《极化SAR图像分类方法.pdf》由会员分享，可在线阅读，更多相关《极化SAR图像分类方法.pdf（9页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103617427 A (43)申请公布日 2014.03.05 CN 103617427 A (21)申请号 201310685303.7 (22)申请日 2013.12.13 G06K 9/62(2006.01) G06K 9/46(2006.01) (71)申请人 首都师范大学 地址 100048 北京市海淀区西三环北路 105 号 (72)发明人 邓磊 孙晨 赵文吉 (74)专利代理机构 北京金信立方知识产权代理 有限公司 11225 代理人 黄威 邓玉婷 (54) 发明名称 极化 SAR 图像分类方法 (57) 摘要 本发明公开了一种极化 SAR 图像分类方。
2、法， 包括 ： S1 ： 提取极化 SAR 图像的特征 ： 散射熵 H、 反 熵 A 和散射角 ， 将所得到的特征集合 (H,A,) 作为第一特征集 ； S2 ： 将所述极化 SAR 图像分解 为两个子孔径图像后， 分别提取所述两个子孔径 图像的特征 ： 散射熵 H、 反熵 A 和散射角 ， 从 而得到两个子特征集 (H1,A1,1)、 (H2,A2,2) ； S3 ： 将所述两个子特征集中的各相应特征的 值相减， 得到所述各相应特征的差值的集合 (H,A,) 作为第二特征集 ； S4 ： 将所述第 一特征集和所述第二特征集输入到决策树分类模 型中， 得到所述极化SAR图像的分类结果。 使用本。
3、 发明极化 SAR 图像分类方法， 可以提高分类结果 的精度。 (51)Int.Cl. 权利要求书 1 页 说明书 5 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书5页 附图2页 (10)申请公布号 CN 103617427 A CN 103617427 A 1/1 页 2 1. 一种极化 SAR 图像分类方法， 包括 ： S1 ： 提取极化 SAR 图像的特征 ： 散射熵 H、 反熵 A 和散射角 ， 将所得到的特征集合 (H,A,) 作为第一特征集 ； S2 ： 将所述极化 SAR 图像分解为两个子孔径图像后， 分别提取所述两个子孔径。
4、图像的 特征 ： 散射熵 H、 反熵 A 和散射角 ， 从而得到两个子特征集 (H1,A1,1)、 (H2,A2,2) ； S3 ： 将所述两个子特征集中的各相应特征的值相减， 得到所述各相应特征的差值的集 合 (H,A,) 作为第二特征集 ； S4 ： 将所述第一特征集和所述第二特征集输入到决策树分类模型中， 得到所述极化 SAR 图像的分类结果。 2. 如权利要求 1 所述的极化 SAR 图像分类方法， 其特征在于 ： 在 S1 步骤中， 利用 Cloude 分解从所述极化 SAR 图像提取所述第一特征集 (H,A,) ； 并且 在 S2 步骤中， 利用 Cloude 分解分别从所述两个子。
5、孔径图像提取所述两个子特征集 (H1,A1,1)、 (H2,A2,2)。 3. 如权利要求 1 或 2 所述的极化 SAR 图像分类方法， 其特征在于 ： 所述决策树分类模型为 C5 决策树分类模型。 4. 如权利要求 1 所述的极化 SAR 图像分类方法， 其特征在于， 步骤 S4 具体包括 ： S41 ： 将所述第一特征集和所述第二特征集合并为目标识别特征集 ； S42 ： 利用所述决策树分类模型对预定的样本数据进行训练， 以构建用于目标识别的规 则 ； S43 ： 利用所述决策树分类模型根据所述规则对所述目标识别特征集进行分类， 得到所 述极化 SAR 图像的分类结果。 权 利 要 求 。
6、书 CN 103617427 A 2 1/5 页 3 极化 SAR 图像分类方法 技术领域 0001 本发明涉及图像处理领域， 具体涉及一种极化 SAR 图像分类方法。 背景技术 0002 由于不同地物对电磁波的散射机理不同， 通过分析全极化雷达的后向散射特征可 以获取到更为丰富的地物信息， 因而其在地面目标检测、 地物识别分类提取中得到了应用 广泛。 目前， 在研究地物散射特性的过程中， 主要是通过对包含目标地物电磁散射特性的回 波信号进行极化目标分解的方法来实现地物散射特性分析。 通过极化目标分解可以得到体 现地物散射类型的特征， 进而利用这些特征对极化 SAR 图像进行分类。 0003 。
7、传统的基于极化目标分解的分类方法是针对全分辨率图像的， 全分辨率极化 SAR 图像是将目标散射信号进行全方位向的合成得到的， 然而， 在合成孔径雷达成像过程中， 雷 达平台与目标的相对位置是不断变化的， 利用全分辨率图像进行分类没有充分考虑地物电 磁特性随传感器方位视角变化的特点， 目标散射特性的分析并不全面。近年来， 出现了将 SAR 图像分解为多个子孔径图像， 并分别利用子孔径图像分析目标在不同方位角下后向散 射的瞬时变化， 并将其应用于地物目标的分类和提取的方法， 例如， Ainsworth 等分析了子 孔径图像间的高相关性， 并结合 wishart 分类方法实现了对高分辨率极化 SAR。
8、 图像非平稳 目标的提取 ； Reigber 等利用相干时频分析方法来抑制杂波， 并根据子孔径间的高度相干 性来检测点散射体， 进行城镇地区建筑物结构的检测等。 0004 使用子孔径方法的缺点在于 ： 0005 1、 分类器都是针对少量特征进行规则的建立， 难以全面地反映 SAR 图像特征， 因 此造成分类精度难以提高 ； 0006 2、 通常使用最大似然估计法对目标进行分类， 这使得这些方法要求样本需符合特 定的统计分布模型， 并且生成的分类规则较难解译 ； 0007 3、 一般需要分解为多个子孔径， 提取多个子孔径图像的均值、 相干等特征以进行 分类， 而子孔径的个数与地面空间分辨率成反比。
9、， 因此， 子孔径个数增加虽然导致提取的特 征 （如均值、 相干） 更精确， 但是地面空间分辨率却由于子孔径的个数而降低， 其必然使最终 的分类精度受限。 发明内容 0008 为克服上述一个和 / 或多个缺点， 本发明提供了一种极化 SAR 图像分类方法。 0009 本发明提供的一种极化 SAR 图像分类方法， 包括 ： S1 ： 提取极化 SAR 图像的特征 ： 散射熵 H、 反熵 A 和散射角 ， 将所得到的特征集合 (H,A,) 作为第一特征集 ； S2 ： 将所述 极化 SAR 图像分解为两个子孔径图像后， 分别提取所述两个子孔径图像的特征 ： 散射熵 H、 反熵 A 和散射角 ， 从。
10、而得到两个子特征集 (H1,A1,1)、 (H2,A2,2) ； S3 ： 将所述两个子特 征集中的各相应特征的值相减， 得到所述各相应特征的差值的集合 (H,A,) 作为 第二特征集 ； S4 ： 将所述第一特征集和所述第二特征集输入到决策树分类模型中， 得到所 说 明 书 CN 103617427 A 3 2/5 页 4 述极化 SAR 图像的分类结果。 0010 进一步地， 在 S1 步骤中， 利用 Cloude 分解从所述极化 SAR 图像提取所述第一特征 集 (H,A,) ； 并且在 S2 步骤中， 利用 Cloude 分解分别从所述两个子孔径图像提取所述两 个子特征集 (H1,A1。
11、,1)、 (H2,A2,2)。 0011 可选地， 所述决策树分类模型为 C5 决策树分类模型。 0012 进一步地， 步骤 S4 具体包括 ： S41 ： 将所述第一特征集和所述第二特征集合并为目 标识别特征集 ； S42 ： 利用所述决策树分类模型对预定的样本数据进行训练， 以构建用于目 标识别的规则 ； S43 ： 利用所述决策树分类模型根据所述规则对所述目标识别特征集进行 分类， 得到所述极化 SAR 图像的分类结果。 0013 本发明的有益效果在于 ： 提供了一种极化 SAR 图像分类方法， 其不仅利用了从极 化 SAR 图像本身提取的特征集合， 同时利用了从两个子孔径图像提取的各相。
12、应特征的差值 的集合， 即两种不同类型的特征集合， 使得所提取的特征多层次、 全面、 丰富地反应极化 SAR 图像的特性 ； 由于提取两种不同类型的特征集合， 继而能够使用分类精度更好、 分类性能更 好的针对多种类型特征进行分类的决策树分类模型 ； 另外， 将图像仅分解为两个子孔径图 像， 最大限度地保证了地面空间分辨率， 从而保证了分类精度。 附图说明 0014 图 1 是本发明实施例的极化 SAR 图像分类方法的流程示意图。 0015 图2是本发明实施例的方法与基于最大似然准则的wishart监督分类以及单纯利 用极化分解特征的决策树分类方法的分类结果的对比示意图。 具体实施方式 0016。
13、 为使本领域技术人员更好地理解本发明， 下面参照附图对本发明的实施例进行详 细说明。 0017 图1是本发明实施例的极化SAR图像分类方法的流程示意图。 参见图1， 本发明实 施例的极化 SAR 图像分类方法， 包括 ： S1 ： 提取极化 SAR 图像的特征 ： 散射熵 H、 反熵 A 和散 射角 ， 将所得到的特征集合 (H,A,) 作为第一特征集 ； S2 ： 将极化 SAR 图像分解为两个 子孔径图像后， 分别提取两个子孔径图像的特征 ： 散射熵H、 反熵A和散射角， 从而得到两 个子特征集 (H1,A1,1)、 (H2,A2,2) ； S3 ： 将两个子特征集中的各相应特征的值相减，。
14、 得到 各相应特征的差值的集合 (H,A,) 作为第二特征集 ； S4 ： 将第一特征集和第二特征 集输入到决策树分类模型中， 得到极化 SAR 图像的分类结果。 0018 本发明实施例的有益效果在于 ： 不仅利用了从 SAR 图像本身提取的特征集合， 同 时利用了从两个子孔径图像提取的各相应特征的差值的集合， 即两种不同类型的特征集 合， 使得所提取的特征多层次、 全面、 丰富地反应 SAR 图像的特性 ； 由于提取两种不同类型 的特征集合， 继而能够使用分类精度更好、 分类性能更好的针对多种类型特征进行分类的 决策树分类模型 ； 另外， 将图像仅分解为两个子孔径图像， 最大限度地保证了地面。
15、空间分辨 率， 从而保证了分类精度。 0019 值得说明的是， 上述方法中， 由于步骤 S1、 步骤 S2 处理顺序的先后 （甚至并行） 不 会影响到最终的分类结果， 因此步骤 S1 与步骤 S2 并没有明确的顺序之分。 说 明 书 CN 103617427 A 4 3/5 页 5 0020 具体而言， 在 S1 步骤中， 可以利用 Cloude 分解从极化 SAR 图像提取第一特征集 (H,A,) ； 并且在S2步骤中， 可以利用Cloude分解分别从两个子孔径图像提取两个子特征 集 (H1,A1,1)、 (H2,A2,2)。Cloude 分解是一种为本领域人员所知的对极化 SAR 图像提取。
16、 上述特征的分解方法， 当然也可以采用其他公知的分解方法。 0021 通常可以使用包括 QUEST、 C&R、 CHAID 等在内的决策树分类模型进行分类。优选 地， 本发明实施例所使用的决策树分类模型为 C5 决策树分类模型， 经测试表明， 其进行多 特征分类的效果更好。 由于本发明实施例提取了两种不同类型的特征集合， 即两类特征 （一 类为极化 SAR 图像本身的特征的集合， 一类为极化 SAR 图像的两个子孔径图像各相应特征 的差值所形成的特征集合） ， 利用 C5 决策树模型构建极化 SAR 图像的分类规则， 能够生成一 个二叉树结构的分类规则文本， 通过解译二叉树的叶子节点， 可以分。
17、别得到每一类地物基 于多种特征的分类依据， 以便于进一步研究地物的散射机理与特征之间的关系。从而很好 地解决了现有技术中， 要求样本需符合特定的统计分布模型以及所生成的分类规则较难解 译的缺陷。 0022 此外， 本发明实施例的极化 SAR 图像分类方法中， 步骤 S4 可以具体包括 ： S41 ： 将 第一特征集和第二特征集合并为目标识别特征集 ； S42 ： 利用决策树分类模型对预定的样 本数据进行训练， 以构建用于目标识别的规则 ； S43 ： 利用决策树分类模型根据规则对目标 识别特征集进行分类， 得到极化 SAR 图像的分类结果。 0023 在下面的描述中， 还将进一步对本发明实施例。
18、的分类方法的性能与传统方法之间 的性能进行分析与比较。 0024 参考图 2， 图 2 是本发明实施例的方法与基于最大似然准则的 wishart 监督分 类、 以及单纯利用极化分解特征的决策树分类方法 （图中示为 ： H/A/-C5） 的分类结果的 对比示意图。从分类的整体效果来看， 本发明实施例的方法与 H/A/-C5 分类方法 （均使 用了决策树分类方法） 能够将各种地物类型清晰的体现出来， 具有较好的地物表现力， 而在 wishart监督分类方法的结果中斜建筑与稀疏植被出现大量的混分。 基于地物的先验知识， 分析三种方法分类结果的细节效果， 其中， wishart 监督分类的分类结果并没。
19、有将茂密植被 与稀疏植很好的区分出来， 裸地和稀疏植被的混合程度大且各类别的边界比较模糊 ； 在 H/ A/-C5 的分类结果中一部分稀疏植被被错分到斜建筑和裸地， 且城区中裸地和建筑的边 界细节目视效果较差 ； 从本发明提出方法的分类细节来看， 类别之间的边界非常明显， 道路 的脉络更加清晰， 并且斜建筑和稀疏植被的错分现象也得到显著改善。 0025 下面三个表格分别示出了三种分类方法的混淆矩阵。 0026 wishart 监督分类方法的混淆矩阵 说 明 书 CN 103617427 A 5 4/5 页 6 0027 0028 H/A/-C5 分类方法的混淆矩阵 0029 0030 本发明提。
20、出分类方法的混淆矩阵 0031 0032 从各类地物的分类结果的用户精度来看， 在 wishart 监督分类方法的结果中， 茂 密植被与稀疏植被、 斜建筑与稀疏植被出现了大量错分， 精度较低 ； 在 H/A/-C5 分类方法 的结果中， 各类地物的分类精度都有所提高， 植被与斜建筑的混分现象得到改善 ； 与 H/A/ -C5 分类方法相比， 本发明提出方法的精度评价结果显示， 茂密植被与稀疏植的用户精度 分别提高了 16.72% 和 11.29%， 斜建筑的精度提高了 5.34%。 0033 如下表所示， 对上述三种分类方法的分类精度进行了对比。 在目视判读的基础上， 说 明 书 CN 103。
21、617427 A 6 5/5 页 7 以测试样本数据作为参考点， 对三种分类方法的分类结果进行精度验证。 0034 分类结果精度对比 0035 0036 可以看到， 其中 wishart 监督分类方法的精度最低， 两种决策树分类方法的精度 较 wishart 监督分类提高了将近 20% ； H/A/C5 的分类方法总精度为 85.21%， 精度较高 ； 而本发明实施例的方法总精度为 88.39%， 精度最高。 0037 本发明不局限于上述特定实施例， 在不背离本发明精神及其实质情况下， 熟悉本 领域的技术人员可根据本发明作出各种相应改变和变形， 但这些相应改变和变形都应属于 本发明所附权利要求的保护范围之内。 说 明 书 CN 103617427 A 7 1/2 页 8 图 1 说 明 书 附 图 CN 103617427 A 8 2/2 页 9 图 2 说 明 书 附 图 CN 103617427 A 9 。