CN107590507A - 基于空间约束的快速更新图的半监督极化sar图像分类方法 - Google Patents
基于空间约束的快速更新图的半监督极化sar图像分类方法 Download PDFInfo
- Publication number
- CN107590507A CN107590507A CN201710731516.7A CN201710731516A CN107590507A CN 107590507 A CN107590507 A CN 107590507A CN 201710731516 A CN201710731516 A CN 201710731516A CN 107590507 A CN107590507 A CN 107590507A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pixel
- sar image
- polarimetric sar
- image
- 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
Landscapes
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,输入极化SAR图像原始数据;极化SAR图像预处理;提取数据的相关特征,得到数据集;构建初始全连接图;更新全连接图;构建相似关系图矩阵;构建空间信息图;合并相似关系图矩阵和空间信息图得到样本点之间的相似关系矩阵;对图像进行分类并计算正确率。本发明利用快速更新图方法构建出时间复杂度低的相似关系图并考虑了空间信息,不仅降低了构图所消耗的时间,还提高了极化SAR图像的分类正确率。对地质勘探,抢险救灾,目标识别等民用和军用领域可以快速地给出判断。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,可用于对极化SAR图像的地物分类和目标识别。
背景技术
极化SAR是一种是利用合成孔径原理,实现高分辨的微波成像雷达,不但具有全天候、全天时、分辨率高、可侧视成像等优点,同时SAR影像具有丰富的细节信息,重要的纹理特征和明显的地物几何结构,可广泛应用于军事、农业、导航、地理监视等诸多领域。在国际遥感领域受到高度重视,因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。
极化SAR图像分类的目的是利用机载或星载极化SAR传感器获得的极化测量数据,然后根据像素点的性质,确定每个像素点所属的类别。它是图像解译技术的一项重要内容,是其它应用的基础。随着极化SAR在生活、军事中的应用越来越广泛,对于极化SAR图像分类的精确度要求也越来越高,在已有的一些极化SAR图像的分类方法中,有的仅仅只是利用了标签数据的信息来进行分类,比如监督的分类方法中的KNN方法。为了结合利用标签数据和无标签数据的信息来进行分类,有学者提出了半监督的分类方法,应用比较多的包括基于图的半监督方法,例如基于锚点图的半监督分类方法,该方法通过计算图像样本点之间的距离来进行构建锚点图矩阵,然而极化SAR数据是非线性的,单纯的计算图像样本点之间的距离来表示样本点间的相似关系并不准确。上述方法都是首先使用有标签样本和无标签样本作为顶点来构建一个图模型,给每一对顶点之间的边都赋予一个权值,权值表示两个样本点之间的相似度。之后,根据优化函数即分类器通过边将有标记样本的类别标签传递给无标记样本,从而对无标记样本进行分类。在核低秩图中,首先是找出数据集中每个样本点的k个近邻点,然后计算样本点的局部重建权值矩阵。在锚点图中,首先通过聚类方法或者是随机选取一部分样本点构成一个锚点集,然后计算锚点和原始样本之间的相似图矩阵,超图则是将若干个数据点一起考虑,用一条边将它们连在一起。
上述图模型的构建,虽然在极化SAR图像分类都取得了不错的分类正确率,但时间复杂度都比较高,对于数据大的图像耗时耗力,对硬件要求也极高。而且也没有考虑图像样本点之间的空间信息。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,解决了已有的基于构图的半监督分类方法中构图需要花费大量时间的不足,以及未利用空间信息的问题。
本发明采用以下技术方案:
基于空间约束的快速更新图的半监督极化SAR图像分类方法,首先输入极化SAR图像原始数据;极化SAR图像预处理;提取数据的相关特征,得到数据集;随机取少量的样本点,先构造一个小的全连接图,然后依次将余下的样本点快速更新到全连接图中,得到全部更新后相似关系图矩阵Z,再利用图像像素样本点的空间信息构建空间信息图矩阵G,合并全部更新后相似关系图矩阵Z和空间信息图矩阵G得到最终相似关系图矩阵W,最后将最终相似关系图矩阵W用于图保持方法中对极化SAR图像进行分类。
优选的,包括以下步骤:
S1、从极化SAR图像数据中获取极化SAR图像的原始数据;
S2、对极化SAR图像的原始数据用经典Lee滤波算法滤波处理;
S3、对滤波后的极化SAR数据其进行分解,提取数据的相干T特征、Cloud特征、Freeman特征、Span特征,得到一共15维的数据集X;
S4、将数据集X随机打乱,选取少量样本点,构造出一个初始全连接图Z0,并找出在图矩阵中权值最大的元素zmax;
S5、更新全连接图,得到全部更新后相似关系图矩阵Z;
S6、构建空间信息图G;
S7、合并全部更新后相似关系图Z和空间信息图G;
S8、对极化SAR图像进行分类并计算分类正确率。
优选的,步骤S5具体为:
S501、初始化计数s=0,然后依次加入余下的样本点,计算每个新加入的样本点与图中样本点之间的相似度,记为zij;
S502、判断zij和βzmax之间的关系,β∈(0.5,1),当zij<βzmax时,将zij置为0,否则不变,并进行一次计数s=s+1,β取0.9;
S503、判断新加入的样本点的近邻数是否满足k个,若满足,结束该次寻找,继续加入下一个新的样本点,k取8;
S504、重复步骤S502和S503,直到余下所有的样本点都在图中,得到全部更新后相似关系图矩阵Z。
优选的,步骤S6具体为:对于图像中每一个像素样本点,它和周围前后左右的四个像素样本点相似关系取值为1,与其它像素样本点相似关系则取值为0,构建空间信息图矩阵G。
优选的,步骤S7具体为:全部更新后相似关系图矩阵Z和空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵W为:
W=Z+λG
其中,λ∈(0,1)。
优选的,步骤S8中,将已经得到的最终相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,输出分类后的图像,并计算分类正确率。
优选的,步骤S8具体为:
S801、将已经得到的最终相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到图像中每个像素点类别标签矩阵Y如下:
其中,wij为W中第i行、第j列的元素,yi为第i个像素点xi的类别标签,yj为第j个像素点xj的类别标签,当像素点xi和像素点xj相似度较高,即wij值很大的时候;
S802、得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,对应到极化SAR图像上的每个像素点,将红色、绿色、蓝色作为三基色,按照三基色上色法为每个像素点上色,输出分类后的结果图;
S803、将分类器预测的类别标签矩阵Y与测试样本真实的类别标签矩阵L进行对比,得出实验的分类正确率。
优选的,步骤S801中,对图像中每个像素点类别标签矩阵Y进行最优解,取即第i个像素点xi和第j个像素点xj被分到同一类,分类后整个图像数据的类别标签矩阵Y如下:
Y=(y1,y2,…yi,…yj…yn)。
与现有技术相比,本发明至少具有以下有益效果:
本发明基于空间约束的快速更新图的半监督极化SAR图像分类方法,首先输入极化SAR图像原始数据;极化SAR图像预处理;提取数据的相关特征,得到数据集,通过随机选取少量的样本点,先构造一个小图,然后将余下的样本点依次更新到小图中,生成图像像素样本相似关系图,大大降低了构图的时间,再利用图像像素样本点的空间信息构建空间信息图矩阵G,合并全部更新后相似关系图矩阵Z和空间信息图矩阵G得到最终相似关系图矩阵W,最后将最终相似关系图矩阵W用于图保持方法中对极化SAR图像进行分类,考虑了图像样本点之间的空间信息,利用样本点之间的空间近邻关系构造出一个空间信息图,结合1中构造的图像像素样本相似关系图,不但降低了时间复杂度,也充分利用了空间信息,进一步提高图像的分类正确率。
进一步的,加入了图像像素样本点的空间信息,这样不但降低了构图的时间复杂度,还提高了图像的分类正确率。
进一步的,利用快速更新图方法构建出时间复杂度低的相似关系图并考虑了空间信息,不仅降低了构图所消耗的时间,还提高了极化SAR图像的分类正确率。
进一步的,合并相似关系图和空间信息图,加入空间信息约束,对所有样本点之间的近邻关系进一步的挖掘,使同类邻近样本关系得到加强。不仅充分利用了样本数据之间相似关系,还有效的提高后续的分类正确率。
进一步的,对图像中每个像素点的类别标签矩阵进行最优解,使得当像素点xi和像素点xj相似度较高,即wij值很大的时候,所对应类别标签yi和yj被分为同一类;更准确的保证了相似像素样本具有相同的类别标签。
综上所述,本发明提出一种构图更快、分类正确率更高的基于空间约束的快速更新图的极化SAR图像半监督分类方法,解决了已有的半监督极化SAR图像分类方法中时间复杂度太高,以及未能充分利用图像样本点之间空间信息的技术问题,对地质勘探,抢险救灾,目标识别等民用和军用领域可以快速地给出判断。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程图;
图2为本发明的仿真对比实验图,其中,(a)为本发明方法和已有的对比算法用来实验的原始图,(b)为原始图对应的标准图,(c)为由Hyper方法对图a进行分类的结果图,(d)为用AGR方法对图a进行分类的结果图,(e)为采用SSA方法对图a进行分类的结果图,(f)为本发明方法SSUG对图a进行分类的结果图;
图3为本发明在San Francisco地区的AIRSAR数据仿真对比实验图,其中,(a)为本发明方法和已有的对比算法用来实验的原始图,(b)为原始图对应的Ground truth,(c)为由Hyper方法对图a进行分类的结果图,(d)为用AGR方法对图a进行分类的结果图,(e)为采用SSA方法对图a进行分类的结果图,(f)为本发明方法SSUG对图a进行分类的结果图。
具体实施方式
目前,因遥感技术的发展,在环境监测、地球资源勘测、军事系统等领域有着广泛的应用,对极化SAR图像处理的需求也不断加大。
本发明提供了一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,输入极化SAR图像原始数据;极化SAR图像预处理;提取数据的相关特征,得到数据集;随机取少量的样本点,先构造一个小的全连接图,然后依次将余下的样本点快速更新到全连接图中,得到全部更新后相似关系图矩阵Z,再利用图像像素样本点的空间信息构建空间信息图矩阵G,合并全部更新后相似关系图矩阵Z和空间信息图矩阵G得到最终相似关系图矩阵W,最后将相似关系图矩阵用于图保持方法中对极化SAR图像进行分类。
请参阅图1,本发明基于空间约束的快速更新图的半监督极化SAR图像分类方法的具体步骤如下:
S1、输入图像:
从极化SAR图像数据中获取极化SAR图像的原始数据。
S2、图像预处理:
对极化SAR图像的原始数据用经典的Lee滤波算法滤波处理。
S3、特征提取:
对滤波后的极化SAR数据其进行分解,提取数据的相干T特征、Cloud特征、Freeman特征、Span特征,得到一共15维的数据集X。
S4、构建初始全连接图:
将数据集X随机打乱,选取少量样本点,构造出一个初始全连接图Z0,并找出在图矩阵中权值最大的元素zmax。
S5、更新全连接图:
依次加入余下的样本点,计算每个新加入的样本点与图中样本点之间的相似度,判断该相似度是否不小于βzmax,若是,保留其值,否则置0;
以及判断新加入的样本点的近邻个数是否满足k个,若满足,结束该次寻找,继续加入下一个新的样本点,直到余下的所有样本点都在图中,得到全部更新后相似关系图矩阵Z。
S501、初始化计数s=0,然后依次加入余下的样本点,计算每个新加入的样本点与图中样本点之间的相似度,记为zij;
S502、判断zij和βzmax之间的关系,β∈(0.5,1),当zij<βzmax时,将zij置为0,否则不变,并进行一次计数s=s+1,本实施例中β取0.9;
S503、判断新加入的样本点的近邻数是否满足k个,若满足,结束该次寻找,继续加入下一个新的样本点,本实施例中k取8;
S504、重复上述S502和S503操作。直到余下所有的样本点都在图中,得到全部更新后相似图矩阵Z。
S6、构建空间信息图:
对于图像中每一个像素样本点,它和周围前后左右的四个像素样本点相似关系取值为1,与其它像素样本点相似关系则取值为0,构建空间信息图矩阵G。
S7、合并相似关系图和空间信息图:
全部更新后相似关系图矩阵Z和空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵W:
W=Z+λG,
其中,λ∈(0,1)。
S8、对极化SAR图像进行分类并计算分类正确率:
将已经得到的相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,输出分类后的的图像,并计算分类正确率。
S801、将已经得到的相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到图像中每个像素点类别标签矩阵Y,公式如下:
其中wij为W中第i行、第j列的元素,yi为第i个像素点xi的类别标签,yj为第j个像素点xj的类别标签,当像素点xi和像素点xj相似度较高,即wij值很大的时候,要使上述公式得到最优解,则yi和yj的值要相近,取即第i个像素点xi和第j个像素点xj被分到同一类,分类后整个图像数据的类别标签矩阵为
Y=(y1,y2,…yi,…yj…yn);
S802、得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,对应到极化SAR图像上的每个像素点,将红色、绿色、蓝色作为三基色,按照三基色上色法为每个像素点上色,输出分类后的结果图,参见图2(f);
S803、将分类器预测的类别标签矩阵Y与测试样本真实的类别标签矩阵L进行对比,得出实验的分类正确率。
随着极化SAR的应用越来越广泛,不但对极化SAR图像分类的准确度要求越来越高,而且对分类所需时间的要求也逐渐的提升。在已有的基于图的半监督分类方法中,构图的有着很高时间复杂度,虽然能到很高的分类准确度,但需要花费大量的时间。
本发明通过采用快速更新图的方法,利用极少的样本点数据构建小图,不断地把余下样本点更新到小图中,最终得到图像像素样本点之间的相似关系图矩阵,从而缩短了构图的时间,大大缩短了分类所需的时间成本。
在本发明中,并不是全部计算新加入样本点与图中样本点的相似度,而是设定阈值和近邻数k,在更新过程中,只要同时满足阈值和近邻数,就结束寻找,加入下一个新样本点。这样有效地减少了不必要的相似度的计算,缩短构图所需时间。
下面给出一个更加详尽的例子,对本发明进一步说明
实施例1
参照图2,本发明具体实施步骤如下:
S1、输入图像:从极化SAR图像数据文件夹中获取极化SAR图像的原始数据,参见图2(a),根据极化SAR图像的地物分布信息得到标签矩阵L,参见图2(b),图2(b)就是由标签矩阵L直接生成的图像,图像中不同的色块代表不同的地物,同一种地物的分布在标签矩阵中由同样的类别标号表示,如图2最下端图例所示,比如第1个红色块对应的类别标号为1,第2个绿色块对应的类别标号为2,最后一个蓝色块对应的类别标号为9。
如果在实际应用中,利用处理极化SAR图像的PolSAR软件先将图像读入,然后把图像中的每个像素点处理成数据的形式,将图像的原始数据以文件的形式存储起来,作为极化SAR图像的原始数据。
本实例使用极化SAR地物仿真图像,大小为120×150,该仿真数据有18000个样本,每个样本对应极化SAR图像上的一个像素点,参见图2(a)。
S2、图像预处理:由于在实际地物极化SAR图像存在相干斑,需滤波处理,不然对后续的分类影响很大。故使用经典Lee滤波进行滤波处理。
S3、特征提取:对滤波后的极化SAR数据其进行分解,提取数据的相干T特征、Cloud特征、Freeman特征、Span特征,得到一共15维的数据集n是图像中样本的总个数,xi表示第i个样本。
S4、构建初始全连接图:将数据集X随机打乱,选取少量样本点n1,其中n1<<n构造出一个初始全连接图Z0,并找出在图矩阵中权值最大的元素zmax,n1选取1%的样本点。
S5、更新全连接图:
S501、初始化计数s=0,然后依次加入余下的样本点,计算每个新加入的样本点与图中样本点之间的相似度,记为zij;
S502、判断zij和βzmax之间的关系,β∈(0.5,1)。
当zij<βzmax时,将zij置为0,否则不变,并进行一次计数s=s+1,本实施例中β取0.9;
S503、判断新加入的样本点的近邻数是否满足k个,若满足,结束该次寻找,继续加入下一个新的样本点,本实施例中k取8;
S504、重复上述S502和S503操作。直到余下所有的样本点都在图中,得到最终更新后的图矩阵Z。
在本发明中,并不是全部计算新加入样本点与图中样本点的相似度,而是设定阈值和近邻数k,在更新过程中,只要同时满足阈值和近邻数,就结束寻找,加入下一个新样本点。这样有效地减少了不必要的相似度的计算,缩短构图所需时间。
S6、构建空间信息图:对于图像中每一个像素样本点,它和周围前后左右的四个像素样本点相似关系取值为1,与其它像素样本点相似关系则取值为0,构建空间信息图矩阵G。
S7、合并相似关系图和空间信息图:更新相似关系图矩阵Z和空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵W=Z+λG,其中λ∈(0,1),在本实施例中取λ=0.5。
S8、对极化SAR图像进行分类并计算正确率:
S801、将已经得到的相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到图像中每个像素点类别标签矩阵Y,公式如下:
其中wij为W中第i行、第j列的元素,yi为第i个像素点xi的类别标签,yj为第j个像素点xj的类别标签,当像素点xi和像素点xj相似度较高,即zij值很大的时候,要使上述公式得到最优解,则yi和yj的值要相近,取即第i个像素点xi和第j个像素点xj被分到同一类,分类后整个图像数据的类别标签矩阵为
Y=(y1,y2,…yi,…yj…yn);
S802、得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,对应到极化SAR图像上的每个像素点,将红色、绿色、蓝色作为三基色,按照三基色上色法为每个像素点上色,输出分类后的结果图,参见图2(f);
S803、将分类器预测的类别标签矩阵Y与测试样本真实的类别标签矩阵L进行对比,得出实验的分类正确率。
本发明通过改进构图的方式,利用极少的样本点数据构建小图,不断地把余下样本点更新到小图中,最终得到图像像素样本点之间的相似关系图矩阵,从而缩短了构图的时间,大大缩短了分类所需的时间成本。同时也使用样本点之间的空间信息,近一步提高了分类准确率。
实施例2
下面就已存在的构图算法和本发明在时间复杂度上的比较来说明本发明的优点:
表1各构图算法的时间复杂度比较
如表1所示,在所有的算法中参数n表示样本像素点总数。对本发明SSUA,K为寻找的次数且K<<n,n1为构造已知全连接图选取的样本数且n1<<n;对Hyper方法,d为超边包含的边数,T1为Hyper中迭代优化中的迭代次数,T2为梯度下降迭代次数,m1超边数量;在AGR中,m2为锚点数,s为最近邻锚点数,T3为求解回归矩阵时的迭代次数;在SSA中,t1、t2为迭代的次数,c是近邻锚点数,p是聚类中心的个数。
由表1可以看出,本发明选取的参数都远远小于样本像素点总数,时间复杂度约为O(n),而另外三种构图方法的时间复杂度都远超过O(n),即本发明SSUA构图方法,尤其是Hyper构图法的时间复杂度达到O(n3)。所以本发明SSUA构图方法大大的降低了时间复杂度,节约了时间成本。
实施例3
下面通过仿真对本发明的技术效果进行说明:
实验条件
实验所用微机CPU为Intel Corei5-2430M内存4GB,编程平台是Matlab R2011b。
实验用图为120×150的农田仿真图,该图一共有18000个像素点,九类农作物,取其中1%的像素点作为训练样本,其余的为测试样本。
实验内容
本发明利用改进的空间约束的快速更新图算法,然后结合图保持的半监督分类方法对极化SAR地物仿真图进行分类,在同样实验设置的前提下与其它极化SAR图像分类方法进行比较,其中Hyper为基于超图的半监督分类方法,图2(c)是由Hyper方法对图2(a)进行分类的结果图;AGR为锚点图半监督分类图,2(d)用AGR方法对图2(a)进行分类的结果图;SSA为基于锚点空间图的半监督分类方法,图2(e)是采用SSA方法对图2(a)进行分类的结果图;SSUA是本发明的分类算法,图2(f)是本发明方法SSUG对图2(a)进行分类的结果图。
表2为采用上述4种方法分别得到的极化SAR地物仿真图像的地物分类精度和总体分类精度。
从表2中可以看出,在训练样本均为1%的情况下,本发明与现有的极化SAR图像分类方法相比具有较低的时间。并且本发明方法对于图像总体的分类正确率也很高,达到了98.00%,而最差的Hyper方法也有96.83%,但所需时间是本发明的5倍之多。
实施例4
下面通过真实的地物极化SAR图像对本发明的技术效果进行说明:
实验条件
实验所用微机CPU为Intel Corei5-2430M内存4GB,编程平台是Matlab R2011b。
实验所用真实地物图为San Francisco地区的AIRSAR数据,大小为1300×1300,该图一共有1690000个像素点,有5类不同的地物,分别为海域、植被、低密度城市、高密度城市、发达地区。取其中1%的像素点作为训练样本,其余的为测试样本。
实验内容
本发明利用改进的空间约束的快速更新图算法,然后结合图保持的半监督分类方法对极化SAR真实地物图像进行分类,这样更能真实反应本发明方法有效性。在同样实验设置的前提下与其它极化SAR图像分类方法进行比较,其中Hyper为基于超图的半监督分类方法,图3(c)是由Hyper方法对图3(a)进行分类的结果图;AGR为锚点图半监督分类图,3(d)用AGR方法对图3(a)进行分类的结果图;SSA为基于锚点空间图的半监督分类方法,图3(e)是采用SSA方法对图3(a)进行分类的结果图;SSUA是本发明的分类算法,图3(f)是本发明方法SSUG对图3(a)进行分类的结果图。
表3为采用上述4种方法分别得到的极化SAR真实地物图像San Francisco地区的地物分类精度和总体分类精度
从表3中可以看出,在训练样本均为1%的情况下,本发明与现有的极化SAR图像分类方法相比具有较低的时间为142.53分钟。并且本发明方法对于图像总体的分类正确率也很高,达到了90.99%,而SSA方法却用到736.55分钟,所需时间是本发明的5倍之多。值得注意的是,本发明方法对于类标为3,即红色区域的低密度城镇的图像样本点分类正确率最高,为60.34%,而其他三种方法只有30%左右。
综上所述,发明公开的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法。解决了已有的半监督极化SAR图像分类方法中时间复杂度太高,以及未能充分利用图像样本点之间空间信息的技术问题。
本发明利用快速更新图方法构建出时间复杂度低的相似关系图并考虑了空间信息,不仅降低了分类所消耗的时间,还提高了极化SAR图像的分类正确率。对地质勘探,抢险救灾,目标识别等民用和军用领域可以快速地给出判断。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,首先输入极化SAR图像原始数据;极化SAR图像预处理;提取数据的相关特征,得到数据集;随机取少量的样本点,先构造一个小的全连接图,然后依次将余下的样本点快速更新到全连接图中,得到全部更新后相似关系图矩阵Z,再利用图像像素样本点的空间信息构建空间信息图矩阵G,合并全部更新后相似关系图矩阵Z和空间信息图矩阵G得到最终相似关系图矩阵W,最后将最终相似关系图矩阵W用于图保持方法中对极化SAR图像进行分类。
2.根据权利要求1所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,包括以下步骤:
S1、从极化SAR图像数据中获取极化SAR图像的原始数据;
S2、对极化SAR图像的原始数据用经典Lee滤波算法滤波处理;
S3、对滤波后的极化SAR数据其进行分解,提取数据的相干T特征、Cloud特征、Freeman特征、Span特征,得到一共15维的数据集X;
S4、将数据集X随机打乱,选取少量样本点,构造出一个初始全连接图Z0,并找出在图矩阵中权值最大的元素zmax;
S5、更新全连接图,得到全部更新后相似关系图矩阵Z;
S6、构建空间信息图G;
S7、合并全部更新后相似关系图Z和空间信息图G;
S8、对极化SAR图像进行分类并计算分类正确率。
3.根据权利要求2所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,步骤S5具体为:
S501、初始化计数s=0,然后依次加入余下的样本点,计算每个新加入的样本点与图中样本点之间的相似度,记为zij;
S502、判断zij和βzmax之间的关系,β∈(0.5,1),当zij<βzmax时,将zij置为0,否则不变,并进行一次计数s=s+1,β取0.9;
S503、判断新加入的样本点的近邻数是否满足k个,若满足,结束该次寻找,继续加入下一个新的样本点,k取8;
S504、重复步骤S502和S503,直到余下所有的样本点都在图中,得到全部更新后相似关系图矩阵Z。
4.根据权利要求2所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,步骤S6具体为:对于图像中每一个像素样本点,它和周围前后左右的四个像素样本点相似关系取值为1,与其它像素样本点相似关系则取值为0,构建空间信息图矩阵G。
5.根据权利要求2所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,步骤S7具体为:全部更新后相似关系图矩阵Z和空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵W为:
W=Z+λG
其中,λ∈(0,1)。
6.根据权利要求2所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,步骤S8中,将已经得到的最终相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,输出分类后的图像,并计算分类正确率。
7.根据权利要求6所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,步骤S8具体为:
S801、将已经得到的最终相似关系图矩阵W用于图保持的半监督分类方法中对极化SAR图像进行分类,得到图像中每个像素点类别标签矩阵Y如下:
<mrow>
<munder>
<mrow>
<mi>arg</mi>
<mi>min</mi>
</mrow>
<mi>Y</mi>
</munder>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</munder>
<mi>W</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
其中,wij为W中第i行、第j列的元素,yi为第i个像素点xi的类别标签,yj为第j个像素点xj的类别标签,当像素点xi和像素点xj相似度较高,即wij值很大的时候;
S802、得到每个像素点分类后的类别标签矩阵Y;根据类别标签矩阵Y对每个像素点进行着色,对应到极化SAR图像上的每个像素点,将红色、绿色、蓝色作为三基色,按照三基色上色法为每个像素点上色,输出分类后的结果图;
S803、将分类器预测的类别标签矩阵Y与测试样本真实的类别标签矩阵L进行对比,得出实验的分类正确率。
8.根据权利要求7所述的一种基于空间约束的快速更新图的半监督极化SAR图像分类方法,其特征在于,步骤S801中,对图像中每个像素点类别标签矩阵Y进行最优解,取即第i个像素点xi和第j个像素点xj被分到同一类,分类后整个图像数据的类别标签矩阵Y如下:
Y=(y1,y2,…yi,…yj…yn)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731516.7A CN107590507B (zh) | 2017-08-23 | 2017-08-23 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710731516.7A CN107590507B (zh) | 2017-08-23 | 2017-08-23 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590507A true CN107590507A (zh) | 2018-01-16 |
CN107590507B CN107590507B (zh) | 2020-06-09 |
Family
ID=61043005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710731516.7A Active CN107590507B (zh) | 2017-08-23 | 2017-08-23 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590507B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488923A (zh) * | 2020-04-03 | 2020-08-04 | 陕西师范大学 | 增强的锚点图半监督分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040205038A1 (en) * | 2003-04-09 | 2004-10-14 | Lee Shih-Jong J. | Intelligent spatial reasoning |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
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 |
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 |
CN106127224A (zh) * | 2016-06-13 | 2016-11-16 | 西安电子科技大学 | 基于快速拍卖图的半监督极化sar分类方法 |
CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
-
2017
- 2017-08-23 CN CN201710731516.7A patent/CN107590507B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040205038A1 (en) * | 2003-04-09 | 2004-10-14 | Lee Shih-Jong J. | Intelligent spatial reasoning |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
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 |
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 |
CN106127224A (zh) * | 2016-06-13 | 2016-11-16 | 西安电子科技大学 | 基于快速拍卖图的半监督极化sar分类方法 |
CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
Non-Patent Citations (1)
Title |
---|
邱杨: "基于空间约束的半监督子空间聚类算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488923A (zh) * | 2020-04-03 | 2020-08-04 | 陕西师范大学 | 增强的锚点图半监督分类方法 |
CN111488923B (zh) * | 2020-04-03 | 2023-02-07 | 陕西师范大学 | 增强的锚点图半监督分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107590507B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BODAGHABADI et al. | Digital soil mapping using artificial neural networks and terrain-related attributes | |
CN107358142B (zh) | 基于随机森林构图的极化sar图像半监督分类方法 | |
Puissant et al. | Object-oriented mapping of urban trees using Random Forest classifiers | |
Liu et al. | Comparison of non-linear mixture models: sub-pixel classification | |
Gao et al. | Visual saliency modeling for river detection in high-resolution SAR imagery | |
Mahmon et al. | A review on classification of satellite image using Artificial Neural Network (ANN) | |
Yamashkin et al. | Improving the efficiency of deep learning methods in remote sensing data analysis: geosystem approach | |
Iounousse et al. | Using an unsupervised approach of Probabilistic Neural Network (PNN) for land use classification from multitemporal satellite images | |
Wu et al. | Geo-object-based soil organic matter mapping using machine learning algorithms with multi-source geo-spatial data | |
Yuan et al. | Fine-grained classification of urban functional zones and landscape pattern analysis using hyperspectral satellite imagery: A case study of wuhan | |
Azmoon et al. | Image-data-driven slope stability analysis for preventing landslides using deep learning | |
Lunga et al. | Resflow: A remote sensing imagery data-flow for improved model generalization | |
Genitha et al. | Super resolution mapping of satellite images using hopfield neural networks | |
Mahmoudzadeh et al. | New hybrid evolutionary models for spatial prediction of soil properties in Kurdistan | |
He et al. | Spectral–spatial fusion sub-pixel mapping based on deep neural network | |
CN107590507A (zh) | 基于空间约束的快速更新图的半监督极化sar图像分类方法 | |
Roostaei et al. | Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area | |
Chang et al. | Landslide features interpreted by neural network method using a high-resolution satellite image and digital topographic data | |
Mahyoub et al. | Impervious surface prediction in Marrakech city using artificial neural network | |
Jemy et al. | Quadruple stacked-based concept: A novel approach for change detection | |
Langevin et al. | Identifying change in a dynamic urban landscape: a neural network approach to map-updating | |
Kalaiyarasi et al. | Estimation of Deforestation Rate and Forest Land Use Land Cover Change Detection | |
Hussaini et al. | A review of water level fluctuation models and modelling initiatives | |
Barrile et al. | Using Snn Neural Networks Trained with High Resolution Data 2 and Applied to Copernicus SENTINEL-2 Data | |
Chen et al. | Evaluation of landslide potential due to land use in the slope |
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 |