基于特征向量分布特性的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于特征向量分布的極化SAR圖像分類方法，主要解決現(xiàn)有技術對特征向量分布特性認知不足的問題。其步驟是：1)采用增強Lee對相干矩陣T濾波，得到濾波后的相干矩陣T'；2)對T'特征值分解得到最大特征向量e1；3)對e1的每維分量分別取模值，得到變換后的最大特征向量e1'；4)選取不同勻質區(qū)域作為類別代表區(qū)域，并提取該區(qū)域的e1'；5)對各類勻質e1'進行三維高斯來率模型的均值和協(xié)方差參數(shù)，并求解各類勻質區(qū)域e1'三維高斯概率密度函數(shù)；6)對圖像進行貝葉斯分類，得到初始分類結果；7)在初始結果上加局部Wishart迭代，并輸出最終分類結果。本發(fā)明具有對極化SAR圖像分類效果好的優(yōu)點，可用于極化SAR圖像目標檢測和目標識別。
【專利說明】基于特征向量分布特性的極化SAR圖像分類方法

【技術領域】
[0001] 本發(fā)明屬于圖像處理【技術領域】，涉及極化SAR圖像分類，可用于雷達目標檢測和 目標識別，具體是一種基于特征向量分布特性的極化SAR圖像分類方法。

【背景技術】
[0002] 隨著信息處理技術和電子技術的發(fā)展，合成孔徑雷達（SAR)也朝著高分辨率、多 極化、多波段、多模式、多平臺等方向發(fā)展，以便能更充分的體現(xiàn)其在對地觀測領域中的優(yōu) 越性能。多極化SAR作為SAR的一個重要的發(fā)展方向，能夠為目標的解譯和正確的認識提 供更多更全面的散射信息量。而這些豐富的信息對于極化SAR圖像的解譯提供了重要的依 據(jù)，進而對目標的自動檢測和自動識別有著非常重要的指導作用?，F(xiàn)有的極化SAR圖像分 類方法大致可以分為基于散射特性的方法和基于統(tǒng)計特性方法，如基于Freeman分解的分 類方法和復Wishart分類方法等。
[0003] 其中，基于統(tǒng)計特性的極化SAR圖像分類方法，是將極化SAR圖像中具有某方面相 似特征的像素點劃分為一類，已經(jīng)有很多成熟的分類算法被用到極化SAR圖像分類中。作 為一門新興學科，目前主要的研宄工作集中在散射特征的提取和適合極化SAR圖像分類的 分類器設計上。不同極化散射特征的提取方法得到不同的特征，不同的特征又適合于不同 性能的分類器?，F(xiàn)有的特征提取方法主要有Freeman分解、Cloude分解和Pauli基分解等 方法；典型的分類器有復Wishart分類器和H/alpha分類器等。其中，關于特征分解得到的 特征值所代表的物理含義及其在地物分類中的應用已經(jīng)被越來越多的人認可。然而，相比 較于特征值，特征向量能夠包含更加豐富的散射信息，但現(xiàn)有方法中還沒有將特征向量作 為特征進行過分類。


【發(fā)明內容】

[0004] 本發(fā)明的目的是克服上述已有技術的不足，深刻挖掘相干矩陣特征值分解后的特 征向量中所包含的極化信息，并能夠使其指導極化SAR地物分類。為此，本發(fā)明提出了一種 基于特征向量分布特性的極化SAR圖像分類方法，以明確特征的分布特性，提高極化SAR圖 像分類的精度。
[0005] 本發(fā)明的技術方案是：基于特征向量分布特性的極化SAR圖像分類方法，包括以 下步驟：
[0006] (1)讀入待分類極化SAR圖像的相干矩陣T = {T⑴I i = 1，…，M}，M為圖像的總 像素點數(shù)；
[0007] (2)對待分類極化SAR圖像進行增強Lee濾波，得到濾波后的相干矩陣Τ' = {T，⑴ |i = 1，...，Μ};
[0008] (3)對每個像素點的濾波后的相干矩陣Τ'（i)進行特征值分解，得到最大特征值 對應的特征向量，即最大特征向量S 1= {e Ji) I i = 1，"·，Μ};
[0009] (4)對每個點的最大特征向量eji) = [eil(i)，ei2(i)，e13⑴]Η的每維數(shù)據(jù) eu.Q)，j = 1，2, 3分另Ij取模值，得到變換后的最大特征向量向量e/ = {e/ (i) I i = 1，…，Μ}，其中e/ (i) = [e' n⑴，e' 12⑴，e' 13 (i) ]H，H為矩陣的轉置符號；
[0010] (5)根據(jù)地物實際分布圖，人工選取k類勻質區(qū)域C= IC1,-,C1，…，Ck}，并提取 k類勻質區(qū)域的變換后的最大特征向量^'作為訓練樣本；
[0011] (6)采用EM算法分別對k類訓練樣本的變換后的最大特征向量^'的每維數(shù)據(jù) e、，j = 1，2,3分別進行高斯估計，得到變換后的最大特征向量e/均值向量mu和標準差 向量sigma :
[0012] mu = [μι，μ2, μ3]Η，μ」，j = 1，2,3,對應于 ei'各分量的均值；
[0013] sigma = [ 0 i，σ 2，σ 3]η，σ j，j = 1，2, 3,對應于 O1'各分量的標準差；
[0014] (7)計算變換后的最大特征向量e/的協(xié)方差矩陣Σ，根據(jù)公式C0V(X，Y)= E(XY)-E(X)E(Y)計算變換后的最大特征向量ei'中的分量的協(xié)方差，得到協(xié)方差矩陣Σ， 其中E(XY)是根據(jù)EM算法得出的，由此構造變換后的最大特征向量e/的密度函數(shù)：

【權利要求】
1. 基于特征向量分布特性的極化SAR圖像分類方法，其特征在于，包括以下步驟： (1) 讀入待分類極化SAR圖像的相干矩陣T= {T⑴|i= 1，···，Μ}，Μ為圖像的總像素 點數(shù)； (2) 對待分類極化SAR圖像進行增強Lee濾波，得到濾波后的相干矩陣Τ' = {Τ'（i)|i =1，…，Μ}; (3) 對每個像素點的濾波后的相干矩陣Τ'（i)進行特征值分解，得到最大特征值對應 的特征向量，即最大特征向量ef{eJi)Ii= 1，"·，Μ}; (4) 對每個點的最大特征向量ei⑴=[en (i)，e12 (i)，e13⑴]Η的每維數(shù)據(jù)e(i)，j =1，2, 3分別取模值，得到變換后的最大特征向量向量e/ = {e/ (i)Ii= 1，…，Μ}，其中 e/ ⑴=^'11(1)^'12(1)^'13(1)]11，!1為矩陣的轉置符號； (5) 根據(jù)地物實際分布圖，人工選取k類勻質區(qū)域C=IC1,…，C1，…，CJ，并提取k類 勻質區(qū)域的變換后的最大特征向量θι'作為訓練樣本； (6) 采用EM算法分別對k類訓練樣本的變換后的最大特征向量ei'的每維數(shù)據(jù)e' $j =1,2, 3分別進行高斯估計，得到變換后的最大特征向量61'均值向量mu和標準差向量 sigma： mu= [μ丨，μ2，μ3]η,μ」，j= 1，2, 3,對應于e/各分量的均值； sigma= [σi，σ2，σ3]η，σ』，j= 1，2, 3,對應于e/各分量的標準差； (7) 計算變換后的最大特征向量e/的協(xié)方差矩陣Σ，根據(jù)公式C0V(X，Y)= E(XY)-E(X)E(Y)計算變換后的最大特征向量θι'中的分量的協(xié)方差，得到協(xié)方差矩陣Σ， 其中E(XY)是根據(jù)EM算法得出的，由此構造變換后的最大特征向量e/的密度函數(shù)：
(8) 根據(jù)MAP原貝丨」，求解e/ ⑴eCq,st.p(e/ ⑴Cq) =maxP(e/ ⑴e/ ⑴eCq)，q= 1，…，1，…k，i= 1，…，M對待分類極化SAR圖像中所選勻質區(qū)域的全部像素點進行分類， 并輸出分類結果； (9) 將步驟（8)的初始分類結果進行局部Wishart迭代優(yōu)化。
2. 根據(jù)權利要求1所述的基于特征向量分布特性的極化SAR圖像分類方法，其特征在 于，其中步驟（3)所述的對每個像素點的濾波后的相干矩陣Τ'（i)進行特征值分解，得到最 大特征值對應的特征向量，按照如下步驟進行： 2a)將待分類極化SAR圖像像素點的濾波后的相干矩陣Τ'（i)作為輸入數(shù)據(jù)； 2b)利用MATLAB軟件中的eigs函數(shù)對輸入的每個像素的濾波后的相干矩陣Τ'（i)進 行特征值分解，得到最大特征值對應的最大特征向量ei(i)。
3. 根據(jù)權利要求1所述的基于特征向量分布特性的極化SAR圖像分類方法，其特征在 于，其中步驟（6)所述的采用EM算法分別對k類訓練樣本的變換后的最大特征向量^'的 每維數(shù)據(jù)e' $j= 1，2, 3分別進行高斯估計，具體按照如下步驟進行： 3a)將k類勻質區(qū)域訓練數(shù)據(jù)集中像素點的變換后的最大特征向量^'的三個分量e'n，e' 12,e' 13分別作為EM算法的輸入數(shù)據(jù)； 3b)設定EM算法迭代終止條件為算法的迭代誤差小于1.0E-06,初始化均值μ」和標 準差％.為隨機值； 3c)通過EM算法中的期望最大化流程對均值h和標準差〇 行更新，每次更新后 計算算法的迭代誤差并判斷是否滿足迭代終止條件，滿足迭代終止條件時迭代停止；否則， 按照迭代次數(shù)進行終止判定，重新進行迭代；由此得到變換后的最大特征向量e/的三維分 量的均值和標準差； 3d)變換后的最大特征向量^'對應的均值向量為：mu= [U1,μ2,μ3]Η; 3e)變換后的最大特征向量ei'的三個分量e'η，e' 12,e' 13分別對應的標準差構成的標 準差向量為：sigma=[σi，σ2，σ3]η。
4. 根據(jù)權利要求1所述的基于特征向量分布特性的極化SAR圖像分類方法，其特征在 于，其中步驟（7)所述的計算變換后的最大特征向量e/的協(xié)方差矩陣Σ，按照如下步驟進 行： e'n，e' 12,e' 13之間的協(xié)方差根據(jù)下面的概率論中的協(xié)方差公式得到：cov(X，Y) =E(XY)-E(X)E(Y) 4a)構造變量XY,即e'ne' 12,e' 12e' 13,e' 13e' 11; 4b)按照步驟（6)計算e'ne' 12,e' 12e' 13,e' 13e' 個變量的均值μ12，μ23，μ13; 4c)根據(jù)步驟（6)得到的e'n，e'12,e'13的均值μρμ2,μ3，計算協(xié)方差cov(e，lme，υ) =μmj_μmμjm，j= 1，2, 3 且m乒j 4d)根據(jù)協(xié)方差矩陣是對稱陣的特性，且對角線上的元素是e'n，e' 12,e' 13的方差， 構造協(xié)方差矩陣Σ
5. 根據(jù)權利要求1所述的基于特征向量分布特性的極化SAR圖像分類方法，其特征在 于，其中步驟（9)所述的局部Wishart迭代優(yōu)化過程，按照如下步驟進行： 5a)根據(jù)步驟（8)的分類結果計算每一類的聚類中心Vn
η,為第q類中的像素點個數(shù)，q= 1，…，1，…k; 5b)將濾波后的相干矩陣Τ'和步驟（8)的分類結果共同作為輸入數(shù)據(jù)，計算每個點到k類各均質區(qū)域聚類中心的Wishart距離 d(r(i),Vq) =InIVqI+tr(Vq^r(i)) 其中，tr〇表示對矩陣求跡；如果，對于所有的q辛p，滿足關系式d(r(i),vq) ^d(r(i),vp) 那么該點屬于第q類；按照Wishart距離分類結果對當前點的類標進行更新； 5c)按照5a)更新k個聚類中心，當兩次聚類中心的差值滿足精度要求時，停止迭代； 否則，按照迭代次數(shù)進行終止判定；輸出Wishart迭代結果； 5d)以步驟（8)的分類結果作為判定依據(jù)，判斷5c)的輸出結果中被錯分的類別，并進 行記錄； 5e)根據(jù)5d)的記錄重新進行5b)-5c)，對于錯分的類別，在進行Wishart迭代時，人為 阻斷像素點在該點的初始類別與被錯分的類別之間進行迭代。
【文檔編號】G06K9/62GK104463222SQ201410804505
【公開日】2015年3月25日 申請日期:2014年12月20日 優(yōu)先權日:2014年12月20日
【發(fā)明者】緱水平, 焦李成, 張瑤, 馬文萍, 王爽, 張向榮 申請人:西安電子科技大學