基于超像素和度量學(xué)習(xí)的極化sar地物分類方法
【專利摘要】本發(fā)明公開一種基于超像素和度量學(xué)習(xí)的極化SAR地物分類方法，實(shí)現(xiàn)步驟為：(1)輸入圖像；(2)濾波；(3)分割偽彩色圖；(4)提取特征；(5)確定待供選取樣本集；(6)采用度量學(xué)習(xí)分類器，進(jìn)行迭代分類，得到分類結(jié)果；(7)對分類結(jié)果進(jìn)行上色；(8)輸出上色后的分類結(jié)果圖。本發(fā)明采用基于超像素和度量學(xué)習(xí)的極化SAR地物分類方法對圖像進(jìn)行分類，避免了各種復(fù)雜的特征分解過程，特征提取的操作比較簡單方便，保持了很好的空間連續(xù)性，降低了相干斑噪聲的影響，提高了分類精度。
【專利說明】
基于超像素和度量學(xué)習(xí)的極化SAR地物分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及圖像分類技術(shù)領(lǐng)域中的一種基于超 像素和度量學(xué)習(xí)的極化合成孔徑雷達(dá)SAR(Polarimetric Synthetic Aperture Radar， PolSAR)地物分類方法。本發(fā)明可用于對極化SAR圖像進(jìn)行地物分類。
【背景技術(shù)】
[0002] 極化SAR圖像分類是圖像解譯過程中的一個重要步驟，也是極化SAR圖像處理的一 個重要研究方向。極化SAR能獲得比傳統(tǒng)的單極化SAR更豐富的地物信息，快速、準(zhǔn)確成為極 化SAR圖像分類實(shí)際應(yīng)用的前提。對極化SAR圖像的分類研究，有著十分重要的意義。
[0003] 近年來，極化SAR圖像分類日益受到人們的重視，很多分類方法被提出來，這些方 法的基本原理都是利用極化信息，從極化散射矩陣中提取相關(guān)參數(shù)，作為特征矩陣，再結(jié)合 其他方法對極化SAR圖像進(jìn)行分類。一些現(xiàn)有的分類方法處理信息量比較大的極化SAR圖像 時，容易受到噪聲的干擾，分類精度較低，處理速度太慢，時間復(fù)雜度過高，本發(fā)明提出的基 于超像素和度量學(xué)習(xí)的極化SAR地物分類方法:一方面，特征提取僅利用相干矩陣信息，對 極化SAR圖像信息的豐富性要求不高，該方法適應(yīng)性更強(qiáng)；另一方面，可以直接使用現(xiàn)有的 支持向量機(jī)工具包，克服了傳統(tǒng)分類方法時間復(fù)雜度過高的問題。
[0004] 西安電子科技大學(xué)在其申請的專利"一種基于稀疏表示和超像素的極化SAR地物 分類方法"（專利申請?zhí)朇N201410062296.X，公開號CN104123555A)中公開了一種基于稀疏 表示和超像素的極化SAR地物分類方法。該方法首先進(jìn)行超像素分割，對原始的極化SAR圖 像提取射機(jī)理方面的特征，做為每個像素點(diǎn)的特征，然后進(jìn)行超像素級的聯(lián)合稀疏表示，利 用稀疏表示分類器進(jìn)行分類，求出每個超像素相干矩陣的均值，然后利用分類結(jié)果進(jìn)行超 像素級的復(fù)Wishart迭代，最后得到最終的分類結(jié)果。該方法雖然充分利用了空間的相似性 提高了正確率，但是該方法仍然存在的不足之處是，其一，分類前需要利用Η/α分解、 Freeman分解方法得到每個像素點(diǎn)的特征參數(shù)，這些傳統(tǒng)的極化目標(biāo)的特征分解過程比較 繁瑣。其二，利用訓(xùn)練字典得到聯(lián)合稀疏表示，然后經(jīng)過稀疏表示分類器進(jìn)行分類，處理速 度太慢，時間復(fù)雜度太高。
[0005] 武漢大學(xué)在其申請的專利"基于混合分類器的極化SAR數(shù)據(jù)分類方法及系統(tǒng)"（專 利申請?zhí)朇N201310310179.6,公開號CN103366184A)中公開了一種基于混合分類器的極化 SAR數(shù)據(jù)數(shù)據(jù)分類方法及系統(tǒng)。該方法首先獲取極化SAR數(shù)據(jù)的不同類初始極化特征，采用 決策樹分類器從初始極化特征中選擇用于分類的極化特征，然后采用SVM分類器對極化SAR 數(shù)據(jù)進(jìn)行分類。該方法綜合了決策樹分類器和SVM分類器的優(yōu)勢，但是該方法仍然存在的不 足之處是，對極化SAR圖像進(jìn)行處理時，是按單個像素進(jìn)行特征提取的，容易受到噪聲的干 擾，因此分類效率有所降低。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對已有技術(shù)的不足，提出了一種基于超像素和度量學(xué)習(xí)的極 化SAR地物分類方法，以減少相干噪聲對圖像處理的影響，充分利用了空間的相似性，將度 量學(xué)習(xí)分類器與超像素相結(jié)合，在提高正確率的同時，降低了時間復(fù)雜度。
[0007] 實(shí)現(xiàn)本發(fā)明目的基本思路是:首先，對待分類的極化SAR圖像進(jìn)行濾波、產(chǎn)生超像 素、提取特征;然后，獲得待供選取樣本集;最后，用度量學(xué)習(xí)分類器對極化SAR圖像進(jìn)行迭 代分類。
[0008] 為實(shí)現(xiàn)上述目的，本發(fā)明具體實(shí)現(xiàn)步驟包括如下：
[0009] (1)輸入待分類的極化SAR圖像；
[0010] ⑵濾波：
[0011] 采用濾波窗口大小為7 X 7的Lee濾波方法，對待分類的極化SAR圖像進(jìn)行濾波，去 除相干斑噪聲，得到濾波后的極化SAR圖像，并對濾波后的極化SAR數(shù)據(jù)進(jìn)行Pauli分解，獲 得偽彩色圖；
[0012] ⑶分割偽彩色圖：
[0013] (3a)在偽彩色圖中設(shè)置等間距的3000個種子點(diǎn)；
[0014] (3b)采用幾何流擴(kuò)張方法膨脹等間距的3000個種子，形成區(qū)域；
[0015] (3c)采用幾何流公式，進(jìn)行區(qū)域邊界曲線運(yùn)動，在邊界強(qiáng)度弱或者沒有邊界的地 方，曲線運(yùn)動速度大，邊界強(qiáng)度較強(qiáng)的地方，曲線速度慢甚至停止；
[0016] (3d)根據(jù)未分配區(qū)域的輪廓，更新邊界上像素點(diǎn)以及在邊界附近未分配像素點(diǎn)；
[0017] (3e)判斷區(qū)域邊界曲線是否相交，若是，停止邊界曲線的增長，得到3000個超像 素，執(zhí)行步驟(4)，否則，執(zhí)行步驟(3b);
[0018] (4)提取特征：
[0019] (4a)分別提取濾波后的極化SAR圖像一個像素的協(xié)方差矩陣中位于上三角處的三 個元素的實(shí)部值和虛部值、協(xié)方差矩陣中位于對角線上三個元素的實(shí)部值，將所提取的9個 值依次按列構(gòu)成一個像素9維的特征向量；
[0020] (4b)對濾波后的極化SAR圖像的所有像素進(jìn)行步驟(4a)的相同操作，得到所有像 素的特征向量；
[0021 ] (5)采用普里姆算法，確定待供選取樣本集；
[0022] (6)迭代分類：
[0023] (6a)從供訓(xùn)練集選取的樣本集中選取一個像素點(diǎn)的8鄰域點(diǎn)與該像素點(diǎn)落入同一 個超像素塊中的像素點(diǎn)，將該像素點(diǎn)的8鄰域點(diǎn)加入到訓(xùn)練集中，并將8鄰域的點(diǎn)從待供選 取樣本集中刪除；
[0024] (6b)對樣本集中所有像素點(diǎn)進(jìn)行步驟(6a)的相同操作，得到訓(xùn)練集；
[0025] (6c)使用度量學(xué)習(xí)分類器對訓(xùn)練集進(jìn)行分類，得到訓(xùn)練好的度量學(xué)習(xí)分類器；
[0026] (6d)使用訓(xùn)練好的度量學(xué)習(xí)分類器對濾波后的極化SAR數(shù)據(jù)進(jìn)行分類，同時獲得 每個像素點(diǎn)的置信度；
[0027] (6e)根據(jù)從度量學(xué)習(xí)分類器得到的置信度，每次每類選取置信度最高的像素點(diǎn)加 入到訓(xùn)練集中；
[0028] (6f)判斷是否滿足迭代截止條件，若是，得到分類結(jié)果，執(zhí)行步驟(7)，否則，執(zhí)行 步驟(6a);
[0029] (7)上色：
[0030] (7a)將分類結(jié)果中標(biāo)簽相同的作為同一類別；
[0031] (7b)按照紅色、綠色、藍(lán)色三基色上色法，對分類結(jié)果進(jìn)行上色，同一類別上相同 的顏色，得到上色后的分類結(jié)果圖；
[0032] (8)輸出上色后的分類結(jié)果圖。
[0033]本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：
[0034]第一，由于本發(fā)明在提取極化SAR圖像特征時，僅利用了濾波后的極化SAR圖像的 協(xié)方差矩陣，克服了現(xiàn)有技術(shù)的極化目標(biāo)的特征分解過程比較繁瑣的問題，使得本發(fā)明特 征提取過程中具有操作簡單，耗時短的優(yōu)點(diǎn)。
[0035]第二，由于本發(fā)明通過分割偽彩色圖產(chǎn)生3000個超像素，保持了極化SAR圖像的空 間連續(xù)性，克服了現(xiàn)有技術(shù)容易受到噪聲干擾的問題，使得本發(fā)明具有對極化SAR圖像分類 效率高的優(yōu)點(diǎn)。
[0036]第三，由于本發(fā)明采用度量學(xué)習(xí)分類器進(jìn)行迭代分類，克服了現(xiàn)有技術(shù)處理速度 過慢，時間復(fù)雜度過高的問題，使得本發(fā)明具有對極化SAR圖像分類過程中時間短，分類精 度高的優(yōu)點(diǎn)。
【附圖說明】
[0037]圖1是本發(fā)明的流程圖；
[0038]圖2是本發(fā)明仿真圖。
【具體實(shí)施方式】
[0039] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述。
[0040] 參照附圖1，本發(fā)明的具體步驟如下：
[0041]步驟1，輸入待分類的極化SAR圖像。
[0042] 步驟2,濾波。
[0043] 采用濾波窗口大小為7 X 7的Lee濾波方法，對待分類的極化SAR圖像進(jìn)行濾波，去 除相干斑噪聲，得到濾波后的極化SAR圖像，并對濾波后的極化SAR數(shù)據(jù)進(jìn)行Pauli分解，獲 得偽彩色圖。
[0044] 步驟3,分割偽彩色圖。
[0045]第一步，在偽彩色圖中設(shè)置等間距的3000個種子點(diǎn)；
[0046]第二步，采用幾何流擴(kuò)張方法膨脹等間距的3000個種子，形成區(qū)域；
[0047]第三步，采用幾何流公式，進(jìn)行區(qū)域邊界曲線運(yùn)動，在邊界強(qiáng)度弱或者沒有邊界的 地方，曲線運(yùn)動速度大，邊界強(qiáng)度較強(qiáng)的地方，曲線速度慢甚至停止。
[0048] 幾何流公式如下：
[0050]其中^表示求導(dǎo)操作，C表示偽彩色圖像空間變化的曲線集合，t表示偽彩色圖像 Ο. 空間中曲線變化的時間，F(xiàn)表示偽彩色圖像空間中曲線的運(yùn)動速度，N表示偽彩色圖像空間 曲線向外為正方向的法線向量，V表示偽彩色圖像空間中曲線斜率，c(v，0)表示偽彩色圖像 空間中初始化曲線，Co(s)表示一個常數(shù)，se[0，l];
[0051]第四步，根據(jù)偽彩色圖未分配區(qū)域的輪廓，更新邊界上像素點(diǎn)以及在邊界附近未 分配像素點(diǎn)；
[0052]第五步，判斷區(qū)域邊界曲線是否相交，如果是，停止邊界曲線的增長，得到3000個 超像素，執(zhí)行步驟4，否則，執(zhí)行本步驟的第二步。
[0053] 步驟4,提取特征。
[0054]第一步，分別提取濾波后的極化SAR圖像一個像素的協(xié)方差矩陣中位于上三角處 的三個元素的實(shí)部值和虛部值、協(xié)方差矩陣中位于對角線上三個元素的實(shí)部值，將所提取 的9個值依次按列構(gòu)成一個像素9維的特征向量；
[0055] 第二步，對濾波后的極化SAR圖像的所有像素進(jìn)行本步驟的第一步的相同操作，得 到所有像素的特征向量。
[0056] 步驟5,采用普里姆算法，確定待供選取樣本集。
[0057] 第一步，計算每個超像素的特征均值，采用歐式距離計算超像素間的相似度矩陣 E；
[0058]第二步，按照下式，初始化相干矩陣：
[0059] V={1，2, · · ·，3000}
[0000]其中，V表示聚類中心的相干矩陣，U= Φι，ιπ= C>2，U表示供訓(xùn)練集樣本選取的樣 本集，Φι、Φ2表示全零矩陣，m表示第i類供訓(xùn)練集樣本選取的樣本集，i = l，2,. . . ,15;
[0061] 第三步，按照下式，計算相關(guān)樣本集：
[0062] Ui= {si},
[0063] V = V-{Si},
[0064] U = UU {si},
[0065] 其中，m表示第i類供訓(xùn)練集樣本選取的樣本集，Sl表示第i類標(biāo)記樣本落在的超像 素的標(biāo)號，V表示聚類中心的相干矩陣，U表示供訓(xùn)練集樣本選取的樣本集，i = l，2,...， 15，-表示求差操作，U表示求并集操作，i = l，2,... ,15;
[0066] 第四步，按照下式，計算E(U，V)中的最小距離值：
[0067] dmin= I |Fm_Fn| 丨2
[0068] 其中，dmin表示最小距離值，I I I |2表示取2范數(shù)操作，F(xiàn)m，F(xiàn)n表示超像素 m，n的特征 均值。
[0069] 第五步，判斷是否meui，若是，m = Ui U {n}，U = UU {]1}，￥ = ￥-{11}，1] = 1]-{1^}，完 成樣本集的選取，否則，執(zhí)行本步驟的第四步。
[0070] 步驟6,迭代分類。
[0071] 第一步，從訓(xùn)練集中選取一個像素點(diǎn)的8鄰域點(diǎn)與該像素點(diǎn)落入同一個超像素塊 中的像素點(diǎn)，將該像素點(diǎn)的8鄰域點(diǎn)加入到訓(xùn)練集中，并將8鄰域的點(diǎn)從待供選取樣本集中 刪除；
[0072] 第二步，對訓(xùn)練集中所有像素點(diǎn)進(jìn)行第一步的相同操作，得到訓(xùn)練集；
[0073]第三步，使用度量學(xué)習(xí)分類器對訓(xùn)練集進(jìn)行分類，得到訓(xùn)練好的度量學(xué)習(xí)分類器， 具體步驟如下：
[0074]度量學(xué)習(xí)分類器采用以下兩個模型的公式進(jìn)行優(yōu)化：
[0075]第一個模型，二元組支持向量機(jī)模型的優(yōu)化公式如下：
[0078] 其中，max表示求最大值操作，λ表示拉格朗日乘子，Σ表示求和操作，〇表示選取的 第一個二元組位置，0取值為:〇 = 1，2，· · ·，Ν，Ν表示二元組數(shù)目，Ρ表示選取的第二個二 元組位置，Ρ取值為:Ρ = 1，2，· · ·，Ν，λ。表示第〇個二元組的拉格朗日乘子，λρ表示第ρ個二 元組的拉格朗日乘子，h〇、hP分別表示第〇個、第ρ個二元組的標(biāo)簽，K D(Zc>，ZP)表示二元組的核 函數(shù)，Ζ〇、ΖΡ表示第〇個、第ρ個二元組，1表示選取的第三個二元組位置，1取值為：1 = 1， 2，· · .，ΝΑ表示第1個二元組的拉格朗日乘子，λ:取值范圍是：〇彡λΚΚ,Κ表示一個常 數(shù)，In表示第1個二元組的標(biāo)簽。
[0079]第二個模型，三元組支持向量機(jī)模型的優(yōu)化公式如下：
[0081 ] 其中，KT (tu，tv)表示三元組的核函數(shù)，tu、tv分別表示第u個、第v個三元組，max表示 求最大值操作，λ表示拉格朗日乘子，Σ表示求和操作，u表示選取的第一個三元組位置，u取 值為:u=l，2，· · ·，Ν2，Ν2表示三元組數(shù)目，V表示選取的第二個三元組位置，V取值為:ν = 1，2，· · ?JsAu表示第U個三元組的拉格朗日乘子，λν表示第V個三元組的拉格朗日乘子， KT( tu，tv)表示三元組的核函數(shù)，tu、tv分別表示第U個、第V個三元組。
[0082]第四步，使用訓(xùn)練好的度量學(xué)習(xí)分類器對濾波后的極化SAR數(shù)據(jù)進(jìn)行分類，同時獲 得每個像素點(diǎn)的置信度；
[0083]第五步，根據(jù)從訓(xùn)練好的度量學(xué)習(xí)分類器得到的置信度，每次每類選取置信度最 高的像素點(diǎn)加入到訓(xùn)練集中；
[0084]第六步，判斷是否滿足迭代截止條件，若是，得到分類結(jié)果，執(zhí)行步驟7,否則，執(zhí)行 本步驟的第一步。
[0085]迭代截止條件是指滿足以下條件之一的為迭代截止條件：
[0086]條件1.達(dá)到最大的迭代次數(shù)10;
[0087] 條件2.每一類待處理的像素點(diǎn)數(shù)量小于每次每類選取加入到訓(xùn)練集中的像素點(diǎn) 的個數(shù)。
[0088] 步驟7,上色。
[0089] 將分類結(jié)果中標(biāo)簽相同的作為同一類別；
[0090] 按照紅色、綠色、藍(lán)色三基色上色法，對分類結(jié)果進(jìn)行上色，同一類別上相同的顏 色，得到上色后的分類結(jié)果圖。
[0091] 步驟8,輸出上色后的分類結(jié)果圖。
[0092]下面結(jié)合仿真對本發(fā)明的效果做進(jìn)一步的說明：
[0093] 1.仿真實(shí)驗(yàn)條件：
[0094]本發(fā)明的仿真實(shí)驗(yàn)條件為:軟件采用MATLAB版本8.5.0(R2015a)，電腦型號：Intel Core i5-3470 3.20GHz,內(nèi)存：4.OOGB，操作系統(tǒng)采用Windows 7。
[0095]本發(fā)明的仿真實(shí)驗(yàn)中采用的圖像數(shù)據(jù)為美國宇航局噴氣推進(jìn)實(shí)驗(yàn)室，1989年獲取 的荷蘭Flevoland地區(qū)的L波段多視全極化SAR圖像，大小為750X 1024，分辨率為12.1m X 6.7m，該區(qū)域包含15類地物。
[0096] 2.仿真實(shí)驗(yàn)內(nèi)容：
[0097]本發(fā)明仿真采用現(xiàn)有技術(shù)中的3種方法和本發(fā)明的2種方法進(jìn)行實(shí)驗(yàn)。
[0098]本發(fā)明仿真是對圖2(a)顯示的極化SAR圖像進(jìn)行分類實(shí)驗(yàn)，圖2(a)選取1989年獲 取的荷蘭Flevoland地區(qū)的L波段多視全極化SAR的PauliRGB合成圖像，大小為750X1024， 分辨率為12.lmX6.7m。圖2(b)表示本發(fā)明仿真使用的極化SAR圖像真實(shí)地物標(biāo)記圖；圖2 (c)表示采用現(xiàn)有技術(shù)中的基于超像素與SVM的分類方法，對圖2(a)的分類結(jié)果圖；圖2(d) 表示采用現(xiàn)有技術(shù)中的支持向量機(jī)SVM的分類方法，對圖2(a)的分類結(jié)果圖；圖2(e)表示采 用現(xiàn)有技術(shù)中的基于FSALS_SVM的分類方法，對圖2(a)的分類結(jié)果圖；圖2(f)表示采用本發(fā) 明基于超像素與二元組的支持向量機(jī)模型的分類方法，對圖2(a)的分類結(jié)果圖，圖2(g)表 示采用本發(fā)明基于超像素與三元組的支持向量機(jī)模型的分類方法，對圖2(a)的分類結(jié)果 圖。
[00"] 3.仿真實(shí)驗(yàn)結(jié)果分析：
[0100]以圖2(b)中待分類的極化SAR真實(shí)地物標(biāo)記圖像作為精度評價標(biāo)準(zhǔn)，如果算法的 分類精度越高、分類速度越快，那么表示算法的分類效果越好。對本發(fā)明提出的方法和傳統(tǒng) 方法的分類精度、分類時間進(jìn)行統(tǒng)計，結(jié)果如表1。
[0101]從表1中可以看出，本發(fā)明提出的基于超像素與度量學(xué)習(xí)的極化SAR地物分類方 法，相比于三種對比試驗(yàn)，對極化SAR圖像的分類訓(xùn)練時間上相差無幾，但是分類精度大大 提高，從表中可以明顯看出，分類正確率大大提高了，充分說明了本發(fā)明方法在極化SAR圖 像分類上的優(yōu)越性。
[0102] 本發(fā)明公開了一種基于超像素與度量學(xué)習(xí)的極化SAR地物分類方法，不僅能夠避 免復(fù)雜的特征提取方法，而且將超像素與度量學(xué)習(xí)相結(jié)合，既能夠充分保持極化SAR圖像的 空間連續(xù)性，又能直接使用已有的支持向量機(jī)工具包，從而方便求解，提高速度的同時，大 大提高了分類精度。本實(shí)驗(yàn)中所用的方法，簡而言之，既通用又有效，且分類效率高。
[0103] 表1中，超像素+Doublet_SVM表示的是基于超像素與二元組度量學(xué)習(xí)的極化SAR地 物分類方法，超像素+Triplet_SVM表示的是基于超像素與三元組度量學(xué)習(xí)的極化SAR地物 分類方法，超像素+SVM表示的是基于超像素與支持向量機(jī)的極化SAR地物分類方法，SVM表 示的是基于支持向量機(jī)的極化SAR地物分類方法，F(xiàn)ASLS_SVM表示的是基于快速稀疏支持向 量機(jī)的極化SAR地物分類方法。表中數(shù)據(jù)表不分類精度，最后一行表不時間。
[0104]表1本發(fā)明所提出的方法與傳統(tǒng)算法的分類精度（％ )對比表
【主權(quán)項】
1. 一種基于超像素和度量學(xué)習(xí)的極化SAR地物分類方法，包括步驟如下： (1) 輸入待分類的極化SAR圖像； (2) 濾波; 采用濾波窗口大小為7X7的Lee濾波方法，對待分類的極化SAR圖像進(jìn)行濾波，去除相 干斑噪聲，得到濾波后的極化SAR圖像，并對濾波后的極化SAR數(shù)據(jù)進(jìn)行化uli分解，獲得偽 彩色圖； (3) 分割偽彩色圖： (3a)在偽彩色圖中設(shè)置等間距的3000個種子點(diǎn)； (3b)采用幾何流擴(kuò)張方法膨脹等間距的3000個種子，形成區(qū)域； (3c)采用幾何流公式，進(jìn)行區(qū)域邊界曲線運(yùn)動； (3d)根據(jù)偽彩色圖未分配區(qū)域的輪廓，更新邊界上像素點(diǎn)W及在邊界附近未分配像素 點(diǎn)' ； (3e)判斷區(qū)域邊界曲線是否相交，若是，停止邊界曲線的增長，得到3000個超像素，執(zhí) 行步驟(4)，否則，執(zhí)行步驟(3b); (4) 提取特征： (4a)分別提取濾波后的極化SAR圖像一個像素的協(xié)方差矩陣中位于上Ξ角處的Ξ個元 素的實(shí)部值和虛部值、協(xié)方差矩陣中位于對角線上Ξ個元素的實(shí)部值，將所提取的9個值依 次按列構(gòu)成一個像素9維的特征向量； (4b)對濾波后的極化SAR圖像的所有像素進(jìn)行步驟(4a)的相同操作，得到所有像素的 特征向量； (5) 采用普里姆算法，確定待供選取樣本集； (6) 迭代分類： (6a)從供訓(xùn)練集選取的樣本集中選取一個像素點(diǎn)的8鄰域點(diǎn)與該像素點(diǎn)落入同一個超 像素塊中的像素點(diǎn)，將該像素點(diǎn)的8鄰域點(diǎn)加入到訓(xùn)練集中，并將8鄰域的點(diǎn)從待供選取樣 本集中刪除； (6b)對樣本集中所有像素點(diǎn)進(jìn)行步驟(6a)的相同操作，得到訓(xùn)練集； (6c)使用度量學(xué)習(xí)分類器對訓(xùn)練集進(jìn)行分類，得到訓(xùn)練好的度量學(xué)習(xí)分類器； (6d)使用訓(xùn)練好的度量學(xué)習(xí)分類器對濾波后的極化SAR數(shù)據(jù)進(jìn)行分類，同時獲得每個 像素點(diǎn)的置信度； (6e)根據(jù)從訓(xùn)練好的度量學(xué)習(xí)分類器得到的置信度，每次每類選取置信度最高的像素 點(diǎn)加入到訓(xùn)練集中； (6f)判斷是否滿足迭代截止條件，若是，則執(zhí)行步驟(7)，否則，執(zhí)行步驟(6a); (7) 上色： (7a)將分類結(jié)果中標(biāo)簽相同的作為同一類別； (7b)按照紅色、綠色、藍(lán)色Ξ基色上色法，對分類結(jié)果進(jìn)行上色，同一類別上相同的顏 色，得到上色后的分類結(jié)果圖； (8) 輸出上色后的分類結(jié)果圖。2. 根據(jù)權(quán)利要求1所述的基于超像素和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(3c)所述的幾何流公式如下：其中，f表示求導(dǎo)操作，c表示偽彩色圖像空間變化的曲線集合，t表示偽彩色圖像空間 0 中曲線變化的時間，F(xiàn)表示偽彩色圖像空間中曲線的運(yùn)動速度，N表示偽彩色圖像空間曲線 向外為正方向的法線向量，V表示偽彩色圖像空間中曲線斜率，C(v，0)表示偽彩色圖像空間 中初始化曲線，Co(s)表示一個常數(shù)，se[〇，l]。3.根據(jù)權(quán)利要求1所述的基于超像素和度量學(xué)習(xí)的極化SAR地物分類方法，其特征在 于:步驟(6d)所述的迭代截止條件是指滿足W下條件之一的情形： 條件1.達(dá)到最大的迭代次數(shù)10; 條件2.每一類待處理的像素點(diǎn)數(shù)量小于每次每類選取加入到訓(xùn)練集中的像素點(diǎn)的個 數(shù)。
【文檔編號】G06T7/00GK106096651SQ201610407325
【公開日】2016年11月9日
【申請日】2016年6月12日
【發(fā)明人】焦李成, 屈嶸, 王明潔, 馬文萍, 馬晶晶, 侯彪, 楊淑媛, 劉紅英, 馮婕
【申請人】西安電子科技大學(xué)