基于强度统计稀疏的全极化SAR图像分类方法技术

本发明专利技术公开了一种基于强度统计稀疏的全极化SAR图像分类方法，可应用于全极化合成孔径雷达SAR图像分类和目标识别。其实现步骤为：(1)输入散射强度矩阵；(2)获取SAR图像的统计特征；(3)获取SAR图像的稀疏特征；(4)训练分类器并分类；(5)优化初始分类结果；(6)输出分类结果。本发明专利技术利用全极化SAR合成孔径雷达图像三个通道的散射强度信息，挖掘三个通道之间的空间特征信息，对全极化SAR合成孔径雷达图像中特定目标实现有效的分类，并且可以完整的保留特定目标中具体地物的细节特征。

【技术实现步骤摘要】
基于强度统计稀疏的全极化SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及目标识别
中的一种基于强度统计稀疏的全极化合成孔径雷达(SyntheticApertureRadar,SAR)图像分类方法。本专利技术可应用于对全极化合成孔径雷达SAR图像中散射强度值统计特征和稀疏特征进行提取，并对特定目标进行准确地分类。
技术介绍
高分辨率全极化合成孔径雷达作为微波遥感技术的代表，它包含了目标更加丰富的后向散射信息，是SAR领域的必然发展趋势。全极化SAR图像的理解与解译涉及到机器学习、模式识别、信号处理、模糊逻辑等众多学科，隶属于图像处理的范畴。极化SAR图像分类技术在已经在国防和民用领域得到广泛的应用。目前，现有技术中的极化SAR图像分类技术的分类特征主要是从极化散射矩阵(S)、极化相干矩阵(T)和极化协方差矩阵(C)中提取的，主要包括极化相干矩阵的特征值和特征向量，图像中目标的散射功率及散射熵等。通过这些分类特征实现极化SAR图像中不同目标的分类，例如：上海交通大学在其申请的专利“一种具有空间自适应性的极化SAR图像分割方法”(专利申请号：201210111531.9，公开号：CN102722883A)中提出了一种具有空间自适应性的极化SAR图像分割方法。该方法主要解决现有的分割技术在空间复杂度自适应性上的不足导致分割结果无法体现图像细节信息的问题。该方法首先结合H/α-MLWishart聚类和四叉树分解得到大小不等、能够自适应场景复杂度的初始分割区域，然后利用复Wishart分布和马尔科夫随机场MRF对初始分割区域的大小和形状进行调整，得到最终的分割结果。该方法虽然充分有效利用了极化SAR图像的极化信息，具有良好的空间自适应性，分割结果能够很好的保留极化SAR图像中的细节信息，分割速度较快，结果较为精确。但是，该方法仍然存在的不足之处是：该方法只提取了全极化合成孔径雷达SAR图像的一个通道的信息，并没有涉及三个通道间的信息，必然造成分类信息的丢失和分类结果的不准确，马尔科夫随机场MRF算法中应用了极大似然估计方法，增加了计算复杂度，使获得结果的时间变长。首都师范大学在其申请的专利“极化SAR图像分类方法”(专利申请号：：201310685303.7，公开号：CN103617427A)中提出了一种基于决策树分类模型的分类方法。该方法提出的一种极化SAR图像分类方法包括:提取极化SAR图像的特征:散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；将所述极化SAR图像分解为两个子孔径图像后，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H1,A1,α1)、(H2,A2,α2)；将所述两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；将所述第一特征集和所述第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。该方法虽然可以提高分类结果的精度。但是，该方法仍然存在的不足之处是，由于分解图像时子孔径的个数与地面空间分辨率成反比，导致地面空间分辨率却由于子孔径的个数增加而降低，使最终的分类精度受限。
技术实现思路
本专利技术的目的在于解决上述现有技术的不足，提出了基于强度统计稀疏的全极化SAR图像分类方法，充分利用了全极化合成孔径雷达SAR图像三个通道之间的空间信息，实现了对全极化合成孔径雷达SAR图像中单个通道分类信息的补充，提高了分类目标的正确性，利用韦伯Weibull概率分布模型能够更好的拟合实际统计中出现的非高斯概率分布曲线，可以更准确的逼近极化合成孔径雷达SAR图像散射强度值的真实概率，提高了分类特征的准确性，在估计韦伯Weibull概率分布模型中参数时应用了基于梅林Mellin变换的第二类统计量，降低了本专利技术方法的计算复杂度。本专利技术实现上述目的的思路是：分别统计三类特定目标在三个通道上样本的散射强度值，获取三类特定目标在三个通道上散射强度值的概率密度曲线，分别通过韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道上散射强度值的概率密度函数，分别计算出三类特定目标在三个通道上散射强度值的概率，获得三类特定目标的统计特征，三类特定目标各自的统计特征具有稀疏性，利用KSVD字典学习算个发获取三类特定目标的稀疏特征，利用支撑向量机SVM分类器对三类特定目标进行分类，最后采用复威沙特Wsihart迭代算法，对结果进行优化处理，输出最终的分类结果。本专利技术的步骤包括如下：(1)输入散射强度矩阵：输入全极化合成孔径雷达SAR图像对应的散射强度矩阵；(2)获取SAR图像的统计特征：(2a)从散射强度矩阵的三个通道中，分别选取城市、植被和水域三类特定目标的散射强度值作为样本，并绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线；(2b)按照下式，求解韦伯Weibull概率分布模型的形状参数μ和韦伯Weibull概率分布模型的尺度参数η：其中，k1表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的一阶对数累计量，k2表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的二阶对数累计量，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数，η-1表示韦伯Weibull概率分布模型的尺度参数η的倒数，η-2表示韦伯Weibull概率分布模型的尺度参数η平方的倒数，Ψ(·)表示取双伽玛函数值的操作；(2c)按照下式，分别利用韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道散射强度值的拟合概率密度函数：其中，f(r|μ,η)表示三类特定目标在三个通道上散射强度值的拟合概率密度函数，r表示三类特定目标在三个通道上散射强度值,r≥0，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数；(2d)利用三类特定目标在三个通道上散射强度值的拟合概率密度函数，分别求解三类特定目标在三个通道上散射强度值的概率，将三个特定目标在三个通道上的概率用三个三维向量表示为三类特定目标的统计特征；(3)获取SAR图像的稀疏特征：(3a)采用KSVD字典学习算法，分别求得三类特定目标样本统计特征的稀疏字典，将三类特定目标样本统计特征的稀疏字典中的稀疏原子作为三类特定目标样本的稀疏特征；(3b)利用三类特定目标中每类特定目标样本统计特征的稀疏字典，采用正交匹配追踪OMP算法，将获得三类特定目标的统计特征的稀疏原子作为三类特定目标的稀疏特征；(4)训练分类器并分类：利用三类特定目标的稀疏特征中选取的样本训练支撑向量机SVM分类器，使用训练得到支撑向量机SVM分类器对全极化合成孔径雷达SAR图像中城市、植被和水域三类特定目标进行分类，得到初始分类结果；(5)优化初始分类结果：利用复威沙特Wsihart迭代算法，对初始分类结果进行优化处理，得到最终分类结果；(6)输出分类结果。本专利技术与现有技术相比，具有以下优点：第一，由于本专利技术采用KSVD字典学习算法分别从三类特定目标的统计特征中提取稀疏特征，融合了三个通道之间的信息，克服了现有技术中只从全极化合成孔径雷达SA本文档来自技高网...

【技术保护点】
一种基于强度统计稀疏的全极化SAR图像分类方法，包括如下步骤：(1)输入散射强度矩阵：输入全极化合成孔径雷达SAR图像对应的散射强度矩阵；(2)获取SAR图像的统计特征：(2a)从散射强度矩阵的三个通道中，分别选取城市、植被和水域三类特定目标的散射强度值作为样本，并绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线；(2b)按照下式，求解韦伯Weibull概率分布模型的形状参数μ和韦伯Weibull概率分布模型的尺度参数η：k1=lnμ+Ψ(1)η-1k2=Ψ(1,1)η-2;]]>其中，k1表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的一阶对数累计量，k2表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的二阶对数累计量，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数，η‑1表示韦伯Weibull概率分布模型的尺度参数η的倒数，η‑2表示韦伯Weibull概率分布模型的尺度参数η平方的倒数，Ψ(·)表示取双伽玛函数值的操作；(2c)按照下式，分别利用韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道散射强度值的拟合概率密度函数：f(r|μ,η)=ημηrη-1exp[-(rμ)η];]]>其中，f(r|μ,η)表示三类特定目标在三个通道上散射强度值的拟合概率密度函数，r表示三类特定目标在三个通道上散射强度值,r≥0，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数；(2d)利用三类特定目标在三个通道上散射强度值的拟合概率密度函数，分别求解三类特定目标在三个通道上散射强度值的概率，将三个特定目标在三个通道上的概率用三个三维向量表示为三类特定目标的统计特征；(3)获取SAR图像的稀疏特征：(3a)采用KSVD字典学习算法，分别求得三类特定目标样本统计特征的稀疏字典，将三类特定目标样本统计特征的稀疏字典中的稀疏原子作为三类特定目标样本的稀疏特征；(3b)利用三类特定目标中每类特定目标样本统计特征的稀疏字典，采用正交匹配追踪OMP算法，将获得三类特定目标的统计特征的稀疏原子作为三类特定目标的稀疏特征；(4)训练分类器并分类：利用三类特定目标的稀疏特征中选取的样本训练支撑向量机SVM分类器，使用训练得到支撑向量机SVM分类器对全极化合成孔径雷达SAR图像中城市、植被和水域三类特定目标进行分类，得到初始分类结果；(5)优化初始分类结果：利用复威沙特Wsihart迭代算法，对初始分类结果进行优化处理，得到最终分类结果；(6)输出分类结果。...

【技术特征摘要】
1.一种基于强度统计稀疏的全极化SAR图像分类方法，包括如下步骤：(1)输入散射强度矩阵：输入全极化合成孔径雷达SAR图像对应的散射强度矩阵；(2)获取SAR图像的统计特征：(2a)从散射强度矩阵的三个通道中，分别选取城市、植被和水域三类特定目标的散射强度值作为样本，并绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线；(2b)按照下式，求解韦伯Weibull概率分布模型的形状参数μ和韦伯Weibull概率分布模型的尺度参数η：其中，k1表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的一阶对数累计量，k2表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的二阶对数累计量，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数，η-1表示韦伯Weibull概率分布模型的尺度参数η的倒数，η-2表示韦伯Weibull概率分布模型的尺度参数η平方的倒数，Ψ(·)表示取双伽玛函数值的操作；(2c)按照下式，分别利用韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道散射强度值的拟合概率密度函数：其中，f(r|μ,η)表示三类特定目标在三个通道上散射强度值的拟合概率密度函数，r表示三类特定目标在三个通道上散射强度值,r≥0，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数；(2d)利用三类特定目标在三个通道上散射强度值的拟合概率密度函数，分别求解三类特定目标在三个通道上散射强度值的概率，将三个特定目标在三个通道上的概率用三个三维向量表示为三类特定目标的统计特征；(3)获取SAR图像的稀疏特征：(3a)采用KSVD字典学习算法，分别求得三类特定目标样本统计特征的稀疏字典，将三类特定目标样本统计特征的稀疏字典中的稀疏原子作为三类特定目标样本的稀疏特征；(3b)利用三类特定目标中每类特定目标样本统计特征的稀疏字典，采用正交匹配追踪OMP算法，将获得三类特定目标的统计特征的稀疏原子作为三类特定目标的稀疏特征；(4)训练分类器并分类：利用三类特定目标的稀疏特征中选取的样本训练支撑向量机SVM分类器，使用训练得到支撑向量机SVM分类器对全极化合成孔径雷达SAR图像中城市、植被和水域三类特定目标进行分类，得到初始分类结果；(5)优化初始分类结果：利用复威沙特Wsihart迭代算法，对初始分类结果进行优化处理，得到最终分类结果；(6)输出分类结果。2.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(1)中所述的全极化合成孔径雷达SAR图像的散射强度矩阵包括水平发射水平接收HH、水平发射垂直接收HV和垂直发射垂直接收VV三个通道的散射强度值。3.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(2a)中所述的绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线的步骤是：分别从三类特定目标在三个通道上散射强度值中选取大小为50×50个像素的散射强度值矩阵作为样本，统计每个样本的散射强度值，分别计算三类特定目标在三个通道上散射强度值在样本中出现的频率，将结果分别作为三类特定目标在三个通道上样本的散射强度值的概率，分别绘制三类特定目标在三个通道上样本的散射强度值的概率分布曲线，将绘制的曲线代表三类...

【专利技术属性】
技术研发人员：缑水平，焦李成，武耀胜，马晶晶，马文萍，王爽，屈嵘，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61