基于超像素和度量學習的極化sar地物分類方法
【專利摘要】本發明公開一種基于超像素和度量學習的極化SAR地物分類方法，實現步驟為：(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)采用度量學習分類器，進行迭代分類，得到分類結果；(7)對分類結果進行上色；(8)輸出上色后的分類結果圖。本發明采用基于超像素和度量學習的極化SAR地物分類方法對圖像進行分類，避免了各種復雜的特征分解過程，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習的極化SAR地物分類方法
技術領域
[0001] 本發明屬于圖像處理技術領域，更進一步涉及圖像分類技術領域中的一種基于超 像素和度量學習的極化合成孔徑雷達SAR(Polarimetric Synthetic Aperture Radar， PolSAR)地物分類方法。本發明可用于對極化SAR圖像進行地物分類。
【背景技術】
[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能獲得比傳統的單極化SAR更豐富的地物信息，快速、準確成為極 化SAR圖像分類實際應用的前提。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參數，作為特征矩陣，再結合 其他方法對極化SAR圖像進行分類。一些現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，時間復雜度過高，本發明提出的基 于超像素和度量學習的極化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，該方法適應性更強；另一方面，可以直接使用現有的 支持向量機工具包，克服了傳統分類方法時間復雜度過高的問題。
[0004] 西安電子科技大學在其申請的專利"一種基于稀疏表示和超像素的極化SAR地物 分類方法"（專利申請號CN201410062296.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。該方法首先進行超像素分割，對原始的極化SAR圖 像提取射機理方面的特征，做為每個像素點的特征，然后進行超像素級的聯合稀疏表示，利 用稀疏表示分類器進行分類，求出每個超像素相干矩陣的均值，然后利用分類結果進行超 像素級的復Wishart迭代，最后得到最終的分類結果。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的特征參數，這些傳統的極化目標的特征分解過程比較 繁瑣。其二，利用訓練字典得到聯合稀疏表示，然后經過稀疏表示分類器進行分類，處理速 度太慢，時間復雜度太高。
[0005] 武漢大學在其申請的專利"基于混合分類器的極化SAR數據分類方法及系統"（專 利申請號CN201310310179.6,公開號CN103366184A)中公開了一種基于混合分類器的極化 SAR數據數據分類方法及系統。該方法首先獲取極化SAR數據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 數據進行分類。該方法綜合了決策樹分類器和SVM分類器的優勢，但是該方法仍然存在的不 足之處是，對極化SAR圖像進行處理時，是按單個像素進行特征提取的，容易受到噪聲的干 擾，因此分類效率有所降低。

【發明內容】

[0006] 本發明的目的在于針對已有技術的不足，提出了一種基于超像素和度量學習的極 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 量學習分類器與超像素相結合，在提高正確率的同時，降低了時間復雜度。
[0007] 實現本發明目的基本思路是:首先，對待分類的極化SAR圖像進行濾波、產生超像 素、提取特征;然后，獲得待供選取樣本集;最后，用度量學習分類器對極化SAR圖像進行迭 代分類。
[0008] 為實現上述目的，本發明具體實現步驟包括如下：
[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數據進行Pauli分解，獲 得偽彩色圖；
[0012] ⑶分割偽彩色圖：
[0013] (3a)在偽彩色圖中設置等間距的3000個種子點；
[0014] (3b)采用幾何流擴張方法膨脹等間距的3000個種子，形成區域；
[0015] (3c)采用幾何流公式，進行區域邊界曲線運動，在邊界強度弱或者沒有邊界的地 方，曲線運動速度大，邊界強度較強的地方，曲線速度慢甚至停止；
[0016] (3d)根據未分配區域的輪廓，更新邊界上像素點以及在邊界附近未分配像素點；
[0017] (3e)判斷區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，執行步驟(4)，否則，執行步驟(3b);
[0018] (4)提取特征：
[0019] (4a)分別提取濾波后的極化SAR圖像一個像素的協方差矩陣中位于上三角處的三 個元素的實部值和虛部值、協方差矩陣中位于對角線上三個元素的實部值，將所提取的9個 值依次按列構成一個像素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)從供訓練集選取的樣本集中選取一個像素點的8鄰域點與該像素點落入同一 個超像素塊中的像素點，將該像素點的8鄰域點加入到訓練集中，并將8鄰域的點從待供選 取樣本集中刪除；
[0024] (6b)對樣本集中所有像素點進行步驟(6a)的相同操作，得到訓練集；
[0025] (6c)使用度量學習分類器對訓練集進行分類，得到訓練好的度量學習分類器；
[0026] (6d)使用訓練好的度量學習分類器對濾波后的極化SAR數據進行分類，同時獲得 每個像素點的置信度；
[0027] (6e)根據從度量學習分類器得到的置信度，每次每類選取置信度最高的像素點加 入到訓練集中；
[0028] (6f)判斷是否滿足迭代截止條件，若是，得到分類結果，執行步驟(7)，否則，執行 步驟(6a);
[0029] (7)上色：
[0030] (7a)將分類結果中標簽相同的作為同一類別；
[0031] (7b)按照紅色、綠色、藍色三基色上色法，對分類結果進行上色，同一類別上相同 的顏色，得到上色后的分類結果圖；
[0032] (8)輸出上色后的分類結果圖。
[0033]本發明與現有技術相比具有以下優點：
[0034]第一，由于本發明在提取極化SAR圖像特征時，僅利用了濾波后的極化SAR圖像的 協方差矩陣，克服了現有技術的極化目標的特征分解過程比較繁瑣的問題，使得本發明特 征提取過程中具有操作簡單，耗時短的優點。
[0035]第二，由于本發明通過分割偽彩色圖產生3000個超像素，保持了極化SAR圖像的空 間連續性，克服了現有技術容易受到噪聲干擾的問題，使得本發明具有對極化SAR圖像分類 效率高的優點。
[0036]第三，由于本發明采用度量學習分類器進行迭代分類，克服了現有技術處理速度 過慢，時間復雜度過高的問題，使得本發明具有對極化SAR圖像分類過程中時間短，分類精 度高的優點。
【附圖說明】
[0037]圖1是本發明的流程圖；
[0038]圖2是本發明仿真圖。
【具體實施方式】
[0039] 下面結合附圖對本發明做進一步的描述。
[0040] 參照附圖1，本發明的具體步驟如下：
[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數據進行Pauli分解，獲 得偽彩色圖。
[0044] 步驟3,分割偽彩色圖。
[0045]第一步，在偽彩色圖中設置等間距的3000個種子點；
[0046]第二步，采用幾何流擴張方法膨脹等間距的3000個種子，形成區域；
[0047]第三步，采用幾何流公式，進行區域邊界曲線運動，在邊界強度弱或者沒有邊界的 地方，曲線運動速度大，邊界強度較強的地方，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表示偽彩色圖像空間中曲線的運動速度，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，se[0，l];
[0051]第四步，根據偽彩色圖未分配區域的輪廓，更新邊界上像素點以及在邊界附近未 分配像素點；
[0052]第五步，判斷區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，執行步驟4，否則，執行本步驟的第二步。
[0053] 步驟4,提取特征。
[0054]第一步，分別提取濾波后的極化SAR圖像一個像素的協方差矩陣中位于上三角處 的三個元素的實部值和虛部值、協方差矩陣中位于對角線上三個元素的實部值，將所提取 的9個值依次按列構成一個像素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類供訓練集樣本選取的樣本集，Sl表示第i類標記樣本落在的超像 素的標號，V表示聚類中心的相干矩陣，U表示供訓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范數操作，Fm，Fn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，執行本步驟的第四步。
[0070] 步驟6,迭代分類。
[0071] 第一步，從訓練集中選取一個像素點的8鄰域點與該像素點落入同一個超像素塊 中的像素點，將該像素點的8鄰域點加入到訓練集中，并將8鄰域的點從待供選取樣本集中 刪除；
[0072] 第二步，對訓練集中所有像素點進行第一步的相同操作，得到訓練集；
[0073]第三步，使用度量學習分類器對訓練集進行分類，得到訓練好的度量學習分類器， 具體步驟如下：
[0074]度量學習分類器采用以下兩個模型的公式進行優化：
[0075]第一個模型，二元組支持向量機模型的優化公式如下：
[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個二元組的標簽，K D(Zc>，ZP)表示二元組的核 函數，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，In表示第1個二元組的標簽。
[0079]第二個模型，三元組支持向量機模型的優化公式如下：
[0081 ] 其中，KT (tu，tv)表示三元組的核函數，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，tu、tv分別表示第U個、第V個三元組。
[0082]第四步，使用訓練好的度量學習分類器對濾波后的極化SAR數據進行分類，同時獲 得每個像素點的置信度；
[0083]第五步，根據從訓練好的度量學習分類器得到的置信度，每次每類選取置信度最 高的像素點加入到訓練集中；
[0084]第六步，判斷是否滿足迭代截止條件，若是，得到分類結果，執行步驟7,否則，執行 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.達到最大的迭代次數10;
[0087] 條件2.每一類待處理的像素點數量小于每次每類選取加入到訓練集中的像素點 的個數。
[0088] 步驟7,上色。
[0089] 將分類結果中標簽相同的作為同一類別；
[0090] 按照紅色、綠色、藍色三基色上色法，對分類結果進行上色，同一類別上相同的顏 色，得到上色后的分類結果圖。
[0091] 步驟8,輸出上色后的分類結果圖。
[0092]下面結合仿真對本發明的效果做進一步的說明：
[0093] 1.仿真實驗條件：
[0094]本發明的仿真實驗條件為:軟件采用MATLAB版本8.5.0(R2015a)，電腦型號：Intel Core i5-3470 3.20GHz,內存：4.OOGB，操作系統采用Windows 7。
[0095]本發明的仿真實驗中采用的圖像數據為美國宇航局噴氣推進實驗室，1989年獲取 的荷蘭Flevoland地區的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，該區域包含15類地物。
[0096] 2.仿真實驗內容：
[0097]本發明仿真采用現有技術中的3種方法和本發明的2種方法進行實驗。
[0098]本發明仿真是對圖2(a)顯示的極化SAR圖像進行分類實驗，圖2(a)選取1989年獲 取的荷蘭Flevoland地區的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)表示本發明仿真使用的極化SAR圖像真實地物標記圖；圖2 (c)表示采用現有技術中的基于超像素與SVM的分類方法，對圖2(a)的分類結果圖；圖2(d) 表示采用現有技術中的支持向量機SVM的分類方法，對圖2(a)的分類結果圖；圖2(e)表示采 用現有技術中的基于FSALS_SVM的分類方法，對圖2(a)的分類結果圖；圖2(f)表示采用本發 明基于超像素與二元組的支持向量機模型的分類方法，對圖2(a)的分類結果圖，圖2(g)表 示采用本發明基于超像素與三元組的支持向量機模型的分類方法，對圖2(a)的分類結果 圖。
[00"] 3.仿真實驗結果分析：
[0100]以圖2(b)中待分類的極化SAR真實地物標記圖像作為精度評價標準，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。對本發明提出的方法和傳統 方法的分類精度、分類時間進行統計，結果如表1。
[0101]從表1中可以看出，本發明提出的基于超像素與度量學習的極化SAR地物分類方 法，相比于三種對比試驗，對極化SAR圖像的分類訓練時間上相差無幾，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，充分說明了本發明方法在極化SAR圖 像分類上的優越性。
[0102] 本發明公開了一種基于超像素與度量學習的極化SAR地物分類方法，不僅能夠避 免復雜的特征提取方法，而且將超像素與度量學習相結合，既能夠充分保持極化SAR圖像的 空間連續性，又能直接使用已有的支持向量機工具包，從而方便求解，提高速度的同時，大 大提高了分類精度。本實驗中所用的方法，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習的極化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習的極化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的極化SAR地物分類方法，SVM表 示的是基于支持向量機的極化SAR地物分類方法，FASLS_SVM表示的是基于快速稀疏支持向 量機的極化SAR地物分類方法。表中數據表不分類精度，最后一行表不時間。
[0104]表1本發明所提出的方法與傳統算法的分類精度（％ )對比表
【主權項】
1. 一種基于超像素和度量學習的極化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數據進行化uli分解，獲得偽 彩色圖； (3) 分割偽彩色圖： (3a)在偽彩色圖中設置等間距的3000個種子點； (3b)采用幾何流擴張方法膨脹等間距的3000個種子，形成區域； (3c)采用幾何流公式，進行區域邊界曲線運動； (3d)根據偽彩色圖未分配區域的輪廓，更新邊界上像素點W及在邊界附近未分配像素 點' ； (3e)判斷區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 行步驟(4)，否則，執行步驟(3b); (4) 提取特征： (4a)分別提取濾波后的極化SAR圖像一個像素的協方差矩陣中位于上Ξ角處的Ξ個元 素的實部值和虛部值、協方差矩陣中位于對角線上Ξ個元素的實部值，將所提取的9個值依 次按列構成一個像素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)從供訓練集選取的樣本集中選取一個像素點的8鄰域點與該像素點落入同一個超 像素塊中的像素點，將該像素點的8鄰域點加入到訓練集中，并將8鄰域的點從待供選取樣 本集中刪除； (6b)對樣本集中所有像素點進行步驟(6a)的相同操作，得到訓練集； (6c)使用度量學習分類器對訓練集進行分類，得到訓練好的度量學習分類器； (6d)使用訓練好的度量學習分類器對濾波后的極化SAR數據進行分類，同時獲得每個 像素點的置信度； (6e)根據從訓練好的度量學習分類器得到的置信度，每次每類選取置信度最高的像素 點加入到訓練集中； (6f)判斷是否滿足迭代截止條件，若是，則執行步驟(7)，否則，執行步驟(6a); (7) 上色： (7a)將分類結果中標簽相同的作為同一類別； (7b)按照紅色、綠色、藍色Ξ基色上色法，對分類結果進行上色，同一類別上相同的顏 色，得到上色后的分類結果圖； (8) 輸出上色后的分類結果圖。2. 根據權利要求1所述的基于超像素和度量學習的極化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表示偽彩色圖像空間中曲線的運動速度，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，se[〇，l]。3.根據權利要求1所述的基于超像素和度量學習的極化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.達到最大的迭代次數10; 條件2.每一類待處理的像素點數量小于每次每類選取加入到訓練集中的像素點的個 數。
【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