[发明专利]基于K均值和深度SVM的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及机器学习及图像分类技术领域中的一种基于K均值和深度支持向量机(Support Vector Machine SVM)的极化合成孔径雷达(Synthetic Aperture Radar SAR)图像分类方法。本发明可应用于极化SAR图像的地物分类，实现目标识别与跟踪。 

背景技术

极化SAR雷达能够得到更丰富的地物信息，在农业、林业、海洋、军事等领域有广泛的研究。关于极化SAR图像分类的方法很多，根据是否有先验知识可以分为有监督和无监督的；根据所用的分类器不同，又可以分为统计、神经网络、支持向量、决策树等；根据是否利用空间信息，可以分为基于像素和基于区域的。 

西安电子科技大学申请的专利“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号：201410089692.1，公开号：CN 103824084A)中公开了一种基于SDIT和SVM的极化SAR图像分类方法。该方法将极化SAR数据的散射特征、偏振特征、纹理特征组合成极化SAR图像的特征组合SDIT，然后利用支持向量机分类器对极化SAR图像进行分类。该方法既能避免极化通道之间的干扰，又能保持极化通道之间的极化信息和统计相关性，使得图像的边缘保持比较好。但是仍然存在的不足是，该方法的组合特征SDIT的提取过程操作复杂，并且高维的特征会大大增加训练支持向量机的时间复杂度，并且错分的点也比较多，分类的准确率低。 

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数据分类方法。该方法首先通过对极化散射矩阵进行极化分解，得到初始极化特征，然后采用决策树分类器从初始的极化特征中选择用 于分类的极化特征，最后将选择出的极化特征，采用支持向量机分类器对极化SAR数据分类。该方法虽然综合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，在分类精度上相比于支持向量机分类器没有太大的提高，操作复杂，并且只利用了散射特征，不足于表示实际的地物，因此，在对极化SAR地物分类上错分的点比较多。 

发明内容

本发明的目的是克服上述现有技术对极化SAR数据分类无法同时达到高分类精度和高分类效率的不足的问题，提出了一种基于K均值聚类和深度SVM的极化SAR图像分类方法。利用K均值聚类方法选出初始训练集中的有效信息作为最终的训练集来训练SVM分类器，这样可以大大减少训练集，并且能有效地节省训练和预测的时间。本发明与现有技术中其它极化SAR分类方法相比准确率高，抗噪声能力强，分类的时间复杂度低。 

本发明实现的具体步骤包括如下： 

(1)输入图像： 

输入任选的一幅待分类的极化合成孔径雷达SAR图像； 

(2)滤波： 

采用滤波窗口大小为7*7的极化精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化合成孔径雷达SAR图像； 

(3)特征提取： 

(3a)提取滤波后的极化合成孔径雷达SAR图像的相干矩阵，其中，相干矩阵为3*3*N的矩阵，N表示极化合成孔径雷达SAR的总像素数，每个像素为一个3*3的矩阵，将相干矩阵构造成特征向量集； 

(3b)在[-1,1]范围内，对特征向量集的值进行归一化，得到归一化后的特征向量集； 

(4)建立错分集： 

(4a)从归一化后的特征向量集中，随机选取百分之五的特征向量，组成初始训练集，将其余的特征向量集组成测试集； 

(4b)利用K均值聚类方法，对初始训练集进行聚类，得到聚类标签，对比初始训练集中每一个样本的真实标签和聚类标签，选择初始训练集中每一个样本的真实标签和聚类标签不相同的训练样本，将这些训练样本组成错分集； 

(5)建立最近邻样本集： 

(5a)采用欧式距离公式，计算错分集中每个训练样本与初始训练集中每个训练样本的欧式距离； 

(5b)对所有欧式距离值按照从小到大进行排序； 

(5c)依次选取前20个欧氏距离对应的初始训练集中的训练样本，将所选取的训练样本加入到最近邻的样本集中，得到最近邻样本集； 

(6)建立最终训练集： 

(6a)将最近邻样本集中每一个样本的真实标签和聚类标签进行对比，选取最近邻样本的真实标签和聚类标签不相同的最近邻样本，组成最终训练集；