀疏编码进行特征学习，并用SVM分类法分类，得到最终分类结果，能够有效表示极化SAR图像的异质区域。

Description

基于超像素和主题模型的极化SAR图像分类方法
技术领域
本发明属于图像处理和遥感技术领域，涉及一种基于超像素和主题模型的极化SAR图像分类方法。
背景技术
与合成孔径雷达(Synthetic Aperture Radar，SAR)图像相比，极化SAR图像作为多通道的SAR图像，富含更多的极化信息其的地物分类是图像处理的基本任务，也是国家发展的重大需求，受到越来越多人的关注。然而，对于城区，森林等异质区域，由于地物的混杂性，传统的基于目标分解的方法很难将图像分为语义一致的地物区域，这也是极化SAR图像分类的一个挑战。
极化SAR图像含有丰富的极化散射信息，传统的极化SAR图像分类方法主要通过目标分解，得到对应地物的散射类型，如经典的H/α分类，Freeman分类等；另外，一些极化数据的统计模型被提出用来分类，如Wishart分类器；此外，通过结合目标分解和统计分布，H/-Wishart分类方法能够得到更好的分类结果。然而，由于这些方法没有考虑图像的空间和语义信息，对斑点噪声敏感，很难得到区域一致性好的分类结果。后来，许多学者提出了基于图像处理技术的极化SAR图像分类方法，这类算法通过提取极化SAR图像的纹理和结构特征，使用分类器进行分类，通过加入空间信息，能够有效地抑制噪声，获得区域一致的分类结果。
上述极化SAR分类算法虽考虑了极化SAR的散射特性和空间信息，但仍存在很多缺陷：(1)对于极化SAR异质区域，如城区、森林等，由于城区由多个建筑物聚集形成，散射回波会形成强烈的亮暗变化，这种亮暗变化重复出现，形成城区，现有算法由于没有考虑图像的高层语义信息，很难将异质区域划分为语义一致的同类区域。(2)由于没有融合散射特征和图像特性，传统算法难以学习到高层的判别性特征，对极化SAR图像进行分类，考虑极化特性的高层语义特征和分类方法还有待挖掘。
综上所述，现有的极化SAR图像分类方法仍存在一些缺陷，难以将极化SAR异质区域划分为语义一致的区域，难以有效分类极化SAR地物目标。
发明内容
本发明的目的是提供一种基于超像素和主题模型的极化SAR图像分类方法，能够有效表示极化SAR图像的异质区域。
本发明所采用的技术方案是，基于超像素和主题模型的极化SAR图像分类方法，包括以下步骤：
步骤1，输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；
步骤2，使用均匀采样的方式对步骤1处理后的图像进行样本点采集，得到样本点集合；
步骤3，对样本点集合提取极化SAR图像的三种类型的特征，并分别进行归一化，得到特征集合F1、F2、F3；
步骤4，对特征集合F1、F2、F3分别进行K-means聚类，形成视觉字典V1、V2、V3，并将V1、V2、V3合并为多特征视觉字典V；
步骤5，在步骤1处理后的图像的基础上进行过分割，得到若干个超像素，根据多特征视觉字典V对每个超像素进行稀疏编码；
步骤6，使用主题模型对超像素的稀疏编码进行特征学习，得到高层特征，并用SVM分类法对高层特征进行分类，得到极化SAR图像的最终分类结果。
步骤3的具体步骤为：
步骤3.1，基于极化数据表示分别提取极化SAR图像的16维特征，并归一化得到特征集合F1；
步骤3.2，基于极化目标分解分别提取极化SAR图像的17维特征，并归一化得到特征集合F2；
步骤3.3，基于图像处理技术分别提取极化SAR图像的20维特征，并归一化得到特征集合F3。
步骤3.1中，基于极化数据表示提取的极化SAR图像的16维特征具体为：
a)极化散射矩阵S的6维特征：
{real(Shh),imag(Shh),real(Shv),imag(Shv),real(Svv),imag(Svv)} (1)
其中，Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据，real(·)为求实部操作，imag(·)为求虚部操作；
b)相干矩阵T的9维特征：
{T11,T22,T33,real(T12),imag(T12),real(T13),imag(T13),real(T23),imag(T23)}(2)
其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33、T12、T13和T23为相干矩阵T中的元素；
c)SPAN图的1维特征：
span＝|Shh|2+2|Shv|2+|Svv|2 (3)
SPAN图为极化SAR总功率图，其中，span为散射矩阵S的各元素的功率之和；
步骤3.2中，基于极化目标分解提取的极化SAR图像的17维特征具体为：
a)Cloude-Pottier分解得到3维特征：熵H、反熵A和平均散射角α；
熵H定义为：
Figure GDA0002804674880000041
其中：
Figure GDA0002804674880000042
其中，n为通道数，n＝3；相干矩阵T分解得到多个特征值和特征向量，λi是第i个特征值，λj是第j个特征值，Pi为λi的归一化结果；
反熵A定义为：
Figure GDA0002804674880000043
P2为第2个特征值的归一化结果，P3为第3个特征值的归一化结果；
平均散射角α定义为：
α＝P1α1+P2α2+P3α3 (7)
α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素；
b)Freeman分解得到3维特征：表面散射功率、二次散射功率和体散射功率：
Freeman分解将协方差矩阵C分解为三种散射矩阵：
C＝fsCS+fdCD+fvCV (8)
其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fs、fd、fv分别为CS、CD、CV对应的系数；
表面散射功率、二次散射功率、体散射功率分别为pS、pD、pV：
Figure GDA0002804674880000051
其中，a为二次散射参数、b为表面散射参数；
c)Huynen分解得到9维特征：
{A0,B0,B,C,D,E,F,G,H} (10)
A0表示目标对称性，B0-B表示目标非对称性，B0+B表示目标非规则性，C表示目标线性特性，D表示局部曲率差，E表示表面扭转度，F表示目标螺旋性，G表示对称与非对称的粘合力，H表示目标方向；
Huynen分解将相干矩阵T表示为9个独立元素，9个元素表示不同的目标散射信息：
Figure GDA0002804674880000052
其中，
Figure GDA0002804674880000061
d)极化参数的2维特征：
共极化比：
Figure GDA0002804674880000062
交叉极化比：
Figure GDA0002804674880000063
其中，(Svv)*为矩阵Svv的共轭转置。
步骤3.3中，基于图像处理技术提取的极化SAR图像的20维特征具体为：
a)基于灰度共生矩阵定义4维纹理特征：
对比度con：
Figure GDA0002804674880000064
能量Asm：
Figure GDA0002804674880000065
熵Ent：
Figure GDA0002804674880000066
相关性Corr：
Figure GDA0002804674880000071
其中，
Figure GDA0002804674880000072
其中，p(i,j)为像素点i和像素点j之间的灰度共生矩阵值，k为像素点的个数；
b)16维轮廓特征：
设计4个尺度N个方向的边线滤波器组，并将边线滤波器组应用在SPAN图和极化SAR图上，得到不同尺度和方向的能量值：
Figure GDA0002804674880000073
Figure GDA0002804674880000074
其中，Eedge和Eline分别为边能量值和线能量值，上标a、b、c分别表示线滤波器的上、中、下三个区域，xi为边线滤波器内第i个像素点的像素值，wi为第i个像素点对应的高斯核权重，m和n分别为边线滤波器两个不同区域的像素点的个数；在1个SPAN图和3个通道的极化SAR图上，对于4个尺度，分别选择各个方向中的最大能量值作为该尺度的能量值，得到16维轮廓能量图。
步骤4的具体步骤为：
步骤4.1，对特征集合F1进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V1；
对特征集合F2进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V2；
对特征集合F3进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V3；
步骤4.2，合并视觉字典V1、V2、V3，得到3m维的多特征视觉字典V。
步骤5具体为：
对步骤1处理后的图像获取SPAN图，对SPAN图进行均值漂移过分割，每个过分割区域作为一个超像素；
根据多特征视觉字典V对每个超像素进行稀疏编码，并对所有超像素的稀疏编码进行归一化处理。
步骤6具体为：
使用LDA模型对超像素的稀疏编码进行特征学习，先使用贝叶斯学习方法进行模型推理，再使用EM参数估计算法进行参数估计，得到主题概率，使用SVM分类法对主题概率进行分类，得到SAR图像的最终分类结果。
本发明的有益效果是，基于超像素和主题模型的极化SAR图像分类方法，通过提取极化SAR图像的多种特征构成多特征视觉字典，不仅提取了极化分解信息，同时加入纹理和轮廓特征，能够更加全面的刻画地物目标；为了加入空间信息并且减少计算量，采用超像素作为单位来进行稀疏编码，有效减少了时间复杂度；采用主题模型来进行特征学习，学习了图像的高层语义特征，有效克服了复杂地物分类的语义鸿沟问题。
附图说明
图1是本发明的流程图；
图2(a)是Flevoland地区全极化SAR伪彩图；
图2(b)是图2(a)对应的类标参考图；
图2(c)是本发明对Flevoland地区全极化SAR图像的分类结果图；
图2(d)是SVM算法分类结果图；
图3(a)是San Francisco地区全极化伪彩图；
图3(b)是图3(a)对应的类标参考图；
图3(c)是本发明对San Francisco地区全极化SAR图像的分类结果图；
图3(d)是SVM算法分类结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，基于超像素和主题模型的极化SAR图像分类方法，包括以下步骤：
步骤1，输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；精致Lee滤波方法不仅能够平滑匀质区域，抑制噪声，同时能够保持边界细节。
步骤2，使用均匀采样的方式对步骤1处理后的图像进行样本点采集，隔10个点进行采样，得到样本点集合；
步骤3，对样本点集合提取极化SAR图像的三种类型的特征，并分别进行归一化，得到特征集合F1、F2、F3；
步骤3的具体步骤为：
步骤3.1，基于极化数据表示分别提取极化SAR图像的16维特征，并归一化得到特征集合F1；
a)极化散射矩阵S的6维特征：
{real(Shh),imag(Shh),real(Shv),imag(Shv),real(Svv),imag(Svv)} (1)
其中，Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据，real(·)为求实部操作，imag(·)为求虚部操作；
b)相干矩阵T的9维特征：
{T11,T22,T33,real(T12),imag(T12),real(T13),imag(T13),real(T23),imag(T23)}(2)
其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33、T12、T13和T23为相干矩阵T中的元素；
c)SPAN图的1维特征：
span＝|Shh|2+2|Shv|2+|Svv|2 (3)
SPAN图为极化SAR总功率图，其中，span为散射矩阵S的各元素的功率之和。
步骤3.2，基于极化目标分解分别提取极化SAR图像的17维特征，并归一化得到特征集合F2；
a)Cloude-Pottier分解得到3维特征：熵H、反熵A和平均散射角α；
熵H定义为：
Figure GDA0002804674880000101
其中：
Figure GDA0002804674880000111
其中，n为通道数，n＝3；相干矩阵T分解得到多个特征值和特征向量，λi是第i个特征值，λj是第j个特征值，Pi为λi的归一化结果；
反熵A定义为：
Figure GDA0002804674880000112
P2为第2个特征值的归一化结果，P3为第3个特征值的归一化结果；
平均散射角α定义为：
α＝P1α1+P2α2+P3α3 (7)
α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素；
b)Freeman分解得到3维特征：表面散射功率、二次散射功率和体散射功率：
Freeman分解将协方差矩阵C分解为三种散射矩阵：
C＝fsCS+fdCD+fvCV (8)
其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fs、fd、fv分别为CS、CD、CV对应的系数；
表面散射功率、二次散射功率、体散射功率分别为pS、pD、pV：
Figure GDA0002804674880000113
其中，a为二次散射参数、b为表面散射参数；
c)Huynen分解得到9维特征：
{A0,B0,B,C,D,E,F,G,H} (10)
Huynen分解得到各参数的物理含义如表1所示：
表1 Huynen分解得到的各参数的物理含义
A<sub>0</sub> 目标对称性
B<sub>0</sub>-B 目标非对称性
B<sub>0</sub>+B 目标非规则性
C 目标线性特性
D 局部曲率差
E 表面扭转度
F 目标螺旋性
G 对称与非对称的粘合力
H 目标方向
Huynen分解将相干矩阵T表示为9个独立元素，9个元素表示不同的目标散射信息：
Figure GDA0002804674880000121
其中，
Figure GDA0002804674880000131
d)极化参数的2维特征：
共极化比：
Figure GDA0002804674880000132
交叉极化比：
Figure GDA0002804674880000133
其中，(Svv)*为矩阵Svv的共轭转置。
步骤3.3，基于图像处理技术分别提取极化SAR图像的20维特征，并归一化得到特征集合F3；
a)灰度共生矩阵是描述极化SAR图像的纹理的有效工具，通过计算图像局部空间关系能够反映图像局部的方向、间隙、变换模式等信息；基于灰度共生矩阵定义4维纹理特征：
对比度con：
Figure GDA0002804674880000134
能量Asm：
Figure GDA0002804674880000135
熵Ent：
Figure GDA0002804674880000141
相关性Corr：
Figure GDA0002804674880000142
其中，
Figure GDA0002804674880000143
其中，p(i,j)为像素点i和像素点j之间的灰度共生矩阵值，k为像素点的个数；
b)16维轮廓特征：
在本实施例中，设计4个尺度18个方向的滤波器组，为了减少噪声，设计各向异性高斯核对滤波器进行加权，并将滤波器组应用在SPAN图和极化SAR图上，得到不同方向和尺度的能量值：
Figure GDA0002804674880000144
Figure GDA0002804674880000145
其中，Eedge和Eline分别为边能量值和线能量值，上标a、b、c分别表示线滤波器的上、中、下三个区域，xi为滤波器内第i个像素点的像素值，wi为第i个像素点对应的高斯核权重，m和n分别为滤波器两个不同区域的像素点的个数；在1个SPAN图和3个通道的极化SAR图上，对于4个尺度，分别选择18个方向中的最大能量值作为该尺度的能量值，得到16维轮廓能量图。
步骤4，对特征集合F1、F2、F3分别进行K-means聚类，形成视觉字典V1、V2、V3，并将V1、V2、V3合并为多特征视觉字典V；
步骤4的具体步骤为：
步骤4.1，对特征集合F1进行K-means聚类，类别数定义为100类，得到100个聚类中心，将100个聚类中心作为视觉字典V1；
对特征集合F2进行K-means聚类，类别数定义为100类，得到100个聚类中心，将100个聚类中心作为视觉字典V2；
对特征集合F3进行K-means聚类，类别数定义为100类，得到100个聚类中心，将100个聚类中心作为视觉字典V3。
步骤4.2，合并视觉字典V1、V2、V3，得到300维的多特征视觉字典V。
步骤5，对步骤1处理后的图像获取SPAN图，选择EDISON系统对SPAN图进行均值漂移过分割，得到多个一致的小区域，即为过分割区域，每个过分割区域作为一个超像素；
超像素能够刻画图像的自适应邻域关系，每个像素点的邻域不再是固定的4-邻域或者8-邻域，而是整个超像素；目前，许多过分割方法已经被提出，如分水岭算法、均值漂移算法、水平集方法，本发明选择均值漂移算法进行初始分割，能够获得一致的区域，且不会引起太多的超像素块。
根据多特征视觉字典V对每个超像素进行稀疏编码，具体为，对超像素中的每个像素点，向学习的多特征视觉字典V进行投影，距离V最近的像素点编码为1，其他像素点编码为0，对超像素中所有像素点的编码进行直方图统计，得到超像素的稀疏编码，并对所有超像素的稀疏编码进行归一化处理。
步骤6，使用LDA模型对超像素的稀疏编码进行特征学习，先使用贝叶斯学习方法进行模型推理，再使用EM参数估计算法进行参数估计，得到主题概率，使用SVM分类法对主题概率进行分类，选择10％的样本进行训练，再对整幅图像进行测试，得到极化SAR图像的最终分类结果。
下面结合仿真实验对本发明的效果进行进一步的说明：
仿真实验1：
1.仿真条件
(1)仿真实验中，输入NASA/JPL AIRSAR卫星L波段在荷兰Flevoland地区农田的四视极化SAR图像，图像大小为300×270像素；
(2)仿真实验中，精致Lee滤波的窗口选为5×5；
(3)仿真实验中，边线滤波器选取为4个尺度18个方向；
2.仿真内容与结果
图2(a)为Flevoland地区全极化SAR伪彩图，以Pauli基为RGB三通道颜色表示；图2(b)为2(a)对应的类标参考图，白色区域没有参考类标，因此，本发明不考虑白色区域的分类结果，在参考图中Flevoland地区被划分为6类；图2(c)是本发明对Flevoland地区全极化SAR图像的分类结果，分类精度为96.8％；图2(d)为SVM算法分类结果，分类精度为95.9％。能够看出，图2(d)会得到很多杂点，对噪声不能很好的抑制，本发明算法能够得到更加一致的分类结果。
仿真实验2：
1.仿真条件
(1)仿真实验中，输入AIRSAR卫星L波段San Francisco地区四视极化SAR图像，图像大小为512×512像素；
(2)仿真实验中，Lee滤波窗口选为5×5；
(3)仿真实验中，边线滤波器选取为4个尺度18个方向；
2.仿真内容与结果
图3(a)为San Francisco地区全极化伪彩图，以Pauli基为RGB三通道颜色表示。图3(b)为对应的参考图，参考图中该区域被划分为三类，黑色表示海洋，深灰色表示城区，浅灰色表示森林，白色为无标记区域，不进行考虑；图3(c)是本发明对San Francisco地区全极化SAR图像的分类结果，分类精度为95.75％；图3(d)为SVM算法分类结果，分类精度为93.35％。能够看出，图3(d)的分类结果有很多噪声，城区和森林产生了混淆，且海洋部分也有错分，不能很好的抑制；本发明能够得到更加一致的分类结果。
通过上述方法，本发明基于超像素和主题模型的极化SAR图像分类方法，首先对极化SAR图像进行精致Lee滤波处理，对滤波后的图像进行均匀采样；对样本点集合提取极化SAR图像的三类特征集合，分别对三类特征集合进行聚类，形成三组视觉字典，并合并为多特征视觉字典；对SPAN图像进行均值漂移过分割，对分割的每个超像素进行稀疏编码，并使用主题模型进行特征学习，对学到的高层特征进行SVM分类，得到极化SAR图像的分类结果图。本发明通过提取极化SAR图像的多种特征构成多特征视觉字典，不仅提取了极化分解信息，同时加入纹理和轮廓特征，能够更加全面的刻画地物目标；为了加入空间信息并且减少计算量，采用超像素作为单位来进行稀疏编码，有效减少了时间复杂度；采用主题模型来进行特征学习，学习了图像的高层语义特征，有效克服了复杂地物分类的语义鸿沟问题。

Claims (1)

1.基于超像素和主题模型的极化SAR图像分类方法，其特征在于，包括以下步骤：
步骤1，输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；
步骤2，使用均匀采样的方式对所述步骤1处理后的图像进行样本点采集，得到样本点集合；
步骤3，对样本点集合提取极化SAR图像的三种类型的特征，并分别进行归一化，得到特征集合F1、F2、F3，具体步骤为：
步骤3.1，基于极化数据表示分别提取极化SAR图像的16维特征，并归一化得到特征集合F1；
基于极化数据表示提取的极化SAR图像的16维特征具体为：
a)极化散射矩阵S的6维特征：
{real(Shh),imag(Shh),real(Shv),imag(Shv),real(Svv),imag(Svv)} (1)
其中，Shh为水平接收的水平向发射极化波的回波数据、Shv为垂直接收的水平向发射极化波的回波数据、Svv为垂直接收的垂直向发射极化波的回波数据，real(·)为求实部操作，imag(·)为求虚部操作；
b)相干矩阵T的9维特征：
{T11,T22,T33,real(T12),imag(T12),real(T13),imag(T13),real(T23),imag(T23)} (2)
其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33、T12、T13和T23为相干矩阵T中的元素；
c)SPAN图的1维特征：
span＝|Shh|2+2|Shv|2+|Svv|2 (3)
SPAN图为极化SAR总功率图，其中，span为散射矩阵S的各元素的功率之和；
步骤3.2，基于极化目标分解分别提取极化SAR图像的17维特征，并归一化得到特征集合F2；
基于极化目标分解提取的极化SAR图像的17维特征具体为：
a)Cloude-Pottier分解得到3维特征：熵H、反熵A和平均散射角α；
熵H定义为：
Figure FDA0002857501680000021
其中：
Figure FDA0002857501680000022
其中，n为通道数，n＝3；相干矩阵T分解得到多个特征值和特征向量，λu是第u个特征值，λv是第v个特征值，Pu为λu的归一化结果；
反熵A定义为：
Figure FDA0002857501680000023
P2为第2个特征值的归一化结果，P3为第3个特征值的归一化结果；
平均散射角α定义为：
α＝P1α1+P2α2+P3α3 (7)
α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素；
b)Freeman分解得到3维特征：表面散射功率、二次散射功率和体散射功率：
Freeman分解将协方差矩阵C分解为三种散射矩阵：
C＝fsCS+fdCD+fvCV (8)
其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fs、fd、fv分别为CS、CD、CV对应的系数；
表面散射功率、二次散射功率、体散射功率分别为Ps、Pd、Pv：
Figure FDA0002857501680000031
其中，a为二次散射参数、b为表面散射参数；
c)Huynen分解得到9维特征：
{A0,B0,B,C0,D,E,F,G,H0} (10)
A0表示目标对称性，B0-B表示目标非对称性，B0+B表示目标非规则性，C0表示目标线性特性，D表示局部曲率差，E表示表面扭转度，F表示目标螺旋性，G表示对称与非对称的粘合力，H0表示目标方向；
Huynen分解将相干矩阵T表示为9个独立元素，9个元素表示不同的目标散射信息：
Figure FDA0002857501680000032
其中，
Figure FDA0002857501680000041
其中，i为虚数单位；
d)极化参数的2维特征：
共极化比：
Figure FDA0002857501680000042
交叉极化比：
Figure FDA0002857501680000043
其中，(·)*为矩阵(·)的共轭转置；
步骤3.3，基于图像处理技术分别提取极化SAR图像的20维特征，并归一化得到特征集合F3；
基于图像处理技术提取的极化SAR图像的20维特征具体为：
a)基于灰度共生矩阵定义4维纹理特征：
对比度con：
Figure FDA0002857501680000044
能量Asm：
Figure FDA0002857501680000051
熵Ent：
Figure FDA0002857501680000052
相关性Corr：
Figure FDA0002857501680000053
其中，
Figure FDA0002857501680000054
其中，t、j分别表示第t和第j个像素点，p(t,j)为像素点t和像素点j之间的灰度共生矩阵值，k为像素点的个数；
b)16维轮廓特征：
设计4个尺度N个方向的滤波器组，并将滤波器组应用在SPAN图和极化SAR图上，得到不同方向和尺度的能量值：
Figure FDA0002857501680000055
Figure FDA0002857501680000056
其中，Eedge和Eline分别为边能量值和线能量值，上标a、b、c分别表示线滤波器的上、中、下三个区域；xr为边滤波器一侧区域内第r个像素点的像素值，wr为第r个像素点对应的高斯核权重，xs为滤波器另一侧区域内第s个像素点的像素值，ws为第s个像素点对应的高斯核权重，m和l分别为滤波器两个不同区域的像素点的个数；在1个SPAN图和3个通道的极化SAR图上，对于4个尺度，分别选择各个方向中的最大能量值作为该尺度的能量值，得到16维轮廓能量图；
步骤4，对特征集合F1、F2、F3分别进行K-means聚类，形成视觉字典V1、V2、V3，并将V1、V2、V3合并为多特征视觉字典V，具体步骤为：
步骤4.1，对所述特征集合F1进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V1；
对所述特征集合F2进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V2；
对所述特征集合F3进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V3；
步骤4.2，合并视觉字典V1、V2、V3，得到3m维的多特征视觉字典V；
步骤5，在所述步骤1处理后的图像的基础上进行过分割，得到若干个超像素，根据多特征视觉字典V对每个超像素进行稀疏编码，具体为：
对所述步骤1处理后的图像获取SPAN图，对SPAN图进行均值漂移过分割，每个过分割区域作为一个超像素；
根据多特征视觉字典V对每个超像素进行稀疏编码，具体为，对超像素中的每个像素点，向学习的多特征视觉字典V进行投影，距离V最近的像素点编码为1，其他像素点编码为0，对超像素中所有像素点的编码进行直方图统计，得到超像素的稀疏编码，并对所有超像素的稀疏编码进行归一化处理；
步骤6，使用主题模型对超像素的稀疏编码进行特征学习，得到高层特征，并用SVM分类法对高层特征进行分类，得到极化SAR图像的最终分类结果，具体为：
使用LDA模型对超像素的稀疏编码进行特征学习，先使用贝叶斯学习方法进行模型推理，再使用EM参数估计算法进行参数估计，得到主题概率，使用SVM分类法对主题概率进行分类，得到极化SAR图像的最终分类结果。
CN201710667049.6A 2017-08-07 2017-08-07 基于超像素和主题模型的极化sar图像分类方法 Active CN107527023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710667049.6A CN107527023B (zh) 2017-08-07 2017-08-07 基于超像素和主题模型的极化sar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710667049.6A CN107527023B (zh) 2017-08-07 2017-08-07 基于超像素和主题模型的极化sar图像分类方法

Publications (2)

Publication Number Publication Date
CN107527023A CN107527023A (zh) 2017-12-29
CN107527023B true CN107527023B (zh) 2021-05-25

Family

ID=60680714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710667049.6A Active CN107527023B (zh) 2017-08-07 2017-08-07 基于超像素和主题模型的极化sar图像分类方法

Country Status (1)

Country Link
CN (1) CN107527023B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460400B (zh) * 2018-01-02 2022-05-20 南京师范大学 一种结合多种特征信息的高光谱图像分类方法
CN108334851B (zh) * 2018-02-12 2021-08-03 西安电子科技大学 基于各向异质性的快速极化sar图像分割方法
CN108564006B (zh) * 2018-03-26 2021-10-29 西安电子科技大学 基于自步学习卷积神经网络的极化sar地物分类方法
CN108428236B (zh) * 2018-03-28 2020-02-07 西安电子科技大学 基于特征公平集成的多目标sar图像分割方法
CN108875798B (zh) * 2018-05-29 2022-06-24 电子科技大学 一种基于空间金字塔池化的超像素级特征提取方法
CN110717354B (zh) * 2018-07-11 2023-05-12 哈尔滨工业大学 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
CN109344881B (zh) * 2018-09-11 2021-03-09 中国科学技术大学 一种基于时空连续性的扩展分类器
CN109948735B (zh) * 2019-04-02 2021-11-26 广东工业大学 一种多标签分类方法、系统、装置及存储介质
CN111160397A (zh) * 2019-12-06 2020-05-15 北京联合大学 一种多尺度的视觉词字典生成方法及系统
CN112989940B (zh) * 2021-02-08 2023-08-01 国家海洋环境监测中心 基于高分三号卫星sar影像的筏式养殖区提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004361987A (ja) * 2003-05-30 2004-12-24 Seiko Epson Corp 画像検索システム、画像分類システム、画像検索プログラム及び画像分類プログラム、並びに画像検索方法及び画像分類方法
CN104123555A (zh) * 2014-02-24 2014-10-29 西安电子科技大学 一种基于稀疏表示和超像素的极化sar地物分类方法
CN104408467A (zh) * 2014-11-26 2015-03-11 西安电子科技大学 基于金字塔采样和支持矢量机的极化sar图像分类方法
CN106909902A (zh) * 2017-03-01 2017-06-30 北京航空航天大学 一种基于改进的层次化显著模型的遥感目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004361987A (ja) * 2003-05-30 2004-12-24 Seiko Epson Corp 画像検索システム、画像分類システム、画像検索プログラム及び画像分類プログラム、並びに画像検索方法及び画像分類方法
CN104123555A (zh) * 2014-02-24 2014-10-29 西安电子科技大学 一种基于稀疏表示和超像素的极化sar地物分类方法
CN104408467A (zh) * 2014-11-26 2015-03-11 西安电子科技大学 基于金字塔采样和支持矢量机的极化sar图像分类方法
CN106909902A (zh) * 2017-03-01 2017-06-30 北京航空航天大学 一种基于改进的层次化显著模型的遥感目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于超像素分割的空间相关主题模型及场景分类方法;王立军等;《浙江大学学报（工学版）》;20150519;第49卷(第3期);第402-408页 *

Also Published As

Publication number Publication date
CN107527023A (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
CN107527023B (zh) 基于超像素和主题模型的极化sar图像分类方法
CN104392463B (zh) 一种基于联合稀疏多尺度融合的图像显著区域检测方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN103258324B (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN107330457B (zh) 一种基于多特征融合的极化sar图像分类方法
CN104732215A (zh) 一种基于信息向量机的遥感影像海岸线提取方法
CN104517284A (zh) 基于深度置信网的极化sar图像分割
CN105335975B (zh) 基于低秩分解和直方图统计的极化sar图像分割方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN104331698A (zh) 一种遥感图像城区提取方法
CN105117736B (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
CN107480620A (zh) 基于异构特征融合的遥感图像自动目标识别方法
CN101853509A (zh) 基于Treelets和模糊C-均值聚类的SAR图像分割方法
CN104732244A (zh) 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN106096655A (zh) 一种基于卷积神经网络的光学遥感图像飞机检测方法
CN104751172A (zh) 基于去噪自动编码的极化sar图像的分类方法
CN115661649B (zh) 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统
Chen et al. Agricultural remote sensing image cultivated land extraction technology based on deep learning
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. IDUDL: Incremental double unsupervised deep learning model for marine aquaculture SAR images segmentation
CN105184297A (zh) 基于张量和稀疏自编码器的极化sar图像分类方法
CN104751183A (zh) 基于张量mpca的极化sar图像分类方法
CN109947960B (zh) 基于深度卷积的人脸多属性联合估计模型构建方法
CN104123563B (zh) 一种基于Cloude分解的极化SAR图像分类方法

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