[發明專利]基于點-域距離的增量式極化SAR地物分類方法

有效

• 申請號: 201710320669.2
• 申請日: 2017-05-09
• 公開（公告）號: CN107133649B
• 公開（公告）日: 2019-10-25
• 發明（設計）人: 楊淑媛;孟麗珠;焦李成;馬文萍;馮志璽;劉振;趙慧;段韻章;馬晶晶;緱水平
• 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
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

本發明公開了一種基于點?域距離的增量式極化SAR地物分類方法，主要解決傳統的分類方法分類精度低的問題。其方案是：1.對輸入的極化SAR圖像的極化相干矩陣T進行取實部與歸一化處理，得到用于分類的極化SAR數據矩陣X；2.隨機選取不同比例的訓練樣本；3.利用K近鄰分類對極化SAR數據矩陣X進行初始分類，并用預測標簽矩陣L₁表示初始分類結果；4.對于預測標簽矩陣L₁進行基于點?域距離的增量式分類結果優化，得到最終的分類結果。本發明將增量式思想運用到極化SAR地物分類中，不斷對分類結果進行優化，實現了分類結果的動態的學習更新，使分類精度得到了顯著提升。

技術領域

本發明屬于圖像處理和遙感技術領域，特別涉及一種極化SAR圖像的地物分類，可用于對具有區域一致性的極化SAR圖像進行分類。

背景技術

極化合成孔徑雷達SAR是通過實時的測量目標的散射回波的一種多通道、多參數的雷達成像系統。它是微波技術領域的先進測控技術。極化SAR圖像分類是圖像解譯的重要內容，但是極化SAR圖像包含全方位的極化信息，除了增大了目標辨識度，在目標檢測與識別、地物分類等多方面有廣泛的應用外，同時也增加了極化SAR圖像分類的難度，因而提高極化SAR圖像分類水平具有重要的現實意義。

目前的極化SAR圖像分類方法主要是利用數據的極化信息和統計特性進行分類的。典型的基于目標分解的分類方法有：Freeman分解和H/α分解。Freeman分解是把極化信息的協方差矩陣分解為體散射、偶次散射和表面散射三種散射機制模型。H/α分解則是在基于相干矩陣的基礎上，利用散射熵和散射角提出的分解方法。

除此以外，根據是否知道數據的先驗信息，分為監督分類和無監督分類。監督分類是利用已知的訓練樣本和真實的地物分類結果等進行分類，常用的有貝葉斯分類器和支持向量機(SVM)等。無監督分類則是在沒有先驗信息的前提下，利用極化數據的各種統計特征完成的分類。監督分類精度高，但訓練過程復雜，無監督分類算法速率快，但分類精度不高。

根據處理的數據的層次，可以分為基于像素的分類和基于區域的分類。基于像素的分類方法的邊緣信息保持良好，但易受相干斑噪聲的影響。基于區域的分類方法對同類區域上效果良好，但邊緣信息容易丟失。

發明內容

本發明的目的在于針對上述現有技術的不足，提出了一種基于點-域距離的增量式極化SAR地物分類方法，提高分類精度。

本發明的技術方案是這樣實現的：

一.技術思路

本發明在傳統的、單一的極化SAR地物分類方法的基礎上，旨在解決分類方法中對邊緣細節保持較差、分類模式單一和不具備更新學習的問題，將增量思想運用到極化SAR地物分類方法中，在不改變原有分類方法基礎上，通過構造一種點-域距離來判定預測標簽的可靠性，分別構成預測標簽的正確矩陣R和預測標簽的錯誤矩陣W，并通過利用canny算子選取具有代表性的新的訓練樣本，對極化SAR數據進行再分類，實現分類精度的大幅度提高。

二.實現方案

根據上述思路，本發明的實現步驟包括如下：

(1)輸入待分類的極化SAR圖像的極化相干矩陣T，并對極化相干矩陣T的數據進行取實部與歸一化處理，得到用于分類的極化SAR數據矩陣X；

(2)選取訓練樣本占標記樣本比例分別為0.1％、0.3％、0.5％、0.8％和1％的訓練樣本矩陣Y；

(3)利用K近鄰分類對極化SAR數據矩陣X進行初始分類，并用預測標簽矩陣L₁表示初始分類結果；

(4)對步驟3的初始分類結果進行基于點-域距離的增量式分類結果優化，得到預測標簽優化矩陣L₂：