[發(fā)明專(zhuān)利]基于小波核稀疏LSSVM的極化SAR圖像分類(lèi)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410752417.3
• 申請(qǐng)日: 2014-12-09
• 公開(kāi)（公告）號(hào): CN104463213A
• 公開(kāi)（公告）日: 2015-03-25
• 發(fā)明（設(shè)計(jì)）人: 焦李成;李玲玲;隋艷立;屈嶸;楊淑媛;侯彪;王爽;劉紅英;熊濤;馬文萍;馬晶晶
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專(zhuān)利中心 61205
• 代理人: 王品華;朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像分類(lèi)技術(shù)領(lǐng)域中的一種基于小波核稀疏最小二乘支持向量機(jī)LSSVM的極化合成孔徑雷達(dá)SAR圖像分類(lèi)方法，可用于對(duì)極化SAR圖像進(jìn)行地物分類(lèi)并標(biāo)記，實(shí)現(xiàn)目標(biāo)識(shí)別與跟蹤定位。

背景技術(shù)

極化SAR圖像分類(lèi)可以認(rèn)為是對(duì)圖像中的像素點(diǎn)進(jìn)行分類(lèi)的過(guò)程，根據(jù)圖像中每個(gè)像素點(diǎn)的屬性特征判斷該像素點(diǎn)所屬的類(lèi)別，完成對(duì)圖像的分類(lèi)。由于統(tǒng)計(jì)學(xué)習(xí)理論是一種專(zhuān)門(mén)研究小樣本情況下的機(jī)器學(xué)習(xí)理論，基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)是一種有效的監(jiān)督分類(lèi)器，已廣泛應(yīng)用于目標(biāo)識(shí)別與圖像分割等領(lǐng)域。

孟云閃發(fā)表的論文“LSSVM算法在極化SAR影響分類(lèi)中的應(yīng)用”(《地理空間信息》，文章編號(hào)：1672-4623(2012)03-0043-03)中公開(kāi)了一種用LSSVM對(duì)極化SAR圖像分類(lèi)的方法。該方法的實(shí)現(xiàn)過(guò)程為，首先對(duì)極化SAR影像進(jìn)行目標(biāo)分解，提取5個(gè)參數(shù)組成的矢量集作為特征，其次將特征矢量集進(jìn)行線性歸一化處理，最后將傳統(tǒng)的SVM分類(lèi)器和LSSVM分類(lèi)器進(jìn)行性能對(duì)比，并采用LSSVM獲得分類(lèi)結(jié)果。該方法的不足之處在于，此方法最終選擇了LSSVM分類(lèi)器，此分類(lèi)模型無(wú)法保證得到的解是全局最優(yōu)解，并且解缺乏稀疏性，容易導(dǎo)致過(guò)擬合，無(wú)法克服孤立點(diǎn)和噪聲的影響，導(dǎo)致分類(lèi)精度低。

西安電子科技大學(xué)申請(qǐng)的專(zhuān)利“一種基于半監(jiān)督SVM和MeanShift的極化SAR圖像分類(lèi)方法”(專(zhuān)利申請(qǐng)?zhí)枺?01410076676.9，公布號(hào)：CN?103914704A)。該方法的實(shí)現(xiàn)過(guò)程為，首先分別建立極化SAR圖像分類(lèi)訓(xùn)練集和分類(lèi)測(cè)試集，其次用SVM算法獲得極化SAR圖像的分類(lèi)結(jié)果，選取置信度高的樣本集，用MeanShift修改SVM分類(lèi)結(jié)果，更新樣本集、測(cè)試集和分類(lèi)模型，最后用該分類(lèi)模型對(duì)極化SAR圖像進(jìn)行分類(lèi)。該方法的不足之處在于，此方法采用了傳統(tǒng)的SVM分類(lèi)器，需要借助二次規(guī)劃求分類(lèi)模型，所以在對(duì)極化SAR圖像進(jìn)行分類(lèi)時(shí)，由于數(shù)據(jù)量較大，導(dǎo)致計(jì)算復(fù)雜度高，訓(xùn)練時(shí)間長(zhǎng)，效率低下，并且對(duì)復(fù)雜函數(shù)的擬合效果較差，導(dǎo)致分類(lèi)精度較低。

發(fā)明內(nèi)容

本發(fā)明的目的在于提出一種基于小波核稀疏最小二乘支持向量機(jī)LSSVM的極化SAR圖像分類(lèi)方法，以縮短分類(lèi)時(shí)間，提高分類(lèi)精度，實(shí)現(xiàn)對(duì)極化合成孔徑雷達(dá)SAR圖像的快速準(zhǔn)確分類(lèi)。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下步驟：

(1)輸入一幅大小為3*3*N的待分類(lèi)極化SAR圖像的相干矩陣，并采用7*7窗口大小的Lee濾波器濾除相干噪聲，得到濾波后的相干矩陣T，其中，濾波后的相干矩陣T中每個(gè)元素是一個(gè)3*3矩陣，N表示待分類(lèi)的極化合成孔徑雷達(dá)SAR圖像像素點(diǎn)的總數(shù)；

(2)將濾波后相干矩陣T中每個(gè)元素對(duì)應(yīng)的3*3矩陣，拉成一個(gè)1*9的特征向量，構(gòu)成一個(gè)特征矩陣T¹；

(3)從特征矩陣T¹中隨機(jī)選擇5％的特征向量作為訓(xùn)練樣本集X，剩余的95％作為測(cè)試樣本集Xt；

(4)選取Morlet小波核函數(shù)，并用該小波核函數(shù)將訓(xùn)練樣本集X從原始空間映射到高維空間，得到高維空間中的訓(xùn)練樣本集X¹。

(5)將高維空間中的訓(xùn)練樣本集X¹和其對(duì)應(yīng)的類(lèi)別標(biāo)簽集輸入到稀疏最小二乘支持向量機(jī)LSSVM分類(lèi)器中，訓(xùn)練出小波核稀疏最小二乘支持向量機(jī)LSSVM分類(lèi)器；

(6)用小波核稀疏最小二乘支持向量機(jī)LSSVM分類(lèi)器，對(duì)待分類(lèi)的極化合成孔徑雷達(dá)SAR圖像中每個(gè)像素點(diǎn)進(jìn)行標(biāo)記，得到分類(lèi)結(jié)果，完成分類(lèi)。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

第一、計(jì)算復(fù)雜度低，分類(lèi)速度快。

由于本發(fā)明采用了稀疏最小二乘支持支持向量機(jī)LSSVM分類(lèi)器，解決了現(xiàn)有技術(shù)中最小二乘支持向量機(jī)LSSVM分類(lèi)器需要求解多個(gè)線性方程的復(fù)雜模型，導(dǎo)致計(jì)算復(fù)雜度高，得到的解不稀疏，致使分類(lèi)用時(shí)長(zhǎng)的問(wèn)題，實(shí)現(xiàn)了對(duì)極化SAR圖像的快速分類(lèi)。

第二、分類(lèi)精度高。

本發(fā)明由于將稀疏LSSVM分類(lèi)器的內(nèi)部核函數(shù)改進(jìn)為Morlet小波核函數(shù)，解決了現(xiàn)有技術(shù)中SVM分類(lèi)器采用徑向基核函數(shù)對(duì)復(fù)雜函數(shù)的擬合效果較差，導(dǎo)致分類(lèi)精度較低的問(wèn)題，使得采用本發(fā)明中的技術(shù)在對(duì)極化SAR圖像分類(lèi)時(shí)，在不犧牲分類(lèi)效率的前提下，提高了分類(lèi)精度。

附圖說(shuō)明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖；

圖2為1989年AIRSAR平臺(tái)獲得的Flevoland,Netherlands地區(qū)的L波段的多視極化SAR數(shù)據(jù)合成圖的偽彩圖；