[发明专利]一种极化SAR图像分类方法

说明书

本发明公开了一种极化SAR图像分类方法，属于图像处理技术领域。该方法包括：对极化SAR图像进行精致Lee滤波；获取极化相干矩阵T和H/A/α分解特征，并将其设置为图像原始特征；将图像原始特征的每个元素归一化；使用训练样本训练半耦合投影字典对学习模型；使用半耦合投影字典对学习模型对极化SAR图像进行特征提取；将提取特征输入到RFC分类器，得到分类结果。本发明的半耦合投影字典对学习模型可获取不同特征之间的本质联系，结合RFC分类器，可提高极化SAR图像分类结果，能够解决现有极化SAR图像分类方法分类精度不高的问题。

技术领域

本发明属于图像处理技术领域，特别是指一种极化SAR图像分类方法。

背景技术

近几十些年来，遥感技术得到了飞速发展，极化SAR在遥感领域也愈发重要。极化SAR在工作时不受时间和天气限制，可以持续不断地提供极化信息丰富的图像，因此，极化SAR在民用及军用领域得到了广泛应用，例如农业生产、地质勘探、海洋监测、军事侦察等。极化SAR分类是极化SAR应用中最为基础的应用，一系列极化SAR分类算法被相继提出。

众所周知，极化SAR图像分类实际上是一个高维映射问题，因此，高层次的处理和学习方法在极化SAR图像分类中表现良好。稀疏表示的关键问题就是字典学习，然而，之前的绝大部分字典学习模型都使用了lp范数，从而保证稀疏参数的稀疏性，带来了很大的计算问题。幸运的是，投影字典对学习模型被提出，该模型没有使用lp范数，创造性地提出了投影字典对架构，并给出了非常有效的求解方式，因此投影字典对学习模型可以取得良好分类结果，而且训练和测试阶段的时间消耗相比于之前的字典学习方法明显减少。

极化SAR图像提取的特征往往不止一种，如极化相干矩阵、极化协方差矩阵、各种极化分解、颜色特征等，传统作法是将这些特征拉成一个特征矢量，然而，上述操作并没有考虑到特征之间的本质联系。幸运的是，半耦合字典学习模型被提出，该模型可以用于获取不同特征之间的本质联系，但是该模型也使用了lp范数，因此在训练和测试阶段时间消耗较多。

之前的大部分判别字典学习模型往往使用稀疏编码分类器，该分类器特别依赖字典学习效果，对字典学习效果不好的样本没有任何分类帮助，因此，通过字典学习提取特征，通过支持向量机、随机森林等性能优异的分类器也成为了极化SAR图像分类的新思路。

发明内容

本发明的目的是针对上述问题，以投影字典学习和半耦合字典学习模型为基础模型，以随机森林分类器(RFC)为分类器，提出了一种极化SAR图像分类方法，该方法基于半耦合投影字典对学习(SDPL)和RFC，能够得到更为良好的分类结果。

为了实现上述目的，本发明采用的技术方案为：

一种极化SAR图像分类方法，包括以下步骤：

步骤1，对极化SAR图像进行精致Lee滤波，滤除相干斑噪声；

步骤2，获取极化SAR图像的极化相干矩阵T和H/A/α分解特征，并将其设置为图像原始特征；

步骤3，将图像原始特征的每个元素均归一化到区间[0,1]；

步骤4，随机选取部分极化SAR图像的有标记样本，将其设置为训练样本；

步骤5，使用训练样本的图像原始特征训练半耦合投影字典对学习模型；

步骤6，使用步骤5训练得到的半耦合投影字典对学习模型对待分类的极化SAR图像进行特征提取；

步骤7，将步骤6提取的特征输入到RFC分类器中，得到分类结果。

进一步的，步骤2的具体步骤如下：

2a)选取每个极化SAR图像的极化相干矩阵T上三角处的三个元素，以及极化相干矩阵T对角线上的三个元素，将它们作为原始特征的第一部分，标记为X₁；