基于改進(jìn)遺傳算法的全極化sar圖像監(jiān)督分類(lèi)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，包括：對(duì)SAR圖像進(jìn)行預(yù)處理；從散射矩陣S、相干矩陣T、協(xié)方差矩陣C中提取特征；將所有特征組成原始特征集作歸一化；挑選訓(xùn)練樣本集和測(cè)試樣本集；將訓(xùn)練樣本集分類(lèi)；根據(jù)散射信息和分類(lèi)器參數(shù)，構(gòu)造特征和參數(shù)編碼區(qū)；將分好類(lèi)的訓(xùn)練樣本集放入特征編碼區(qū)，將分類(lèi)器參數(shù)放入?yún)?shù)編碼區(qū)；對(duì)特征編碼區(qū)和參數(shù)編碼區(qū)進(jìn)行二進(jìn)制編碼并組合成染色體；對(duì)染色體進(jìn)行選擇、交叉、變異、再組合計(jì)算適應(yīng)值的形式進(jìn)行尋優(yōu)過(guò)程，得到最優(yōu)染色體，然后進(jìn)行反編碼得到最佳特征子集和分類(lèi)器參數(shù)，以此訓(xùn)練分類(lèi)器得到分類(lèi)結(jié)果圖。本發(fā)明能選擇更有效的特征，改善分類(lèi)效果，加快收斂速度，提高計(jì)算效率。
【專(zhuān)利說(shuō)明】
基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，涉及遙感圖像分類(lèi)領(lǐng)域的應(yīng)用，具體來(lái)說(shuō)涉 及一種基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法。
【背景技術(shù)】
[0002] 隨著星載極化SAR系統(tǒng)陸續(xù)投入使用，近年來(lái)，極化SAR數(shù)據(jù)在遙感領(lǐng)域的應(yīng)用越 來(lái)越廣泛。全極化SAR利用了電磁波的極化特性，通過(guò)測(cè)量地面每個(gè)分辨單元內(nèi)的散射回 波，進(jìn)而獲得極化散射矩陣，可將目標(biāo)的散射能量、相位以及極化特征統(tǒng)一起來(lái)，獲取比單 級(jí)化SAR更加豐富的地物信息，因此利用全極化SAR數(shù)據(jù)進(jìn)行分類(lèi)已成為SAR圖像分類(lèi)的主 要研究方向之一。根據(jù)是否使用訓(xùn)練樣本，現(xiàn)有的極化SAR圖像分類(lèi)方法一般可分為監(jiān)督分 類(lèi)和非監(jiān)督分類(lèi)兩類(lèi)，近年來(lái)也有學(xué)者將半監(jiān)督學(xué)習(xí)用于極化SAR圖像分類(lèi)中，然而通常監(jiān) 督分類(lèi)法更容易獲得較好的分類(lèi)效果。
[0003] 極化SAR圖像分類(lèi)依賴(lài)于豐富的目標(biāo)特征，國(guó)內(nèi)外眾多學(xué)者提出了一系列極化特 征參數(shù)，可以歸納為以下三類(lèi):一類(lèi)是由觀測(cè)數(shù)據(jù)如極化散射矩陣、協(xié)方差矩陣、相干矩陣 等直接或經(jīng)簡(jiǎn)單運(yùn)算得到的特征，例如極化比、相位差、相關(guān)系數(shù)、相似性參數(shù)等;一類(lèi)是經(jīng) 極化目標(biāo)分解得到的目標(biāo)散射特征，例如Pauli分解、cloude分解、Krogager分解等;還有一 類(lèi)是根據(jù)極化SAR圖像的統(tǒng)計(jì)分布特性獲得的特征，例如紋理特征等。盡管一般而言，分類(lèi) 特征越多，信息量越大，分類(lèi)效果理論上越好。然而，特征越多，冗余信息也多，利用所有特 征進(jìn)行分類(lèi)的效果有時(shí)未必是最好的。如何有效地從眾多的特征中選取合適的特征來(lái)分類(lèi) 一直是極化SAR圖像分類(lèi)研究的難點(diǎn)。
[0004] 遺傳算法(Genetic Algorithm，簡(jiǎn)稱(chēng)Ga)由Michigan大學(xué)J. Hoi land教授于 1975年 首先提出，是一種模擬生物進(jìn)化規(guī)律、以物盡天擇為基本思想演化而來(lái)的啟發(fā)式隨機(jī)搜索 算法。該方法適用于對(duì)較大特征空間進(jìn)行搜索，且不要求評(píng)價(jià)函數(shù)具有某些特性，在解決特 征選擇方面難題時(shí)具有較大優(yōu)勢(shì)。雖然已有學(xué)者將遺傳算法應(yīng)用于全極化SAR圖像分類(lèi)中， 但該算法卻存在以下問(wèn)題：1)缺乏較為完善的收斂理論，容易造成早熟和欺騙問(wèn)題;2)在尋 求最優(yōu)解時(shí)，缺乏明確的方向性;3)搜索效率不高，尤其是較大特征空間進(jìn)行搜索時(shí)，容易 陷入局部最優(yōu)。

【發(fā)明內(nèi)容】

[0005] 為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于改進(jìn)遺傳算法的全極化 SAR圖像監(jiān)督分類(lèi)方法，一方面能提取更有效的特征，改善分類(lèi)效果；另一方面能加快收斂 速度，提高計(jì)算效率。
[0006] 為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明是通過(guò)如下的技術(shù)方案來(lái)實(shí)現(xiàn)的：
[0007] -種基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，包括如下步驟：
[0008] 1)輸入待分類(lèi)的全極化SAR圖像，對(duì)其進(jìn)行濾波預(yù)處理；
[0009] 2)從預(yù)處理后的全極化SAR圖像的散射矩陣S、相干矩陣T、協(xié)方差矩陣C中提取多 類(lèi)特征；
[0010] 3)將提取的所有特征組合成原始特征集，并作歸一化處理;然后根據(jù)全極化SAR圖 像的地物分布參考圖，隨機(jī)選擇每類(lèi)地物的訓(xùn)練樣本，組成訓(xùn)練樣本集;隨機(jī)均勻的挑選測(cè) 試樣本集，作為后續(xù)整體測(cè)試精度評(píng)定依據(jù)；
[0011] 4)根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，分類(lèi)標(biāo)準(zhǔn)為實(shí) 際地物在全極化SAR圖像上表現(xiàn)的散射機(jī)制；
[0012] 5)根據(jù)全極化SAR圖像的不同地物類(lèi)別表現(xiàn)的散射信息，構(gòu)造遺傳算法特征編碼 區(qū)；
[0013] 6)根據(jù)分類(lèi)器參數(shù)，構(gòu)造遺傳算法參數(shù)編碼區(qū)；
[0014] 7)將步驟4)中分好類(lèi)的特征集放入相應(yīng)的特征編碼區(qū)，將不同分類(lèi)器參數(shù)放入相 應(yīng)的參數(shù)編碼區(qū)；
[0015] 8)對(duì)上述特征編碼區(qū)和參數(shù)編碼區(qū)分別進(jìn)行二進(jìn)制編碼并組合成染色體、初始種 群設(shè)置和必要參數(shù)設(shè)置；
[0016] 9)對(duì)已編碼的染色體利用遺傳算法進(jìn)行選擇、交叉、變異、再組合計(jì)算適應(yīng)值的形 式進(jìn)行尋優(yōu)過(guò)程，其中以測(cè)試樣本集計(jì)算的整體測(cè)試精度作為適應(yīng)函數(shù)的參考，得到最優(yōu) 染色體；
[0017] 10)對(duì)最優(yōu)染色體進(jìn)行反編碼得到最佳特征子集和分類(lèi)器參數(shù)，以此訓(xùn)練分類(lèi)器 并進(jìn)行地物分類(lèi)得到分類(lèi)結(jié)果圖。
[0018] 所述步驟2)中的多類(lèi)特征包括:基于測(cè)量數(shù)據(jù)及其簡(jiǎn)單變換組合的特征、基于極 化目標(biāo)分解的特征和傳統(tǒng)光學(xué)圖像處理擴(kuò)展到SAR圖像處理的特征。
[0019] 所述步驟3)中原始特征集的歸一化操作按如下公式進(jìn)行：
[0020] (1)
[0021 ]其中min和max分別為每類(lèi)特征中最小值和最大值。
[0022] 所述步驟4)中，根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，具 體過(guò)程為:根據(jù)表面散射機(jī)制、偶次散射機(jī)制、體散射機(jī)制和其他機(jī)制將訓(xùn)練樣本的特征分 為4類(lèi)。
[0023] 所述步驟5)中，特征編碼區(qū)包括主特征編碼區(qū)和輔助特征編碼區(qū)；所述主特征編 碼區(qū)內(nèi)包括實(shí)測(cè)地區(qū)內(nèi)的主要地物的散射特征信息，包括表面散射特征編碼區(qū)、體散射特 征編碼區(qū)、偶次散射特征編碼區(qū)中的一個(gè)或者多個(gè);輔助特征編碼區(qū)內(nèi)包括實(shí)測(cè)地區(qū)內(nèi)比 較少的地物的特征，包括表面散射特征編碼區(qū)、體散射特征編碼區(qū)、偶次散射特征編碼區(qū)、 紋理特征等編碼區(qū)中的一個(gè)或者多個(gè)。
[0024] 所述步驟9)交叉、變異時(shí)，需要添加約束條件，約束條件為主特征編碼區(qū)內(nèi)的染色 體基因必定不全為〇,個(gè)體適應(yīng)函數(shù)公式如下：
[0025] Fitness(xi) =ffiXC(x) X 100-ff2X0nes (2)
[0026] 其中FitneSS(Xl)為個(gè)體適應(yīng)值，C(x)是整體測(cè)試精度，即利用每個(gè)個(gè)體表示的特 征子集和分類(lèi)器參數(shù)進(jìn)行訓(xùn)練獲得SVM分類(lèi)器，并通過(guò)對(duì)測(cè)試樣本的預(yù)測(cè)和比對(duì)獲得測(cè)試 精度，Ones是特征集中選取的特征個(gè)數(shù)?是平衡精度和特征維數(shù)之間的比例系數(shù)。
[0027] 所述步驟8)中，進(jìn)行二進(jìn)制編碼時(shí)，特征編碼區(qū)染色體的每個(gè)基因的'0'或'1'代 表特征的排除與選擇，參數(shù)編碼區(qū)染色體通過(guò)二進(jìn)制轉(zhuǎn)換成實(shí)數(shù)，并設(shè)置初始種群個(gè)數(shù)和 迭代次數(shù)。
[0028] 本發(fā)明的有益效果：
[0029] 1)利用專(zhuān)家知識(shí)對(duì)目前的各類(lèi)特征進(jìn)行預(yù)分類(lèi)，減少計(jì)算量，提高運(yùn)算效率。
[0030] 2)根據(jù)圖像具體地物構(gòu)造編碼區(qū)，建立約束條件，避免了無(wú)效染色體，提供明確的 進(jìn)化方向。
[0031] 3)將特征選擇過(guò)程和分類(lèi)器參數(shù)尋優(yōu)過(guò)程結(jié)合，降低了分類(lèi)器對(duì)自身參數(shù)的敏感 性，選擇的特征更加可靠。
[0032] 4)仿真結(jié)果表明本發(fā)明相比傳統(tǒng)遺傳算法提高了搜索效率和收斂速度，有效地克 服了早熟現(xiàn)象，能夠獲得更優(yōu)的特征子集和分類(lèi)參數(shù)，從而得到更加準(zhǔn)確的分類(lèi)結(jié)果。
【附圖說(shuō)明】
[0033]圖1為本發(fā)明方法的流程示意圖。
[0034]圖2為本發(fā)明仿真實(shí)驗(yàn)中改進(jìn)遺傳算法的組合式染色體編碼區(qū)尋優(yōu)策略。
[0035]圖3為本發(fā)明仿真實(shí)驗(yàn)區(qū)域的位置示意圖及Pauli RGB合成圖。
[0036]圖4為利用不同的特征集進(jìn)行分類(lèi)的仿真結(jié)果圖。
[0037] 其中Pauli-SVM代表利用Pauli分解得到特征集進(jìn)行分類(lèi)的仿真結(jié)果，F(xiàn)reeman-SVM代表利用Freeman分解得到特征集進(jìn)行分類(lèi)的仿真結(jié)果，Cloude-SVM代表利用Cloude分 解得到特征集進(jìn)行分類(lèi)的仿真結(jié)果，Total-SVM代表利用所有特征組成的特征集進(jìn)行分類(lèi) 的仿真結(jié)果，Ga-SVM代表利用傳統(tǒng)遺傳算法進(jìn)行特征選擇后進(jìn)行分類(lèi)的仿真結(jié)果，IGa-SVM 代表利用本發(fā)明方法進(jìn)行分類(lèi)的仿真結(jié)果。
[0038]圖5為采用本發(fā)明方法與利用經(jīng)典遺傳算法進(jìn)行分類(lèi)（即Ga-SVM方法）的精度對(duì)比 圖。
【具體實(shí)施方式】
[0039]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明 進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于 限定本發(fā)明。
[0040]下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。
[0041 ] -種基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，包括如下步驟：
[0042] 1)輸入待分類(lèi)的全極化SAR圖像，對(duì)其進(jìn)行濾波預(yù)處理；
[0043] 2)從預(yù)處理后的全極化SAR圖像的散射矩陣S、相干矩陣T、協(xié)方差矩陣C中提取多 類(lèi)特征；
[0044] 3)將提取的所有特征組合成原始特征集，并作歸一化處理;然后根據(jù)全極化SAR圖 像的地物分布參考圖，隨機(jī)選擇每類(lèi)地物的訓(xùn)練樣本，組成訓(xùn)練樣本集;隨機(jī)均勻的挑選測(cè) 試樣本集，作為后續(xù)整體測(cè)試精度評(píng)定依據(jù)；
[0045] 4)根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，分類(lèi)標(biāo)準(zhǔn)為實(shí) 際地物在全極化SAR圖像上表現(xiàn)的散射機(jī)制；
[0046] 5)根據(jù)全極化SAR圖像的不同地物類(lèi)別表現(xiàn)的散射信息，構(gòu)造遺傳算法特征編碼 區(qū)；
[0047] 6)根據(jù)分類(lèi)器參數(shù)，構(gòu)造遺傳算法參數(shù)編碼區(qū)；
[0048] 7)將步驟4)中分好類(lèi)的特征集放入相應(yīng)的特征編碼區(qū)，將不同分類(lèi)器參數(shù)放入相 應(yīng)的參數(shù)編碼區(qū)；
[0049] 8)對(duì)上述特征編碼區(qū)和參數(shù)編碼區(qū)分別進(jìn)行二進(jìn)制編碼并組合成染色體、初始種 群設(shè)置和必要參數(shù)設(shè)置；
[0050] 9)對(duì)已編碼的染色體利用遺傳算法進(jìn)行選擇、交叉、變異、再組合計(jì)算適應(yīng)值的形 式進(jìn)行尋優(yōu)過(guò)程，其中以測(cè)試樣本集計(jì)算的整體測(cè)試精度作為適應(yīng)函數(shù)的參考，得到最優(yōu) 染色體；
[0051] 10)對(duì)最優(yōu)染色體進(jìn)行反編碼得到最佳特征子集和分類(lèi)器參數(shù)，以此訓(xùn)練分類(lèi)器 并進(jìn)行地物分類(lèi)得到分類(lèi)結(jié)果圖。
[0052] 所述步驟2)中的多類(lèi)特征包括:基于測(cè)量數(shù)據(jù)及其簡(jiǎn)單變換組合的特征、基于極 化目標(biāo)分解的特征和傳統(tǒng)光學(xué)圖像處理擴(kuò)展到SAR圖像處理的特征。
[0053]所述步驟3)中原始特征集的歸一化操作按如下公式進(jìn)行：
[0054] (1)
[0055] 其中min和max分別為每類(lèi)特征中最小值和最大值。
[0056] 所述步驟4)中，根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，具 體過(guò)程為:根據(jù)表面散射機(jī)制、偶次散射機(jī)制、體散射機(jī)制和其他機(jī)制將訓(xùn)練樣本的特征分 為4類(lèi)。
[0057] 所述步驟5)中，特征編碼區(qū)包括主特征編碼區(qū)和輔助特征編碼區(qū)；所述主特征編 碼區(qū)內(nèi)包括實(shí)測(cè)地區(qū)內(nèi)的主要地物的散射特征信息，包括表面散射特征編碼區(qū)、體散射特 征編碼區(qū)、偶次散射特征編碼區(qū)中的一個(gè)或者多個(gè);輔助特征編碼區(qū)內(nèi)包括實(shí)測(cè)地區(qū)內(nèi)比 較少的地物的特征，包括表面散射特征編碼區(qū)、體散射特征編碼區(qū)、偶次散射特征編碼區(qū)、 紋理特征等編碼區(qū)中的一個(gè)或者多個(gè)。
[0058] 所述步驟9)交叉、變異時(shí)，需要添加約束條件，約束條件為主特征編碼區(qū)內(nèi)的染色 體基因必定不全為〇,個(gè)體適應(yīng)函數(shù)公式如下：
[0059] Fitness(xi) =ffiXC(x) X 100-ff2X0nes (2)
[0060] 其中FitneSS(Xl)為個(gè)體適應(yīng)值，C(x)是整體測(cè)試精度，即利用每個(gè)個(gè)體表示的特 征子集和分類(lèi)器參數(shù)進(jìn)行訓(xùn)練獲得SVM分類(lèi)器，并通過(guò)對(duì)測(cè)試樣本的預(yù)測(cè)和比對(duì)獲得測(cè)試 精度，Ones是特征集中選取的特征個(gè)數(shù)?是平衡精度和特征維數(shù)之間的比例系數(shù)。
[0061] 所述步驟8)中，進(jìn)行二進(jìn)制編碼時(shí)，特征編碼區(qū)染色體的每個(gè)基因的'0'或'1'代 表特征的排除與選擇，參數(shù)編碼區(qū)染色體通過(guò)二進(jìn)制轉(zhuǎn)換成實(shí)數(shù)，并設(shè)置初始種群個(gè)數(shù)和 迭代次數(shù)。
[0062] 以下根據(jù)本發(fā)明的方法介紹一種具體的實(shí)施例：
[0063] 步驟1):對(duì)原始全極化SAR數(shù)據(jù)進(jìn)行預(yù)處理，采用Refined Lee濾波算法消除SAR圖 像中斑點(diǎn)噪聲的影響，增強(qiáng)圖像的可讀性；
[0064]步驟2):對(duì)預(yù)處理后的圖像進(jìn)行特征提取，所提取的特征如表1所述，其具體實(shí)現(xiàn) 如下：
[0065] 2.1)從預(yù)處理后得到的全極化SAR圖像的散射矩陣S中提取總功率、同/交叉極化 比、同/交叉相位差、同/交叉相關(guān)系數(shù)、平面角/二面角相似性參數(shù);將散射矩陣S矢量化，生 成協(xié)方差矩陣C，并提取協(xié)方差矩陣C的矩陣參數(shù)，共計(jì)15個(gè)特征參數(shù);將散射矩陣S矢量化， 生成相干矩陣T;
[0066] 2.2)對(duì)散射矩陣5進(jìn)行?&1111分解、&噸&8從分解、1'〇114分解;對(duì)相干矩陣1'或者協(xié) 方差矩陣C 進(jìn)行 Freeman 分解、Cloude分解、Yamaguchi 分解、Beta/Delta/Gamma/Lambda 分 解，提取23個(gè)特征參數(shù)；
[0067] 2.3)對(duì)總功率圖像取0、45、90、135度4個(gè)方向灰度共生矩陣的平均值作為局部圖 像中心像元位置的灰度共生矩陣，提取對(duì)比度、均勻性、均值、差異性4個(gè)特征參數(shù)；
[0068] 表 1
[0069]
[0070] 上表中：第1-9個(gè)參數(shù)是根據(jù)全極化SAR圖像的散射矩陣S按表中公式計(jì)算得到的， 3&、51"、5*、5"即為散射矩陣中各元素，*代表共輒。第10-15個(gè)參數(shù)是從協(xié)方差矩陣(：中提 取，分別為協(xié)方差矩陣的第i行第j列元素 ，I · I表示取模。Pauli分解將Sinclair矩陣分解 成4種成分之和，在互易的條件下主要表現(xiàn)為奇次散射、偶次散射和31/4偶次散射3種成分， 第16-18為描述上述3種成分的參數(shù);而Krogager分解在圓極化基的基礎(chǔ)上將目標(biāo)分解為3 種成分:球散射、螺旋體散射、二面角散射，第19-21為描述上述3種成分的參數(shù);第22-25為 1'〇112；[分解中最常用的4個(gè)參數(shù)，3]^1^、〖311411；[48；[;?^61]^11分解協(xié)方差矩陣分解成3個(gè)不 同的散射機(jī)理:體散射、二次散射、面散射，第26-28為描述上述3種成分的參數(shù);第29-31為 cloude分解下常用的3個(gè)參數(shù):散射熵，散射角，各項(xiàng)異性量;Yamaguchi分為體散射、二次散 射、面散射、螺旋散射4種成分，第32-34為描述上述4種成分的參數(shù);第35-38為經(jīng)Η/Α/α分解 后計(jì)算得到的4個(gè)參數(shù):Beta、Delta、Gamma和Lambda參數(shù);第39-42為從總功率圖像中提取 的4個(gè)紋理參數(shù)，分別為對(duì)比度、均勻性、均值和差異性。
[0071]步驟3):將提取的所有特征組合成原始特征集并作歸一化處理，根據(jù)極化SAR圖像 的地物分布參考圖，隨機(jī)選擇每類(lèi)地物的訓(xùn)練樣本，組成訓(xùn)練樣本集;并隨機(jī)均勻的挑選測(cè) 試樣本集，作為后續(xù)測(cè)量精度評(píng)定依據(jù)，其具體實(shí)現(xiàn)如下：
[0072] 3.1)將經(jīng)特征提取得到的42個(gè)特征組成特征集并按照公式（1)進(jìn)行歸一化處理；
[0073] 3.2)根據(jù)野外調(diào)查及與高分辨率光學(xué)衛(wèi)星圖像進(jìn)行對(duì)比分析，隨機(jī)選擇每類(lèi)地物 的訓(xùn)練樣本，組成訓(xùn)練樣本集，每類(lèi)地物選取150個(gè)左右的訓(xùn)練樣本，利用這些訓(xùn)練樣本訓(xùn) 練SVM分類(lèi)器;并另外隨機(jī)均勻選取每類(lèi)大致500個(gè)測(cè)量樣本作為測(cè)試集，作為后續(xù)精度評(píng) 定依據(jù)。
[0074]步驟4):根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，分類(lèi)標(biāo)準(zhǔn) 為實(shí)際地物在全極化SAR圖像上表現(xiàn)的散射機(jī)制；
[0075] 表1中為方便表述，對(duì)各個(gè)特征參數(shù)進(jìn)行了編號(hào)；其中第3、6、13、15、17、20、28、34 共8個(gè)特征為體散射類(lèi)別;第2、8、12、14、18、19、27、33共8個(gè)特征為表面散射類(lèi)別;第1、4、7、 9、11、16、18、26、32、38共10個(gè)為偶次散射類(lèi)別，其余特征歸為其他類(lèi)別。
[0076]步驟5):根據(jù)全極化SAR圖像的不同地物類(lèi)別表現(xiàn)的散射信息，構(gòu)造遺傳算法特征 編碼區(qū)；其具體實(shí)現(xiàn)如下：
[0077] 5.1)研究區(qū)主要以水體、池塘、農(nóng)田等平滑地物(具有表面散射的特征）和樹(shù)林及 茂密的農(nóng)作物(具有體散射的特征)為主，建筑區(qū)域較少(如果實(shí)驗(yàn)區(qū)中建筑區(qū)密集，可加入 三區(qū)為表征偶次散射的特征），所以以表征體散射和表面散射的特征為主，則特征編碼區(qū)可 分為3個(gè);一區(qū)為表現(xiàn)體散射的特征，二區(qū)為體現(xiàn)為表面散射的特征及三區(qū)的輔助特征； [0078]步驟6):根據(jù)分類(lèi)器參數(shù)，構(gòu)造遺傳算法參數(shù)編碼區(qū)；其具體實(shí)現(xiàn)如下：
[0079] 6.1)分類(lèi)器采用的RBF-SVM，其分類(lèi)器參數(shù)為核函數(shù)形狀因子σ和懲罰因子C，則參 數(shù)區(qū)分為2個(gè)。
[0080] 步驟7):將步驟4)中分好類(lèi)的特征集放入相應(yīng)的特征編碼區(qū)，將不同分類(lèi)器參數(shù) 放入相應(yīng)的參數(shù)編碼區(qū)。
[0081] 步驟8):對(duì)特征編碼區(qū)和參數(shù)編碼區(qū)分別進(jìn)行二進(jìn)制編碼組合成染色體、初始種 群和設(shè)置必要參數(shù)。其具體實(shí)現(xiàn)如下：
[0082] 8.1):將上述的5個(gè)編碼區(qū)即：必要特征一、必要特征二、輔助特征、懲罰因子C和形 狀因子σ作為5段染色體二進(jìn)制編碼，前面三段以'0'或'1'代表特征的排除與選擇，共42個(gè) 基因；后兩段通過(guò)43-48位和49-54位的各6個(gè)二進(jìn)制轉(zhuǎn)換成實(shí)數(shù);并添加約束條件為主特征 區(qū)（必要特征一和必要特征二）的基因必定不全為0。
[0083] 8.2):將編碼好的染色體設(shè)置初始種群，規(guī)模20-200自由設(shè)定，如果初始種群中的 個(gè)體有不符合約束條件的，則定義為不合格個(gè)體，將其去除，設(shè)置迭代次數(shù)10-100和停止條 件。
[0084] 步驟9):對(duì)已編碼的染色體利用改進(jìn)遺傳算法進(jìn)行選擇、交叉、變異、再組合計(jì)算 適應(yīng)值的形式進(jìn)行尋優(yōu)過(guò)程，其中以測(cè)試樣本集計(jì)算的整體測(cè)試精度作為適應(yīng)函數(shù)的參 考，得到最優(yōu)染色體，如圖2所述。
[0085] 其中，選擇算子采用經(jīng)典的輪盤(pán)賭法，交叉運(yùn)算則采用單點(diǎn)交叉，形成新的染色體 分段并對(duì)其約束，如果前2段中有全部為0的染色體，則隨機(jī)在該段染色體上的某個(gè)基因置 為'Γ;變異運(yùn)算時(shí)，進(jìn)行基本位變異運(yùn)算得到新的染色體，如果前2段中有全部為0的染色 體，則變異失敗，需要重新變異，否則變異成功;終止條件設(shè)置為已到達(dá)指定的最大進(jìn)化代 數(shù)Μ或者最佳特征子集連續(xù)N代都沒(méi)有發(fā)生變化;其中M、N根據(jù)實(shí)際情況設(shè)置。
[0086] 步驟10):對(duì)最優(yōu)染色體進(jìn)行反編碼得到最佳特征子集和分類(lèi)器參數(shù)，以此訓(xùn)練分 類(lèi)器并進(jìn)行地物分類(lèi)得到分類(lèi)結(jié)果圖，如圖5所述。
[0087] 下面利用發(fā)明的方法進(jìn)行仿真實(shí)驗(yàn)，具體說(shuō)明如下：
[0088]仿真內(nèi)容:應(yīng)用本發(fā)明方法（下文簡(jiǎn)稱(chēng)IGa-SVM方法)對(duì)某實(shí)測(cè)全極化SAR圖像(見(jiàn) 圖3)進(jìn)行分類(lèi)實(shí)驗(yàn)，并采用5種傳統(tǒng)方法進(jìn)行對(duì)比實(shí)驗(yàn)，分析各方法性能。這5種方法依次為 利用Paul i分解得到特征集進(jìn)行SVM分類(lèi)(簡(jiǎn)稱(chēng)Paul i-SVM方法）、利用Freeman分解得到特征 集進(jìn)行SVM分類(lèi)（簡(jiǎn)稱(chēng)Freeman-SVM方法）、利用Cloude分解得到特征集進(jìn)行SVM分類(lèi)（簡(jiǎn)稱(chēng) Cloude-SVM方法）、利用所有特征組成的特征集進(jìn)行SVM分類(lèi)(簡(jiǎn)稱(chēng)Total-SVM方法）以及利 用傳統(tǒng)遺傳算法進(jìn)行特征選擇后的特征集進(jìn)行SVM分類(lèi)(簡(jiǎn)稱(chēng)Ga-SVM方法）。
[0089] 仿真實(shí)驗(yàn)結(jié)果:本方法以及5種傳統(tǒng)方法的分類(lèi)結(jié)果如圖4所示，以圖3作為分析分 類(lèi)結(jié)果效果的參照，并對(duì)本方法與利用傳統(tǒng)遺傳算法進(jìn)行分類(lèi)(即Ga-SVM方法)的分類(lèi)精度 進(jìn)行對(duì)比，如圖5所示。
[0090] 由圖4可以發(fā)現(xiàn)，Paul i-SVM方法的農(nóng)田和旱地有部分混淆，并且魚(yú)塘和沙灘混淆 嚴(yán)重，F(xiàn)reeman-SVM方法同樣有此問(wèn)題，說(shuō)明單一特征集盡管能對(duì)地物進(jìn)行較好分類(lèi)，但是 缺少更為完善的信息。Total-SVM方法得到的分類(lèi)結(jié)果效果最差，可見(jiàn)，特征與特征之間相 關(guān)性較大，如果想從大量的特征中獲取完善信息，特征選擇是必可不少的一個(gè)過(guò)程。Ga-SVM 和本文方法獲得的分類(lèi)圖中地物的邊界更清晰且連續(xù)，散射機(jī)制類(lèi)似的區(qū)域得到了較好的 區(qū)分，最終結(jié)果與真實(shí)地表更加接近。為分析本發(fā)明中改進(jìn)遺傳算法的有效性，進(jìn)一步對(duì)比 了Ga-SVM和本文方法，從圖5可以得出，采用本發(fā)明方法，進(jìn)化30代之后開(kāi)始收斂，而傳統(tǒng)的 遺傳算法進(jìn)行特征選擇則需要進(jìn)化60代之后，可知本發(fā)明能避免出現(xiàn)無(wú)效的染色體，提高 特征選擇的搜索效率和收斂速度。此外，本發(fā)明的方法的分類(lèi)精度也更高，搜索效率更優(yōu)， 收斂性快，有效地避免了早熟現(xiàn)象。
[0091] 以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本 發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其 等效物界定。
【主權(quán)項(xiàng)】
1. 一種基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在于，包括如下步 驟： 1) 輸入待分類(lèi)的全極化SAR圖像，對(duì)其進(jìn)行濾波預(yù)處理； 2) 從預(yù)處理后的全極化SAR圖像的散射矩陣S、相干矩陣T、協(xié)方差矩陣C中提取多類(lèi)特 征； 3) 將提取的所有特征組合成原始特征集，并作歸一化處理;然后根據(jù)全極化SAR圖像的 地物分布參考圖，隨機(jī)選擇每類(lèi)地物的訓(xùn)練樣本，組成訓(xùn)練樣本集;隨機(jī)均勻的挑選測(cè)試樣 本集，作為后續(xù)整體測(cè)試精度評(píng)定依據(jù)； 4) 根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，分類(lèi)標(biāo)準(zhǔn)為實(shí)際地 物在全極化SAR圖像上表現(xiàn)的散射機(jī)制； 5) 根據(jù)全極化SAR圖像的不同地物類(lèi)別表現(xiàn)的散射信息，構(gòu)造遺傳算法特征編碼區(qū)； 6) 根據(jù)分類(lèi)器參數(shù)，構(gòu)造遺傳算法參數(shù)編碼區(qū)； 7) 將步驟4)中分好類(lèi)的特征集放入相應(yīng)的特征編碼區(qū)，將不同分類(lèi)器參數(shù)放入相應(yīng)的 參數(shù)編碼區(qū)； 8) 對(duì)上述特征編碼區(qū)和參數(shù)編碼區(qū)分別進(jìn)行二進(jìn)制編碼并組合成染色體、初始種群設(shè) 置和必要參數(shù)設(shè)置； 9) 對(duì)已編碼的染色體利用遺傳算法進(jìn)行選擇、交叉、變異、再組合計(jì)算適應(yīng)值的形式進(jìn) 行尋優(yōu)過(guò)程，其中W測(cè)試樣本集計(jì)算的整體測(cè)試精度作為適應(yīng)函數(shù)的參考，得到最優(yōu)染色 體； 10) 對(duì)最優(yōu)染色體進(jìn)行反編碼得到最佳特征子集和分類(lèi)器參數(shù)，W此訓(xùn)練分類(lèi)器并進(jìn) 行地物分類(lèi)得到分類(lèi)結(jié)果圖。2. 根據(jù)權(quán)利要求1所述的基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在 于:所述步驟2)中的多類(lèi)特征包括:基于測(cè)量數(shù)據(jù)及其簡(jiǎn)單變換組合的特征、基于極化目標(biāo) 分解的特征和傳統(tǒng)光學(xué)圖像處理擴(kuò)展到SAR圖像處理的特征。3. 根據(jù)權(quán)利要求1所述的基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在 于:所述步驟3)中原始特征集的歸一化操作按如下公式進(jìn)行：tl) 其中min和max分別為每類(lèi)特征中最小值和最大值。4. 根據(jù)權(quán)利要求1所述的基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在 于:所述步驟4)中，根據(jù)地物散射特征信息，將訓(xùn)練樣本的特征進(jìn)行先驗(yàn)知識(shí)分類(lèi)，具體過(guò) 程為:根據(jù)表面散射機(jī)制、偶次散射機(jī)制、體散射機(jī)制和其他機(jī)制將訓(xùn)練樣本的特征分為4 類(lèi)。5. 根據(jù)權(quán)利要求1所述的基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在 于:所述步驟5)中，特征編碼區(qū)包括主特征編碼區(qū)和輔助特征編碼區(qū);所述主特征編碼區(qū)內(nèi) 包括實(shí)測(cè)地區(qū)內(nèi)的主要地物的散射特征信息，包括表面散射特征編碼區(qū)、體散射特征編碼 區(qū)、偶次散射特征編碼區(qū)中的一個(gè)或者多個(gè);輔助特征編碼區(qū)內(nèi)包括實(shí)測(cè)地區(qū)內(nèi)比較少的 地物的特征，包括表面散射特征編碼區(qū)、體散射特征編碼區(qū)、偶次散射特征編碼區(qū)、紋理特 征編碼區(qū)中的一個(gè)或者多個(gè)。6. 根據(jù)權(quán)利要求5所述的基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在 于:所述步驟9)交叉、變異時(shí)，需要添加約束條件，約束條件為主特征編碼區(qū)內(nèi)的染色體基 因必定不全為0,個(gè)體適應(yīng)函數(shù)公式如下： Fitness(xi)=WiXC(x) XlOO-WsXOnes (2) 其中Fitness(xi)為個(gè)體適應(yīng)值，C(x)是整體測(cè)試精度，即利用每個(gè)個(gè)體表示的特征子 集和分類(lèi)器參數(shù)進(jìn)行訓(xùn)練獲得SVM分類(lèi)器，并通過(guò)對(duì)測(cè)試樣本的預(yù)測(cè)和比對(duì)獲得測(cè)試精度， 化es是特征集中選取的特征個(gè)數(shù)，Wi、W2是平衡精度和特征維數(shù)之間的比例系數(shù)。7. 根據(jù)權(quán)利要求1所述的基于改進(jìn)遺傳算法的全極化SAR圖像監(jiān)督分類(lèi)方法，其特征在 于:所述步驟8)中，進(jìn)行二進(jìn)制編碼時(shí)，特征編碼區(qū)染色體的每個(gè)基因的'0'或'1'代表特征 的排除與選擇，參數(shù)編碼區(qū)染色體通過(guò)二進(jìn)制轉(zhuǎn)換成實(shí)數(shù)，并設(shè)置初始種群個(gè)數(shù)和迭代次 數(shù)。
【文檔編號(hào)】G06K9/62GK105975986SQ201610283833
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年5月3日
【發(fā)明人】徐佳, 袁春琦, 何秀鳳, 陳媛媛, 胡翀
【申請(qǐng)人】河海大學(xué)