CN102122352B - 基于特征值分布统计特性的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了基于特征值高斯统计特性的极化SAR图像分类方法，主要解决现有技术对特征分布特性认知上不足和类别判决界限需要人为确定的问题。其实现过程是：1)对待分类极化SAR图像的所有像素点进行特征值分解；2)选取不同匀质区域作为最基本的类别代表区域，并提取代表匀质区域的特征值；3)采用EM算法分别对各类匀质区域特征值λ₁，λ₂，λ₃的高斯混合模型参数进行估计，求取各个特征值的概率密度分布函数；4)求解各类匀质区域三个特征值的联合概率分布函数；5)对匀质区域中的像素点进行贝叶斯分类，并输出分类结果。本发明具有对极化SAR图像分类效果显著的优点，可用于极化SAR图像目标检测和目标识别。

Description

基于特征值分布统计特性的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，涉及极化SAR图像分类，可用于雷达目标检测和目标识别。

背景技术

合成孔径雷达SAR是利用合成孔径原理提高方位分辨率，利用脉冲压缩技术提高距离分辨率，从而获得比真是孔径雷达更好的性能。极化SAR属于SAR的范畴，相比于传统的SAR，它利用多通道收发电磁波技术，通过对其不同通道的解译，可以获得对目标更全面的认识。对极化SAR图像的理解和解译属于图像处理范畴，还涉及信号处理，模式识别及机器学习等众多学科。极化SAR图像分类作为极化SAR图像处理的关键环节之一，在国防和民用领域正受到越来越广泛的关注。现有的极化SAR图像分类方法大致可以分为基于散射特性的方法和基于统计特性方法，如基于freeman分解的分类方法和基于散射熵、散射角的分类方法等。

其中，基于统计特性的极化SAR图像分类方法，是将极化SAR图像中具有某方面相似特征的像素点划分为一类，已经有很多成熟的分类算法被用到极化SAR图像分类中。作为一门新兴学科，目前主要的研究工作集中在散射特征的提取和适合极化SAR图像分类的分类器设计上。不同极化散射特征的提取方法得到不同的特征，不同的特征又适合于不同性能的分类器。现有的特征提取方法主要有freeman分解和cloud分解方法；典型的分类器有Wishart分类器和H/alpha分类器等。其中，利用freeman分解方法得到特征对极化SAR图像进行分类时，存在对特征分布特性认知上的不足；利用H/alpha分类器进行类别判定时，存在类别判决界限需要人为确定的不足，这些不足限制了其在极化SAR图像分类上的广泛应用。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于特征值分布特性的极化SAR图像分类方法，以明确特征的分布特性，避免类别判决界限需要人为确定的问题。

实现本发明目的个技术方案是通过研究分析特征值的分布特性，结合贝叶斯分类对极化SAR图像进行分类，其步骤包括如下：

(1)对待分类极化SAR图像的所有像素点进行特征值分解；

(2)分别对每个像素点分解得到的特征值λ₁，λ₂，λ₃进行排序，使λ₁≥λ₂≥λ₃；

(3)从待分类极化SAR图像中依据实际地物分布，人工构造待分类极化SAR图像中k类匀质区域集合：C＝{C₁，...，C_k}，并提取出所选取k类匀质区域的特征值；

(4)采用EM算法分别对k类匀质区域的特征值λ₁，λ₂，λ₃的高斯混合模型参数进行估计，得到每类匀质区域的各个特征值的概率密度分布函数：

其中λ为某类匀质区域的某个特征值、ω为高斯函数的混合权重、μ为均值参数、σ为方差参数、m为高斯函数的混合个数、μ_i为第i个高斯函数的均值，σ_i为第i个高斯函数的方差，i＝1，2，...，k；

(5)利用步骤4求得的每类匀质区域的各个特征值的概率密度分布函数，计算每类匀质区域的特征值联合概率密度分布函数：

$p\left(x\right|x\∈C_i)=\underset{j=1}{\overset{3}{\mathrm{\Π}}}p\left({\mathrm{\λ}}_j\right|\mathrm{\μ},\mathrm{\σ}),$

其中，x为匀质区域C_i中的像素点，λ_j为像素点x的第j个特征值，i＝1，2，...，k，j＝1，2，3；

(6)根据MAP原则，依据表达式：x∈C_i st.p(x|C_i)＝maxp(x|x∈C_k)，i＝1，2，...，k，对待分类极化SAR图像中所选匀质区域的全部像素点进行分类，并输出分类结果。

本发明与现有的技术相比具有以下优点：

1)本发明由于对极化SAR图像中不同匀质区域的特征值分布特性进行了充分的研究，以不同的概率密度函数来表达不同匀质区域之间特征值分布特性的差异性，明确了各类匀质区域特征值分布特性之间的差异性；

2)本发明相对已有的极化SAR图像分类技术，从统计角度入手，以贝叶斯分类方法实现分类，避免类别判决界限需要人为确定的问题。

仿真实验结果表明，本发明提出的基于特征值分布统计特性的极化SAR图像分类方法能够有效地应用于极化SAR图像分类，并进一步应用于雷达目标检测和目标识别。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真采用的极化SAR图像的RGB合成图；

图3是本发明仿真在极化SAR图像中所提取的匀质区域示意图；

图4是本发明仿真某匀质区域的特征值实际分布和和估计分布示意图。

具体实施方式

参照图1，本发明的具体实施如下：

步骤1.对待分类极化SAR图像的所有像素点进行特征值分解。

极化SAR图像包含丰富的幅度信息和相位信息，其每个像素的信息由赫米特矩阵T来表示，矩阵大小为3×3。由于特征值最能代表矩阵所包含的信息，因此选用特征值作为极化SAR图像的特征，利用MATLAB的eigs函数对每个像素的矩阵T进行特征分解，分解表达式如下：

$\left[T\right]=\left[U_3\right]\left[\begin{array}{ccc}{\mathrm{\λ}}_1& 0& 0\\ 0& {\mathrm{\λ}}_2& 0\\ 0& 0& {\mathrm{\λ}}_3\end{array}\right]{\left[U_3\right]}^{*};$

其中，U₃为像素矩阵T特征值分解的特征向量，λ₁，λ₂，λ₃为像素矩阵T进行特征值分解所得的大小不同的特征值。

步骤2.分别对每个像素点分解得到的大小不同的特征值λ₁，λ₂，λ₃按照从大到小的原则进行排序，使λ₁≥λ₂≥λ₃。

步骤3.选取匀质区域，构造匀质区域的训练数据集和测试数据集。

3a)从待分类极化SAR图像中依据实际地物分布，人工构造待分类极化SAR图像中k类匀质区域集合：

C＝{C₁，...，C_k}，k＝2，3，...，n，其中：n为待分类极化SAR图像的像素点个数；

3b)提取出所选取k类匀质区域中像素点作为算法的数据集，其中每类匀质区域中10％～50％像素点作为每类匀质区域的训练数据集，其余作为该匀质区域的测试数据集。

步骤4.采用EM算法求解训练数据集的各个特征值的概率密度分布函数。

4a)将各类匀质区域训练数据集中像素点的特征值λ₁，λ₂，λ₃分别作为EM算法的输入数据；

4b)设定EM算法所求解的高斯混合模型中高斯函数的混合个数m值为1、混合权重ω为1，EM算法迭代终止条件为算法的迭代误差小于1.0E-06，初始化均值μ和方差σ为随机值；

4c)通过EM算法中的期望最大化流程对均值μ和方差σ进行更新，每次更新后计算算法的迭代误差并判断是否满足迭代终止条件，满足迭代终止条件时迭代停止，输出得到输入特征值的均值μ和方差σ；

4d)将混合个数m、混合权重ω和输出的均值μ、方差σ代入式：

$p\left(\mathrm{\λ}\right|\mathrm{\ω},\mathrm{\μ},\mathrm{\σ})=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\×\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}\exp (-\frac{{(x-{\mathrm{\μ}}_i)}^2}{2{\mathrm{\σ}}_i^2})$

得到输入特征值的概率密度分布函数。

步骤5.构造匀质区域的特征值的联合概率函数分布表达式。

用步骤4求得的每类匀质区域的各个特征值的概率密度分布函数，计算每类匀质区域的特征值联合概率密度分布函数：

$p\left(x\right|x\∈C_i)=\underset{j=1}{\overset{3}{\mathrm{\Π}}}p\left({\mathrm{\λ}}_j\right|\mathrm{\μ},\mathrm{\σ}),$

其中，x为匀质区域C_i中的像素点，λ_j为像素点x的第j个特征值，i＝1，2，...，k，j＝1，2，3。

步骤6.对测试数据集中的像素点进行分类，计算像素点的分类准确率。

4a)根据MAP原则，依据表达式：x∈C_i st.p(x|C_i)＝maxp(x|x∈C_k)，i＝1，2，...，k，对测试数据集中的像素点进行分类，并输出分类结果；

4b)将测试数据集中像素点的类别和步骤4a)中输出的类别进行比较，类别相同则为分类正确，否则为分类错误；根据分类正确数和分类错误数计算分类准确率并输出。

本发明的效果可以通过如下仿真实验进行验证。

1.实验条件

1.1)实验中选取的极化SAR图像如图2所示，该图为荷兰Flevoland地区某农田区域的L波段极化SAR的RGB合成图像，其中R代表|HH-VV|，G代表|HV|+|VH|，B代表|HH+VV|，图像尺寸大小为1024×750。该极化SAR图像中区域的地表覆盖物为农田和水域。

1.2)实验中选取的五类匀质区域如图3所示，其中图3a、图3b，图3c、图3d和图3e为五类不同种类的农作物区域。

2.实验内容

2.1)对上述匀质区域的各个特征值实际分布和估计分布进行实验，其结果如图4所示，其中：图4a、图4b和图4c依次分别为特征值λ₁，λ₂，λ₃的实际分布和估计分布示意图。图4中的实线为特征值的实际分布曲线，虚线为特征值的估计分布曲线。从图4a、图4b和图4c可以看出，特征值λ₁，λ₂，λ₃实际分布曲线和估计分布曲线之间的偏差很小，表明该区域的特征值分布特性通过高斯混合模型得到很好的表达。

对上述五类区域各个特征值进行估计得到的高斯混合模型均值参数如表一所示，方差参数如表二所示：

表一均值参数

表二方差参数

从表一和表二中可以看出，不同匀质区域的特征值服从的高斯混合模型参数的均值和方差不同，表明了不同匀质区域之间特征值分布的差异性。

2.2)仿真分类准确率结果如表三所示：

表三仿真实验的分类准确率

从表三可以看出本发明对于极化SAR图像的分类准确率基本为90％以上，表明本发明可以有效解决极化SAR图像分类问题。

Claims (3)

1.基于特征值分布特性的极化SAR图像分类方法，包括以下步骤：

(1)对待分类极化SAR图像的所有像素点进行特征值分解；

(2)分别对每个像素点分解得到的大小不同的特征值λ₁,λ₂,λ₃按照从大到小的顺序进行排序，使λ₁≥λ₂≥λ₃；

(3)从待分类极化SAR图像中依据实际地物分布，人工构造待分类极化SAR图像中k类匀质区域集合：C={C₁,...,C_k}，并提取出所选取k类匀质区域的特征值；

(4)采用EM算法分别对k类匀质区域中每个像素点的特征值λ₁,λ₂,λ₃的高斯混合模型参数进行估计，得到每类匀质区域的各个特征值的概率密度分布函数：

其中λ为某类匀质区域的某个特征值、ω为高斯函数的混合权重、μ为均值参数、σ为方差参数、m为高斯函数的混合个数、μ_i为第i个高斯函数的均值，σ_i为第i个高斯函数的方差，i=1,2,...,m；

(5)利用步骤（4）求得的每类匀质区域的各个特征值的概率密度分布函数，计算每类匀质区域的特征值联合概率密度分布函数：

$p\left(x\right|x\∈C_i)=\underset{j=1}{\overset{3}{\mathrm{\Π}}}p\left({\mathrm{\λ}}_j\right|\mathrm{\μ},\mathrm{\σ}),$

其中，x为匀质区域C_i中的像素点，λ_j为像素点x的第j个特征值，i=1,2,...,k，j=1,2,3；

(6)根据MAP原则，依据表达式：x∈C_n,st.p(x|C_n)=max p(x|x∈C_i)，i=1,2,...,k，n=1,2,...,k，对待分类极化SAR图像中所选匀质区域的全部像素点进行分类，并输出分类结果。

2.根据权利要求1所述的极化SAR图像分类方法，其中步骤（1）所述的对待分类极化SAR图像的所有像素点进行特征值分解，按照如下步骤进行：

2a)将待分类极化SAR图像像素点的赫米特矩阵作为输入数据；

2b)利用MATLAB软件中的eigs函数对输入的每个像素的赫米特矩阵进行特征值分解，得到特征值。

3.根据权利要求1所述的极化SAR图像分类方法，其中步骤（4）所述的采用EM算法分别对k类匀质区域中每个像素点的特征值λ₁,λ₂,λ₃的高斯混合模型参数进行估计，按照如下步骤进行：

3a)将各类匀质区域中每个像素点的特征值λ₁,λ₂,λ₃分别作为EM算法的输入数据；

3b)设定EM算法所求解的高斯混合模型中高斯函数的混合个数m值为1、混合权重ω为1，EM算法迭代终止条件为算法的迭代误差小于1.0E-06，初始化均值μ和方差σ为随机值；

3c)通过EM算法中的期望最大化流程对均值μ和方差σ进行更新，每次更新后计算算法的迭代误差并判断是否满足迭代终止条件，满足迭代终止条件时迭代停止，输出得到输入特征值的均值μ和方差σ；

3d)将混合个数m、混合权重ω和输出的均值μ、方差σ代入式：

$p\left(\mathrm{\λ}\right|\mathrm{\ω},\mathrm{\μ},\mathrm{\σ})=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\×\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}\exp (-\frac{{(x-{\mathrm{\μ}}_i)}^2}{2{{\mathrm{\σ}}_i}^2})$

得到输入特征值的概率密度分布函数。

Images