[发明专利]基于加权合成核与TMF的极化SAR图像分类方法

说明书

技术领域

本发明属于雷达极化与图像处理技术领域，涉及极化SAR(synthetic aperture radar，合成孔径雷达)图像分类，尤其涉及一种基于加权合成核与TMF(Triple Markov Field，三重Markov场)的极化SAR图像分类方法，可用于极化SAR图像的目标检测与识别。

背景技术

图像分类是极化SAR图像解译的重要内容之一，已广泛用于军事与民用领域。分类方法一直是该领域前沿研究的热点，利用地物的极化散射特性与模式识别领域的分类方法已构建了诸多极化SAR图像分类方法。

根据是否需要训练数据，极化SAR图像分类方法分为监督和非监督两种分类方法。一般情况下，监督分类方法的性能优于非监督分类方法。若将地物分为海洋、森林、城区等自然类别，需要采用监督分类方法，目前还没有通用的非监督分类方法。目前极化SAR图像分类涉及的算法有：传统图像处理算法，代表性算法有均值聚类、ISODATA算法、分水岭算法、图论方法等，虽然这些方法建立在理论成熟的分类器上，但没有充分利用目标散射机制进行极化SAR图像分类；基于神经网络的分类方法，神经网络的优势是在没有先验知识的情况下，通过类别训练样本可直接建立通用的分类方法，虽然能够得到很好的分类结果，但是该方法存在计算耗时的问题；基于SVM(Support Vector Machine支持向量机)的方法，Vapnik研究小组于1995年提出了SVM，Fukuda等人最早将SVM用于极化SAR图像分类，后来有学者将SVM与四叉树、区域合并、MRF(Markov Random Field马尔科夫随机场)场等结合用分类，都得到了很好的分类结果，但是还可以进行优化得到更好的结果；基于极化目标分解的分类方法，这种方法可直接利用目标极化特性，能很好地保持各个类别的极化散射特性，然而这类方法需要与其他分类方法结合才能获得满意的效果；基于统计理论的分类方法，其中利用Markov场实现极化SAR图像分类是最重要的统计建模方法之一。基于Markov场的极化SAR图像分类方法建立在严格的数学理论基础上，该类方法通过贝叶斯理论与Markov场构建关于分类的后验概率，依据MAP(maximum a posterior最大后验概率)准则实现分类，其中事先必须得到一个初始分类结果，目前初始分类主要通过Wishart分类与SVM来实现，初始化精度并不高，而且现有Markov场方法不能很好处理极化SAR图像的非平稳特性问题，导致分类结果不精确，为了提高基于Markov场的极化SAR图像分类方法性能，有必要同时提高初始分类与MAP分类精度。

发明内容

为了克服上述已有问题的缺点，本发明提出一种基于加权合成核与TMF的极化SAR图像分类方法，能够提高初始分类精度，相比于传统Markov场能更准确描述真实图像，能获得更好的分类效果。

为达到上述目的，本发明采用以下技术方案预以实现。

一种基于加权合成核与TMF的极化SAR图像分类方法，其特征在于，包括以下步骤：

步骤1，从极化SAR图像中选取N个极化特征，将极化特征归一化，得到归一化的特征并且建立特征空间；

步骤2，设定极化SAR图像的类别数目M，将已知的属于每一类的像素点作为该类别的类别训练样本；

步骤3，通过任意两个类别的类别训练样本在特征空间上的欧氏距离来确定核函数的权重系数；利用核函数的权重系数构建加权合成核；

步骤4，利用加权合成核结合支持向量机SVM对极化SAR图像中的每个像素点实现M个类别的分类，并记录每个像素点在组合次的分类过程中的分类结果；

步骤5，在极化SAR图像中的每个像素点所记录的次分类结果中统计每个像素点各类别所获票数；将每个像素点所获票数最多的类别标记为该像素点的最终类别；将每个像素点的最终类别确定为该像素点的分类结果，所有像素点的分类结果的集合就是初始分类结果；

步骤6，对三重Markov场(X，Y，U)进行初始化，将步骤1到步骤5得到的初始分类结果作为极化SAR图像原始的标记场X，将极化SAR图像中所有像素点的协方差矩阵C的集合作为极化SAR图像的观测场Y，将所有像素点随机初始化的平稳态类别的集合作为极化SAR图像的原始的辅助场U；

步骤7，利用原始的标记场X和原始的辅助场U，对极化SAR图像的所有像素点的先验概率的先验参数α和似然概率的似然参数β进行估计；