基于加權(quán)合成核與tmf的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，涉及極化SAR圖像分類，其步驟為：步驟1，選擇極化SAR圖像的極化特征和訓(xùn)練樣本，構(gòu)建特征空間；步驟2，構(gòu)建加權(quán)合成核；步驟3，利用加權(quán)合成核結(jié)合支持向量機實現(xiàn)初始分類，作為標(biāo)記場X的初始值；步驟4，估計新的標(biāo)記場X和新的輔助場U；步驟5，直到標(biāo)記場X收斂，作為極化SAR圖像最終的分類結(jié)果。本發(fā)明主要解決現(xiàn)有方法初始分類精度不高，與Markov場不能處理極化SAR圖像的非平穩(wěn)特性的問題。本發(fā)明能使同質(zhì)區(qū)域分類結(jié)果更平滑且能更好地保持邊緣信息，分類精度明顯提高，可用于極化SAR圖像的目標(biāo)檢測與識別。
【專利說明】基于加權(quán)合成核與TMF的極化SAR圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于雷達極化與圖像處理【技術(shù)領(lǐng)域】,涉及極化SAR(synthetic apertureradar,合成孔徑雷達)圖像分類,尤其涉及一種基于加權(quán)合成核與TMF (Triple MarkovField,三重Markov場)的極化SAR圖像分類方法，可用于極化SAR圖像的目標(biāo)檢測與識別。
【背景技術(shù)】
[0002]圖像分類是極化SAR圖像解譯的重要內(nèi)容之一，已廣泛用于軍事與民用領(lǐng)域。分類方法一直是該領(lǐng)域前沿研究的熱點，利用地物的極化散射特性與模式識別領(lǐng)域的分類方法已構(gòu)建了諸多極化SAR圖像分類方法。
[0003]根據(jù)是否需要訓(xùn)練數(shù)據(jù)，極化SAR圖像分類方法分為監(jiān)督和非監(jiān)督兩種分類方法。一般情況下，監(jiān)督分類方法的性能優(yōu)于非監(jiān)督分類方法。若將地物分為海洋、森林、城區(qū)等自然類別，需要采用監(jiān)督分類方法，目前還沒有通用的非監(jiān)督分類方法。目前極化SAR圖像分類涉及的算法有:傳統(tǒng)圖像處理算法，代表性算法有均值聚類、IS0DATA算法、分水嶺算法、圖論方法等，雖然這些方法建立在理論成熟的分類器上，但沒有充分利用目標(biāo)散射機制進行極化SAR圖像分類；基于神經(jīng)網(wǎng)絡(luò)的分類方法，神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是在沒有先驗知識的情況下，通過類別訓(xùn)練樣本可直接建立通用的分類方法，雖然能夠得到很好的分類結(jié)果，但是該方法存在計算耗時的問題；基于SVM(Support Vector Machine支持向量機)的方法，Vapnik研究小組于1995年提出了 SVM，F(xiàn)ukuda等人最早將SVM用于極化SAR圖像分類，后來有學(xué)者將SVM與四叉樹、區(qū)域合并、MRF (Markov Random Field馬爾科夫隨機場)場等結(jié)合用分類，都得到了很好的分類結(jié)果，但是還可以進行優(yōu)化得到更好的結(jié)果；基于極化目標(biāo)分解的分類方法，這種方法可直接利用目標(biāo)極化特性，能很好地保持各個類別的極化散射特性，然而這類方法需要與其他分類方法結(jié)合才能獲得滿意的效果；基于統(tǒng)計理論的分類方法，其中利用Markov場實現(xiàn)極化SAR圖像分類是最重要的統(tǒng)計建模方法之一?；贛arkov場的極化SAR圖像分類方法建立在嚴格的數(shù)學(xué)理論基礎(chǔ)上，該類方法通過貝葉斯理論與Markov場構(gòu)建關(guān)于分類的后驗概率,依據(jù)MAP (maximum a posterior最大后驗概率)準(zhǔn)則實現(xiàn)分類，其中事先必須得到一個初始分類結(jié)果，目前初始分類主要通過Wishart分類與SVM來實現(xiàn)，初始化精度并不高，而且現(xiàn)有Markov場方法不能很好處理極化SAR圖像的非平穩(wěn)特性問題，導(dǎo)致分類結(jié)果不精確，為了提高基于Markov場的極化SAR圖像分類方法性能，有必要同時提高初始分類與MAP分類精度。

【發(fā)明內(nèi)容】

[0004]為了克服上述已有問題的缺點，本發(fā)明提出一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，能夠提高初始分類精度，相比于傳統(tǒng)Markov場能更準(zhǔn)確描述真實圖像，能獲得更好的分類效果。
[0005]為達到上述目的，本發(fā)明采用以下技術(shù)方案預(yù)以實現(xiàn)。
[0006]一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，包括以下步驟:
[0007] 步驟1，從極化SAR圖像中選取N個極化特征，將極化特征歸一化，得到歸一化的特征并且建立特征空間；
[0008]步驟2，設(shè)定極化SAR圖像的類別數(shù)目M，將已知的屬于每一類的像素點作為該類別的類別訓(xùn)練樣本；
[0009]步驟3，通過任意兩個類別的類別訓(xùn)練樣本在特征空間上的歐氏距離來確定核函數(shù)的權(quán)重系數(shù)；利用核函數(shù)的權(quán)重系數(shù)構(gòu)建加權(quán)合成核；
[0010]步驟4，利用加權(quán)合成核結(jié)合支持向量機SVM對極化SAR圖像中的每個像素點實現(xiàn)M個類別的分類，并記錄每個像素點在組合C^1 =Μ(Μ-1)/2次的分類過程中的分類結(jié)果；
[0011]步驟5，在極化SAR圖像中的每個像素點所記錄的Ci1 =Μ(Μ-1)/2次分類結(jié)果中統(tǒng)
計每個像素點各類別所獲票數(shù)；將每個像素點所獲票數(shù)最多的類別標(biāo)記為該像素點的最終類別；將每個像素點的最終類別確定為該像素點的分類結(jié)果，所有像素點的分類結(jié)果的集合就是初始分類結(jié)果；
[0012]步驟6，對三重Markov場(X，Y, U)進行初始化，將步驟I到步驟5得到的初始分類結(jié)果作為極化SAR圖像原始的標(biāo)記場X，將極化SAR圖像中所有像素點的協(xié)方差矩陣C的集合作為極化SAR圖像的觀測場Y，將所有像素點隨機初始化的平穩(wěn)態(tài)類別的集合作為極化SAR圖像的原始的輔助場U ；
[0013]步驟7，利用原始的標(biāo)記場X和原始的輔助場U，對極化SAR圖像的所有像素點的先驗概率的先驗參數(shù)α和似然概率的似然參數(shù)β進行估計；
[0014]步驟8，利用極化SAR圖像的所有像素點的先驗參數(shù)α和似然參數(shù)β，估計極化SAR圖像的所有像素點在新的標(biāo)記場中的類別和在新的輔助場中的平穩(wěn)態(tài)類別，得到極化SAR圖像的所有像素點在新的標(biāo)記場中的類別的估計值、所有像素點在新的輔助場中的平穩(wěn)態(tài)類別的估計值；
[0015]將所有像素點在新的標(biāo)記場中的類別的估計值確定為極化SAR圖像的新的標(biāo)記場，將所有像素點在新的輔助場中的平穩(wěn)態(tài)類別的估計值確定為極化SAR圖像的新的輔助場；
[0016]步驟9，判斷極化SAR圖像的新的標(biāo)記場是否收斂；
[0017]如果新的標(biāo)記場不收斂，設(shè)定新的標(biāo)記場為原始的標(biāo)記場X，新的輔助場為原始的輔助場U，重新執(zhí)行步驟7和步驟8，直到新的標(biāo)記場收斂；
[0018]如果新的標(biāo)記場收斂，將新的標(biāo)記場作為最終的標(biāo)記場，將最終的標(biāo)記場作為極化SAR圖像最終的分類結(jié)果，并輸出該極化SAR圖像最終的分類結(jié)果。
[0019]上述技術(shù)方案的特點和進一步改進在于:
[0020](I)步驟3包括以下子步驟:
[0021]3a)設(shè)定在極化SAR圖像內(nèi)的類別集合Ω = {1，2，...，M};其中M表示極化SAR圖像的類別數(shù)目；
[0022]設(shè)定類別1，類別r，且l，r e類別集合為Ω，計算類別1，r的類別訓(xùn)練樣本在極化特征i的特征空間中的歐氏距離如下式所示:[0023]
【權(quán)利要求】
1.一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，包括以下步驟: 步驟1，從極化SAR圖像中選取N個極化特征，將極化特征歸一化，得到歸一化的特征并且建立特征空間； 步驟2，設(shè)定極化SAR圖像的類別數(shù)目M，將已知的屬于每一類的像素點作為該類別的類別訓(xùn)練樣本； 步驟3，通過任意兩個類別的類別訓(xùn)練樣本在特征空間上的歐氏距離來確定核函數(shù)的權(quán)重系數(shù)；利用核函數(shù)的權(quán)重系數(shù)構(gòu)建加權(quán)合成核； 步驟4，利用加權(quán)合成核結(jié)合支持向量機SVM對極化SAR圖像中的每個像素點實現(xiàn)M個類別的分類，并記錄每個像素點在組合C【=M(M-l)/2次的分類過程中的分類結(jié)果； 步驟5，在極化SAR圖像中的每個像素點所記錄的Cj1=M(M-1)A次分類結(jié)果中統(tǒng)計每個像素點各類別所獲票數(shù)；將每個像素點所獲票數(shù)最多的類別標(biāo)記為該像素點的最終類別；將每個像素點 的最終類別確定為該像素點的分類結(jié)果，所有像素點的分類結(jié)果的集合就是初始分類結(jié)果； 步驟6，對三重Markov場(X，Y, U)進行初始化，將步驟I到步驟5得到的初始分類結(jié)果作為極化SAR圖像原始的標(biāo)記場X，將極化SAR圖像中所有像素點的協(xié)方差矩陣C的集合作為極化SAR圖像的觀測場Y，將所有像素點隨機初始化的平穩(wěn)態(tài)類別的集合作為極化SAR圖像的原始的輔助場U; 步驟7，利用原始的標(biāo)記場X和原始的輔助場U，對極化SAR圖像的所有像素點的先驗概率的先驗參數(shù)α和似然概率的似然參數(shù)β進行估計； 步驟8，利用極化SAR圖像的所有像素點的先驗參數(shù)α和似然參數(shù)β，估計極化SAR圖像的所有像素點在新的標(biāo)記場中的類別和在新的輔助場中的平穩(wěn)態(tài)類別，得到極化SAR圖像的所有像素點在新的標(biāo)記場中的類別的估計值、所有像素點在新的輔助場中的平穩(wěn)態(tài)類別的估計值； 將所有像素點在新的標(biāo)記場中的類別的估計值確定為極化SAR圖像的新的標(biāo)記場，將所有像素點在新的輔助場中的平穩(wěn)態(tài)類別的估計值確定為極化SAR圖像的新的輔助場；步驟9，判斷極化SAR圖像的新的標(biāo)記場是否收斂； 如果新的標(biāo)記場不收斂，設(shè)定新的標(biāo)記場為原始的標(biāo)記場X，新的輔助場為原始的輔助場U，重新執(zhí)行步驟7和步驟8，直到新的標(biāo)記場收斂； 如果新的標(biāo)記場收斂，將新的標(biāo)記場作為最終的標(biāo)記場，將最終的標(biāo)記場作為極化SAR圖像最終的分類結(jié)果，并輸出該極化SAR圖像最終的分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，步驟3包括以下子步驟: 3a)設(shè)定在極化SAR圖像內(nèi)的類別集合Ω = {1，2，...，M};其中M表示極化SAR圖像的類別數(shù)目； 設(shè)定類別1，類別r，且l，r e類別集合為Ω，計算類別l，r的類別訓(xùn)練樣本在極化特征i的特征空間中的歐氏距離如下式所示:
3.根據(jù)權(quán)利要求2所述的一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，步驟4包括以下子步驟: 4a)選取類別集合Ω中的任意兩個類別I和r ; 4b)利用支持向量機SVM將極化SAR圖像的各像素點劃分為類別I或r ; 4c)根據(jù)類別l，r e類別集合Ω，且SVM是二類分類器，二類分類器每次只能進行兩類另Ij分類，得到實現(xiàn)極化SAR圖像中的每個像素點M類分類過程中需要進行=Λ1 (Λ1-1)/2次兩類別分類； 4d)記錄每個像素點在組合次的分類過程中的分類結(jié)果。
4.根據(jù)權(quán)利要求1所述的一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，步驟6包括以下子步驟: 6a)設(shè)定三重Markov場為(X，Y, U),其中X為標(biāo)記每個像素點類別的集合，作為極化SAR圖像原始的標(biāo)記場；Y為極化SAR圖像每個像素點的協(xié)方差矩陣的集合，作為極化SAR圖像的觀測場；U為標(biāo)記每個像素點平穩(wěn)態(tài)類別的集合，作為原始的輔助場； 6b)將初始分類結(jié)果作為極化SAR圖像的原始的標(biāo)記場X ； 極化SAR圖像的觀測場Y為在極化SAR圖像中所有像素點的協(xié)方差矩陣C的集合，且整個分類過程中都不會改變； 原始的輔助場U為極化SAR圖像的所有像素點的隨機初始化的平穩(wěn)態(tài)的集合，設(shè)定極化SAR圖像中的每個像素點存在兩個平穩(wěn)態(tài)a和b，A = {a, b}表示極化SAR圖像的平穩(wěn)態(tài)類別集合，像素點s為極化SAR圖像中任一點，Us為像素點s在原始的輔助場U中的平穩(wěn)態(tài)類別。
5.根據(jù)權(quán)利要求6所述的一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，步驟7包括以下子步驟: 7a)對極化SAR圖像的所有像素點的先驗概率的先驗參數(shù)α和似然概率的似然參數(shù)β進行估計，其中，《 = (α4?，α6Κ，α?)ν，《62?.')為先驗參數(shù)，其中，αι表示馬爾科夫隨機場MRF中四鄰域水平的先驗參數(shù) < 表示馬爾科夫隨機場MRF中四鄰域垂直的先驗參數(shù)，οξΗ,οξΗ表示三重Markov場中四鄰域水平的先驗參數(shù)，οξν，表示三重Markov場中四鄰域垂直的先驗參數(shù)，β為似然參數(shù)； 7b)采用Stan Z.Li提出的Derin方法估計先驗參數(shù)α ； 似然參數(shù)β的估計公式如下:
6.根據(jù)權(quán)利要求1所述的一種基于加權(quán)合成核與TMF的極化SAR圖像分類方法，其特征在于，步驟8包括以下步驟: 8a)設(shè)定5為極化SAR圖像的像素點集合,像素點s為極化SAR圖像中任一點,且e沒；xs表示像素點s在原始的標(biāo)記場X中的類別，且xs ￡類別集合Ω = {1，2，“.，Μ}, ys表示像素點s的協(xié)方差矩陣，Us表示像素點s在原始的輔助場U中的平穩(wěn)態(tài)類別； Sb)根據(jù)貝葉斯Bayes公式，得到極化SAR圖像中像素點s的后驗邊緣概率P (xs, Us I ys),其表達式如式(6.1)所示:
P (xs, Us I ys) p (xs, us, ys) = p (xs, us) p (ys | xs, us) (6.1) 其中，xs表示像素點s在原始的標(biāo)記場X中的類別，Is表示像素點s的協(xié)方差矩陣，Us表示像素點s在原始的輔助場U中的平穩(wěn)態(tài)類別，像素點s為極化SAR圖像中任一點，P (Xs，Us)稱為像素點S的先驗概率，P (ys I Xs, us)稱為像素點S的似然概率，P (xs, Us, ys)稱為像素點s的聯(lián)合概率，P (xs，us |ys)稱為像素點s的后驗邊緣概率，~表示正比于的符號；Sc)對像素點s的先驗概率P (xs, us)和似然概率P (ys I xs, us)分別進行建模，包括8cl)和 8c2): 8cl)像素點s的先驗概率P (xs，us)的表示式如式(6.2)所示:
P (xs, Us) = y exp (-W (xs, us)) (6.2) 其中，xs表示像素點s在原始的標(biāo)記場X中的類別，Us表示像素點s在原始的輔助場U中的平穩(wěn)態(tài)類別，W (xs，us)為像素點s的能量，Y為歸一化因子，exp(.)表示指數(shù)函數(shù)；8c2)設(shè)定觀測場Y的分布關(guān)于(X，U)是條件獨立的，由像素點s的協(xié)方差矩陣ys服從Wishart分布,得到像素點s的似然概率p (ys I xs, us)的表達式為:
【文檔編號】G06K9/62GK103955709SQ201410200809
【公開日】2014年7月30日 申請日期:2014年5月13日 優(yōu)先權(quán)日:2014年5月13日
【發(fā)明者】李明, 宋婉瑩, 劉高峰, 吳艷, 張鵬 申請人:西安電子科技大學(xué)