[發(fā)明專利]一種基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110500421.0
• 申請(qǐng)日: 2021-05-08
• 公開(kāi)（公告）號(hào): CN113326741A
• 公開(kāi)（公告）日: 2021-08-31
• 發(fā)明（設(shè)計(jì)）人: 田馨;李林;翁永玲
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06T7/45
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 羅運(yùn)紅

1.一種基于合成孔徑雷達(dá)(SAR)影像和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于，包括以下步驟：

S1：預(yù)先根據(jù)研究區(qū)的土地利用和土地覆蓋情況，設(shè)定地物分類體系，選取部分地物為訓(xùn)練區(qū)域，其余地物作為驗(yàn)證區(qū)域數(shù)據(jù)；

S2：對(duì)同期同區(qū)域的SAR影像和光學(xué)影像數(shù)據(jù)預(yù)處理后，采集訓(xùn)練區(qū)域的SAR影像數(shù)據(jù)和光學(xué)影像數(shù)據(jù)；

S3：分別提取訓(xùn)練區(qū)域光學(xué)影像的光譜特征、紋理參數(shù)，SAR影像的特征矩陣、極化分解參數(shù)；

S4：將提取出的SAR影像和光學(xué)影像所有特征參數(shù)作為輸入變量，使用隨機(jī)森林算法對(duì)驗(yàn)證區(qū)域進(jìn)行預(yù)分類，獲得各類特征參數(shù)的重要性排序及特征重要性得分；

S5：根據(jù)特征重要性得分對(duì)特征參數(shù)進(jìn)行篩選，選取重要性得分排序前列的特征參數(shù)作為輸入變量，參與到隨機(jī)森林分類器中進(jìn)行分類，根據(jù)前述驗(yàn)證區(qū)域數(shù)據(jù)進(jìn)行驗(yàn)證以及精度評(píng)價(jià)。

2.根據(jù)權(quán)利要求1所述的基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于：所述步驟1中，選取地物樣本過(guò)程包括：結(jié)合實(shí)地地物考察，以谷歌地球影像和高分影像作為參考影像，選取的地物訓(xùn)練區(qū)域數(shù)據(jù)既有地物種類的代表特性，又在影像研究區(qū)域內(nèi)均勻分布。

3.根據(jù)權(quán)利要求1所述的基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于：所述步驟S2中，影像預(yù)處理的過(guò)程包括：所述SAR影像的預(yù)處理步驟包括影像配準(zhǔn)、斑點(diǎn)濾波、地理編碼和輻射定標(biāo)；所述光學(xué)影像的預(yù)處理步驟包括輻射定標(biāo)、大氣校正和重采樣。

4.根據(jù)權(quán)利要求1所述的基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于：所述步驟S3中，提取出的光學(xué)影像特征參數(shù)包括光譜信息和紋理信息，其中紋理信息采用基于灰度共生矩陣(GLCM)方法進(jìn)行分析，包括以下常用8種特征：均值、對(duì)比度、方差、相異性、同質(zhì)性、相關(guān)性、信息熵和二階矩，紋理計(jì)算過(guò)程中采用的參數(shù)設(shè)置分別為：偏移距離d＝1，灰度量化級(jí)L＝64，窗口大小為3*3，同時(shí)選取0°、45°、90°和135°四個(gè)方向計(jì)算紋理特征參數(shù)的平均值。

5.根據(jù)權(quán)利要求1所述的基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于：所述步驟S3中，提取出的SAR影像參數(shù)包括特征矩陣和極化特征參數(shù)，雙極化SAR影像散射矩陣表示為：

其中，S_VH和S_VV為VH和VV通道的后散射系數(shù)，VH：交叉極化；VV：垂直同極化；

包含SAR極化信息二階統(tǒng)計(jì)量的協(xié)方差矩陣C表示為：

其中，Ω為目標(biāo)向量，上標(biāo)H為共軛轉(zhuǎn)置，N為獨(dú)立樣本個(gè)數(shù)，提取出的協(xié)方差矩陣C包含三部分?jǐn)?shù)據(jù)，C11：實(shí)數(shù)數(shù)據(jù)，C12：實(shí)部和虛部數(shù)據(jù)，C22：實(shí)數(shù)數(shù)據(jù)；

極化特征參數(shù)表示為：

其中，偽概率P_i＝λ_i/(λ₁+λ₂)；α₁、α₂為SAR影像兩種極化對(duì)應(yīng)的協(xié)方差矩陣C特征向量散射角；λ₁、λ₂為SAR影像兩種極化通道協(xié)方差矩陣C的特征值。

6.根據(jù)權(quán)利要求1所述的基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于：所述步驟S4中采用的隨機(jī)森林算法篩選特征變量過(guò)程包括將光學(xué)和SAR影像中提取出的多種原始特征變量作為輸入變量，所述特征變量包括紋理：均值、對(duì)比度、方差、相異性、同質(zhì)性、相關(guān)性、信息熵和二階矩；極化特征：H、A、計(jì)算變量：H/VV；特征矩陣相關(guān)變量：C11、C12、C22；輸入隨機(jī)森林分類器對(duì)驗(yàn)證影像數(shù)據(jù)進(jìn)行預(yù)分類，設(shè)置隨機(jī)森林的決策樹(shù)為100，刪除比例定為10％，通過(guò)預(yù)分類結(jié)果中的特征重要性得分對(duì)特征參數(shù)重要性進(jìn)行排序，并選取重要性得分排序在前15的特征參數(shù)。

7.根據(jù)權(quán)利要求1所述的基于SAR和光學(xué)影像的優(yōu)化特征選擇分類方法，其特征在于：所述步驟S5中特征篩選后進(jìn)行分類并驗(yàn)證其精度過(guò)程包括：選取重要性得分排序前15的特征參數(shù)作為輸入變量，參與到隨機(jī)森林分類器中進(jìn)行最終分類，根據(jù)前述驗(yàn)證區(qū)域數(shù)據(jù)進(jìn)行驗(yàn)證以及精度評(píng)價(jià)。