[發明專利]基于SDIT和SVM的極化SAR圖像分類方法

有效

• 申請號: 201410089692.1
• 申請日: 2014-03-12
• 公開（公告）號: CN103824084B
• 公開（公告）日: 2016-11-02
• 發明（設計）人: 王爽;焦李成;高琛瓊;牛東;馬文萍;馬晶晶;侯彪
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于SDIT和SVM的極化SAR圖像分類方法，包括如下步驟：?

（1）輸入任選的一幅待分類的極化SAR圖像；?

（2）濾波：?

采用精致極化LEE濾波方法，對待分類的極化SAR圖像進行濾波，去除斑點噪聲，得到濾波后的極化SAR圖像；?

（3）提取散射偏振紋理特征：?

（3a)對濾波后的極化SAR圖像的每個像素，采用泡利Pauli分解方法得到|a|²，|b|²，|c|²共三個散射參數，采用克拉德cloude分解方法得到H，α，A，λ₁，λ₂，λ₃共六個散射參數，采用弗里曼-德登Freeman-Durden分解方法得到P_s，P_d，P_v，f_s，f_d，f_v，R共七個散射參數，采用克羅艾厄Krogager得到共三個散射參數，采用惠能Huynen分解方法得到a，b，l，c，d，e，f，g，h共九個散射參數，將所得到的全部散射參數作為28維的散射特征；?

（3b)對濾波后的極化SAR圖像中每個像素點提取12維的偏振特征；?

（3c)對濾波后的極化SAR圖像中每個像素點提取8維的紋理特征；?

(4)組合特征并歸一：?

將散射特征、偏振特征、紋理特征，組成極化SAR圖像的48維的散射分解、偏振參數、圖像紋理的特征組合SDIT，并將所得到的SDIT特征的值歸一到0～1之間的數值；?

（5）訓練分類器：?

在極化SAR圖像上，從0.001%到0.01%，每隔0.001%分別選取對應比例的像素作為訓練樣本，將訓練樣本的SDIT特征放入支持向量機分類器中進行訓練，得到訓練好的分類器；?

（6）預測分類：?

利用訓練好的分類器，對待分類的極化SAR圖像進行分類，得到極化SAR圖像的像素類別；?

（7）計算精度：?

將極化SAR圖像像素類別與真實地物類別進行對比，將類別一致的像素個數與全部像素個數的比值作為極化SAR圖像的分類精度；?

（8）輸出結果：?

在分類后的極化SAR圖像上，將紅色、綠色、藍色三個顏色作為三基色，按照三基色上色法進行上色，得到上色后的極化SAR圖像，輸出上色后的極化SAR圖像。?

2.根據權利要求1所述的基于SDIT和SVM的極化SAR圖像分類方法，其特征在于：步驟（2）所述的精致極化LEE濾波方法按如下步驟進行：?

第一步，設定精致極化LEE濾波的滑動窗口，該滑動窗口的大小為7×7像素；?

第二步，將滑動窗口在輸入的極化SAR圖像的像素上，從左到右、從上到下漫游，每漫游一步時，將滑動窗口按照像素空間位置，從左到右、從上到下依次分成9個子窗口，每個子窗口的大小是3×3像素，子窗口之間有重疊；?

第三步，將9個子窗口對應位置的數據求均值，將所得到的均值構成3×3像素的均值窗口；?

第四步，選擇水平、垂直、45度和135度的四個方向的梯度模板，將均值窗口分別與四個模板進行加權，對所得到的加權結果求絕對值，選出所有絕對值中的最大值，將該最大值對應的方向作為邊緣方向；?

第五步，取邊緣方向的左右2個子窗口，分別對2個窗口內的所有像素求均值，用得到的兩個均值分別減去中心窗口所有像素的均值，將均值差值中小的值所對應的子窗口作為方向窗口；?

第六步，按照下式，得到精致極化LEE濾波的權值；?

其中，b表示精致極化LEE濾波的權值，var(y)表示方向窗口內極化SAR總功率圖像像素的方差值，y表示方向窗口內極化SAR總功率圖像的像素，p表?示方向窗口內極化SAR總功率圖像所有像素的均值，表示輸入的極化SAR圖像相干斑噪聲的方差值；?

第七步，按照下式，得到濾波后極化SAR圖像中心像素的協方差矩陣：?

x=w+b(z-w)?

其中，x表示濾波后極化SAR圖像中心像素的協方差矩陣，w表示方向窗口內極化SAR圖像像素的協方差矩陣的均值，b表示精致極化LEE濾波的權值，z表示極化SAR圖像中心像素的協方差矩陣。?