[发明专利]基于面向对象和支持向量机的极化SAR数据分类方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达技术领域中的一种基于面向对象和支持向量机的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）数据分类方法。本发明可以用于森林火灾监控、植被覆盖、海洋污染等方面。

背景技术

随着极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）越来越多的受到关注。关于分类极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）数据的方法层出不穷。其中根据是否需要人工的指导可分为有监督的和无监督的;根据所用的算法不同，又可分为统计，知识，神经网络，模糊统计，小波，支持向量机和分形等;根据是否需要空间的信息可分为基于区域的和基于像素的;根据极化信息的利用方式可以分为四类，利用散射矩阵和散射矢量，利用协方差矩阵T,利用相干矩阵C,利用极化特征分解的方法。

武汉大学申请的专利“基于混合分类器的极化SAR数据分类方法及系统”（专利申请号：201310310179，公开号：CN103366184A）中公开了一种基于混合分类器的极化SAR数据数据分类方法。该方法首先获取极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）数据的不同类的初始极化特征，然后采用决策树分类器从初始极化特征中选择用于分类的极化特征，最后采用支持向量机分类器对极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势，但是该方法仍然存在的不足是，操作复杂，准确率和支持向量机的准确率相比没有显著的提高，由于只考虑了图像的散射特征，容易受到噪声的干扰，从而导致分类的结果错分点多。

西安电子科技大学申请的专利“基于Freeman分解和同极化比的极化SAR图像分类方法”（专利申请号：201110164401，公开号：CN102208031A）中公开了一种基于Freeman分解和同极化比的极化SAR图像分类方法，主要解决现有技术计算复杂度较高和分类效果差的问题。该方法首先对极化合成孔径雷达SAR数据的协方差矩阵进行Freeman分解，获取平面散射、二面角散射及体散射三种散射功率矩阵，然后根据三种散射功率矩阵将极化合成孔径雷达SAR数据初始分割为3类，计算每类极化合成孔径雷达SAR数据各像素点的同极化比，选择阈值依据同极化比将初始分类的每类极化合成孔径雷达SAR数据划分为3类，从而将整个极化合成孔径雷达SAR数据划分为9类。该方法具有简单，快速的特点，但是仍然存在的不足是，该方法分类类别数固定，由于只考虑了散射特征，从而导致错分点多，分类准确率低，区域一致性差。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于面向对象和支持向量机的极化SAR数据分类方法。本发明与现有技术中其它极化SAR分类方法比准确率高，抗噪声能力强，区域一致性好。

实现本发明目的的具体思路是，在充分的考虑极化合成孔径雷达SAR数据的空间、散射等特性后，先利用支持向量机对极化合成孔径雷达SAR数据进行初步分类，然后利用面向对象的方法将图像进行过分割，分割为若干个超像素块，接下来在每一个超像素块中对支持向量机分类的结果进行统计投票，最后根据每一个块中投票的结果确定出该块的最终类别。本发明在进行分类的过程中，没有采用单独的散射特征，而是采用了散射特性和空间信息相结合的方式，即将像素点和区域信息相结合，从而避免了某些重要信息的遗漏，其次，本发明没有将支持向量机的结果作为最终的结果，而是结合了极化合成孔径雷达SAR数据的空间特性采用了二次分类技术，从而克服了噪声的干扰、由于充分利用了区域信息,所以图像更加平滑，而且能够任意的指定图像的分类类别数。

本发明实现的具体步骤包括如下：

（1）预处理：

（1a）读取极化合成孔径雷达SAR数据的相干矩阵；

（1b）对极化合成孔径雷达SAR数据的相干矩阵进行Lee滤波，得到滤波后的相干矩阵；

（2）特征分解：

（2a）对滤波后相干矩阵进行波利Pauli分解，得到三个散射特征；