[发明专利]基于匹配追踪选择集成的极化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，特别是涉及极化SAR，可用于地物类型解析，地物分类。

背景技术

极化合成孔径雷达已经成为了一个非常热门的研究方向。极化合成孔径雷达被广泛的使用在目标探测，地物分类等众多领域。极化SAR的数据形式是以矩阵作为表征，在可以提供更为丰富的散射信息的同时也提高了数据的复杂度，其信息的提取和处理也更为困难。因此对于这种复杂图像来说，如何能够有效的进行处理和解译是如今迫切需要解决的问题。机器学习技术在极化SAR图像中的应用是最近开始受到学术界关注的研究方向之一。机器学习专门研究计算机如何去模拟或实现人类的学习行为，从而获取新的知识或技能，使之不断改善自身的性能。从机器学习的角度出发，极化SAR图像分类可相当于一个有监督或无监督的分类问题，自然可以使用一些机器学习的方法对极化SAR图像分类。然而，对于极化SAR图像而言，因为地物目标的复杂性和不同于一般SAR的数据特性，这也就意味着并不是所有的机器学习方法都对其是有效的。另一方面，对于一般的机器学习算法而言，当有标记样本数越多，则获得的分类器性能可能越好。但是，因为雷达角度和地物形状等多种因素的影响不同，导致同一类地物产生不同的散射而不同类的地物产生类似的散射，所以并不能保证数据越多性能越好，甚至有些样本对于极化SAR分类是有害的.另外，处理的样本数越大，分类的复杂度越高。

发明内容

本发明目的在于针对上述已有技术的不足，提出一种基于匹配追踪选择集成的极化SAR图像分类方法，以降低计算复杂度，提高图像的分类准确率。

为实现上述目的，本发明提供基于匹配追踪选择集成的极化SAR方法，包括如下步骤：

(1)输入包含有c类地物的极化SAR图像：Ω＝{ω₁,…,ω_C}，并进行特征提取，得到极化SAR图像数据集其中d是特征数；

(2)从极化SAR图像数据集中选取已知其类别{Y₁,…Y_i…,Y_m}，i＝1,…,m的多个样本点组成初始样本集S，并对该样本集S进行随机划分，获得m个样本子集{S₁,…S_i…,S_m}，i＝1,…,m；

(3)通过分类器算法分别对这m个子集{S₁,…S_i…,S_m}进行学习分类，获得其对应的预测类别{h₁,…h_i…,h_m}，i＝1,…,m；

(4)基于子集S_i对应的预测类别和其已知类别Y_i，获得对应于每一个个体分类器的权重系数α_i，i＝1,…,m；

(5)利用获得的权重系数α_i，将极化SAR图像m个体样本的分类结果合并在一起，得到像素点最终的预测类别Label。

本发明与现有的技术相比具有以下优点：

1.本发明由于采用不同的权值整合多个个体分类器结果，通过0权值删除了一些具有冗余或者相似信息的训练样本，运算量小、运行效率高；

2.本发明充分考虑实际极化SAR图像中因为缺乏地物真实图从而导致难以预先选取训练样本的问题，在分类过程中通过给定个体分类器不同的系数从而达到选择样本的目的，并通过0系数删减较差训练样本，提高了最终地物分类精度；

仿真结果表明，对极化SAR图像采用本发明的极化SAR图像分类方法有效的提高了分类方法的精度。

附图说明

图1本发明的实现流程图；

图2是本发明采用的原始极化SAR图像；

图3是本发明采用的训练样本；

图4是本发明采用的测试样本；

图5是本方明对图2进行分类之后的结果图。

具体实施方式

参照图1，本发明基于集成的极化SAR图像分类方法，包括如下步骤：

步骤1：输入包含有c类地物的极化SAR图像。

输入如图2所示的包含c类地物的尺寸为M×N的极化SAR图像，图2为美国JPL/NASA尺寸为900×1024的AIRSAR系统L波段旧金山数据，包含三种主要地物类型：森林、城区和海洋。

步骤2：对输入的极化SAR图像进行特征提取。

2a)提取相干矩阵特征T的六个特征：