[發(fā)明專利]一種基于多特征融合的極化SAR圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710485443.8
• 申請(qǐng)日: 2017-06-23
• 公開（公告）號(hào): CN107330457B
• 公開（公告）日: 2019-11-05
• 發(fā)明（設(shè)計(jì)）人: 曹宗杰;丁堯;馮籍瀾;崔宗勇
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周劉英

本發(fā)明公開了一種基于多特征融合的極化SAR圖像分類方法。本發(fā)明首先提取待分類極化SAR圖像的極化特征向量，得到高維極化特征集；提取該圖像SPAN處理結(jié)果的形態(tài)學(xué)斷面特征向量，得到高維形態(tài)學(xué)特征集；將兩類高維特征分別進(jìn)行保局辨別分析的降維處理后，選取已知類別標(biāo)簽的圖像像素點(diǎn)構(gòu)成訓(xùn)練樣本集，再選取整幅圖像的其余像素點(diǎn)作為分類樣本集；將兩類低維特征分別通過(guò)基于最大后驗(yàn)概率的SVM，得到各自情況下像素點(diǎn)的類別標(biāo)簽及對(duì)應(yīng)后驗(yàn)概率；采用求和準(zhǔn)則或自適應(yīng)加權(quán)求和準(zhǔn)則，將每個(gè)像素點(diǎn)在兩種情況下的后驗(yàn)概率向量結(jié)合起來(lái)，依據(jù)最大后驗(yàn)概率原則，得到高分辨極化SAR圖像的最終分類結(jié)果。本發(fā)明實(shí)施，有助于提高分辨極化SAR圖像分類準(zhǔn)確率及效率。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)圖像處理與解譯技術(shù)，即對(duì)高分辨極化合成孔徑雷達(dá)圖像進(jìn)行地物分類處理，具體涉及一種基于多特征融合的極化SAR圖像分類方法。

背景技術(shù)

近年來(lái)，我國(guó)在各個(gè)領(lǐng)域均實(shí)現(xiàn)了合成孔徑雷達(dá)(SAR)的成功應(yīng)用。SAR的成功應(yīng)用依賴于有效的SAR圖像處理與解譯技術(shù)，而其前提是SAR圖像的分類技術(shù)。通過(guò)分類，可以有效獲取SAR圖像中的地物信息，為多種應(yīng)用如城市規(guī)劃、農(nóng)作物與森林觀測(cè)、災(zāi)害評(píng)估以及地面目標(biāo)識(shí)別等提供幫助，因此SAR圖像分類技術(shù)占有非常重要的地位。

現(xiàn)有的SAR成像技術(shù)不斷在發(fā)展。其中一個(gè)主要趨勢(shì)是分辨率的提高。SAR系統(tǒng)分辨率的提高，不僅可以使SAR圖像中紋理信息更為豐富，還使得SAR傳感器獲取的地物信息更為細(xì)致。另一方面，SAR系統(tǒng)漸漸演變出多極化的工作模式。通過(guò)在不同極化方式下所獲取的散射回波信號(hào)，可以分析目標(biāo)散射機(jī)制，不僅能避免目標(biāo)信息的不確定性問(wèn)題，還能增強(qiáng)雜波抑制與抗干擾能力。因此，為了進(jìn)一步地獲得更好的分類結(jié)果，出現(xiàn)了針對(duì)高分辨率極化合成孔徑雷達(dá)圖像(PolSAR)進(jìn)行分類問(wèn)題的研究。

然而：(1)當(dāng)前對(duì)極化信息資源的開發(fā)和利用還遠(yuǎn)遠(yuǎn)不夠，主要停留在對(duì)基于極化目標(biāo)分解的方法研究。而使用單一的極化信息來(lái)進(jìn)行圖像分類是遠(yuǎn)遠(yuǎn)不夠的，會(huì)大范圍出現(xiàn)“錯(cuò)分”、“誤分”的現(xiàn)象；(2)在高分辨條件下，雷達(dá)圖像中的紋理信息更為豐富，讓原本在中低分辨率條件下無(wú)法觀測(cè)到的地物起伏在高分辨率條件下變得十分明顯，此時(shí)利用空間特征來(lái)對(duì)圖像進(jìn)行分類，能夠取得事半功倍的效果。M.Pesaresi等人介紹了一種應(yīng)用一系列形態(tài)學(xué)濾波的方法——形態(tài)學(xué)斷面(Morphological profiles，MPs)，其主要思想是基于紋理基元的類型和數(shù)目以及基元之間的“重復(fù)性”的空間組織結(jié)構(gòu)和排列規(guī)則來(lái)進(jìn)行紋理切割。該方法提取得到的MP特征(形態(tài)學(xué)斷面特征，是形態(tài)學(xué)特征/空間特征的一種)，根據(jù)其結(jié)構(gòu)基元的形狀、尺寸的不同，能夠?qū)Ω叻直胬走_(dá)圖像實(shí)現(xiàn)多尺度地展示其豐富的空間信息，較小的尺度可以表示細(xì)節(jié)和邊緣信息，較大的尺度可以減少同類型區(qū)域內(nèi)部變化，這樣能夠最大程度上實(shí)現(xiàn)對(duì)雷達(dá)圖像的合理分類；(3)由于分辨率的提高，提取的特征的維數(shù)也越來(lái)越高。但是這些高維特征不可避免地會(huì)產(chǎn)生大量冗余信息，在分類器中占據(jù)運(yùn)算容量，導(dǎo)致分類效率急劇下降。因而需要在分類前對(duì)輸入特征進(jìn)行降維處理。典型的降維方法有線性降維方法及流形學(xué)習(xí)方法，線性降維方法是基于高斯假說(shuō)的，但是現(xiàn)實(shí)數(shù)據(jù)往往是處于復(fù)雜的非線性空間中，需要非線性方法去發(fā)掘潛在結(jié)構(gòu)的，并且線性降維方法對(duì)數(shù)據(jù)空間中的幾何、局部分布式結(jié)構(gòu)不具備囊括能力，而這些信息對(duì)分類至關(guān)重要；非線性降維方法中的流形學(xué)習(xí)方法，假定的前提是特征可以保留于低維流形結(jié)構(gòu)中，然而流形學(xué)習(xí)固有的非監(jiān)督性以及非辨別性讓其難以實(shí)際應(yīng)用，且讓不同類別的特征向量無(wú)法最佳地分離，易造成錯(cuò)分誤分現(xiàn)象；(4)結(jié)合兩類特征中最突出的問(wèn)題是如何把不同種類的特征有效地結(jié)合起來(lái)，這就需要所謂的信息融合技術(shù)。信息融合的難點(diǎn)，一是不同特征所處空間不同，對(duì)應(yīng)核函數(shù)也不同；二是可能會(huì)破壞原有特征信息，特別是兩種特征量級(jí)相差巨大的情況；三是特征種類增多，占據(jù)運(yùn)算容量增大，易造成運(yùn)算效率下降。目前在極化SAR圖像解譯中對(duì)信息融合方式尚未深入研究。

發(fā)明內(nèi)容

本發(fā)明的發(fā)明目的在于：為了克服現(xiàn)有對(duì)極化SAR圖像分類方法的不足之處，以提高對(duì)高分辨極化SAR圖像的分類效果，公開了一種基于多特征融合的極化SAR圖像分類方法。