CN106909939A - 一种结合旋转域极化零角特征的极化sar地物分类方法 - Google Patents
一种结合旋转域极化零角特征的极化sar地物分类方法 Download PDFInfo
- Publication number
- CN106909939A CN106909939A CN201710088598.8A CN201710088598A CN106909939A CN 106909939 A CN106909939 A CN 106909939A CN 201710088598 A CN201710088598 A CN 201710088598A CN 106909939 A CN106909939 A CN 106909939A
- Authority
- CN
- China
- Prior art keywords
- polarization
- theta
- pixel
- rsqb
- lsqb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于全极化合成孔径雷达成像遥感技术领域,涉及一种结合旋转域极化零角特征的极化SAR地物分类方法。主要包括八个具体步骤。第一步,选择待分类的极化SAR图像;第二步,相干斑滤波;第三步,极化特征参数提取;基于滤波后的极化SAR图像,提取出其中各像素点相应的极化特征参数;第四步,将极化特征参数归一化;第五步,选择训练样本和测试样本;第六步,训练SVM分类器;第七步,分类处理,输出分类结果;第八步,计算分类精度。本发明实现简单,对不同时相的极化SAR图像数据具有很好的鲁棒性,并且实施起来也非常方便,可直接用于对各种极化SAR***获得的不同时相极化SAR图像数据进行地物分类处理。
Description
技术领域
本发明属于全极化合成孔径雷达(Synthetic Aperture Radar,SAR)成像遥感技术领域,涉及一种结合旋转域极化零角特征的极化SAR地物分类方法。
背景技术
极化SAR具有全天时和几乎全天候的工作能力,通过收发极化状态正交的电磁波以获取目标的全极化散射信息。地物分类是农作物生长监控、农村与城市用地普查、环境监测等应用领域的共性基础问题,也是极化SAR图像理解与解译的重要应用方向。极化SAR地物分类的目的是利用机载或星载SAR传感器获得的极化测量数据确定其中每个像素点所属的地物类别。高精度的地物分类结果能够为上述应用领域提供可靠的信息支撑。
通常,提高极化SAR地物分类精度主要有两种途径:第一种途径专注于极化特征的挖掘与优选,通过精细化的极化散射机理建模与解译,从全极化信息中提取出对不同地物类别具有更强区分度的特征。第二种途径则是从分类器入手,使用性能更好的分类器,对现有的极化特征进行充分利用。
在传统基于特征的极化SAR地物分类中,具有旋转不变特性的极化特征参数得到了广泛应用。例如,基于文献Shane R.Cloude and Eric Pottier,“An entropy basedclassification scheme for land applications of polarimetric SARs,”IEEETransactions on Geoscience and Remote Sensing,vol.35,no.1,pp.68–78,Jan.1997中的Cloude-Pottier分解得到的极化熵/极化平均角/极化反熵(H/α/Ani)和总散射能量Span的极化SAR地物分类就是一种常见的分类方法。然而,目标的极化响应与目标和SAR传感器的相对几何关系密切相关。同一目标在不同方位取向下,后向散射可以是显著不同的。同时,不同目标在某些特定方位取向下,后向散射又可能十分相似。这是诸多传统极化目标分解方法存在散射机理解译模糊的重要原因之一,同时也限制了基于旋转不变极化特征参数的传统分类方法所得精度的进一步提升。为避免这种散射机理解译模糊,一种思路即挖掘利用目标方位取向与后向散射机理之间的隐含关系。文献Si-Wei Chen,Xue-Song Wangand Motoyuki Sato,“Uniform polarimetric matrix rotation theory and itsapplications,”IEEE Transactions on Geoscience and Remote Sensing,vol.52,no.8,pp.4756–4770,Aug.2014提出的统一的极化矩阵旋转理论就是该思路的一种代表性方法。该方法提出了在绕雷达视线的旋转域中理解目标极化散射特性的新思路,并导出了一系列旋转域极化特征,其中的旋转域极化零角特征已经在农作物辨识领域获得了成功应用,这初步证实了旋转域极化零角特征对于不同的地物类别具有较好的区分能力。
发明内容
本发明要解决的技术问题是,提供一种结合旋转域极化零角特征的极化SAR地物分类方法。该方法挖掘利用旋转域极化零角特征所蕴含的目标在旋转域中的隐含信息,并将其应用于极化SAR地物分类,提升极化SAR图像地物分类精度。
本发明的基本思路是:旋转域极化零角特征包含目标在旋转域中隐含的极化散射信息,且与目标方位取向具有相关性。将旋转域极化零角特征与传统的旋转不变极化特征联合,构造地物分类特征集,则能更完备地刻画地物散射特性,增强不同地物类别的区分能力,进而提升地物分类精度。
具体而言,本发明通过计算待分类的极化SAR图像中每个像素点对应的旋转域极化零角特征参数θnull_Re[T12(θ)]、θnull_Im[T12(θ)]、θnull_Re[T23(θ)]以及旋转不变极化特征参数H/Ani/α/Span,并以归一化后的上述7个参数作为分类极化特征集输入至支持向量机(Support Vector Machine,SVM)分类器,经过相应的训练和测试过程,实现对原极化SAR图像地物分类处理;其中,θnull_Re[T12(θ)]表示使得极化相干矩阵中元素项T12的实部在旋转域内取值为零的相应旋转角度,θnull_Im[T12(θ)]表示使得极化相干矩阵中元素项T12的虚部在旋转域内取值为零的相应旋转角度,θnull_Re[T23(θ)]表示使得极化相干矩阵中元素项T23的实部在旋转域内取值为零的相应旋转角度。本发明实现简单,对不同时相的极化SAR图像数据具有很好的鲁棒性,并且实施起来也非常方便,可直接用于对各种极化SAR***获得的不同时相极化SAR图像数据进行地物分类处理。
具体技术方案如下:一种结合旋转域极化零角特征的极化SAR地物分类方法,包括以下步骤:
(S1)选择待分类的极化SAR图像;
(S2)对待分类的极化SAR图像进行相干斑滤波;得到滤波后的极化SAR图像中各像素点的极化相干矩阵,记为Tij,i=1,2,…,I,j=1,2,…,J,I×J表示为极化SAR图像的大小且I和J均为整数;
(S3)提取极化特征参数;基于滤波后的极化SAR图像,提取出每个像素点对应的极化特征参数,所述极化特征参数包括旋转域极化零角特征和旋转不变极化特征;每个像素点对应的极化特征参数构成极化特征参数集;
(S4)将极化特征参数归一化;
(S5)选择训练样本和测试样本;从步骤(S2)中滤波后极化SAR图像的所有像素点中,选出已知真实地物类别的像素点,记各种已知地物类别对应的像素点数目为Pk,k=1,2,…,K,其中K为已知地物类别的总数,K为整数;分别从每个地物类别对应的Pk个像素点中随机选取q%的像素点作为训练样本,剩余(100-q)%的像素点则作为测试样本,q为整数,取值根据实际情况确定;
(S6)训练SVM分类器;将训练样本对应的经归一化后的极化特征参数集以及相应的真实地物类别标记输入至SVM分类器,对其进行训练,得到训练好的SVM分类器;
(S7)分类处理;将极化SAR图像中全部I×J个像素点经归一化后的极化特征参数集输入至所述步骤(S6)中训练好的SVM分类器,通过分类处理得到极化SAR图像中全部像素点各自的分类结果;
(S8)计算分类精度;根据所述步骤(S7)中得到的极化SAR图像中全部像素点的分类结果,提取测试样本的分类结果;
将测试样本的分类结果与测试样本相应的真实地物类别标记进行比较;在测试样本所对应的像素点中,对于某一特定地物类别,其分类精度的计算公式为:
计算得到测试样本中的所有地物类别各自的分类精度;
进一步,测试样本的总体分类精度计算公式为:
进一步地,还包括:针对所述步骤(S7)极化SAR图像中全部像素点各自的分类结果,将具有真实地物类别标记的全部像素点,用同一种颜色(或灰度值)标识出相同地物类别的分类结果,输出分类结果图。
进一步地,所述步骤(S3)的具体过程为:
(S31)旋转域极化零角特征的提取:
将极化相干矩阵Tij绕雷达视线进行旋转处理,旋转角为θ,得到旋转域中的极化相干矩阵Tij(θ)为:
其中,上标T为转置处理,R3(θ)表示旋转矩阵,具体为:
将旋转域中极化相干矩阵Tij(θ)的每个元素经过数学变换均统一地由均一个正弦函数进行表征为:
其中,Aij为振荡幅度,Bij为振荡中心,ωij为角频率,为初始角度;将四类极化特征参数称为振荡参数集,能够完整表征Tij(θ)中各元素在旋转域中的特性,在根据振荡参数集推导出的旋转域极化特征参数中(旋转域极化特征参数内容详见参考文献:Si-Wei Chen,Xue-Song Wang and Motoyuki Sato,“Uniform polarimetricmatrix rotation theory and its applications,”IEEE Transactions on Geoscienceand Remote Sensing,vol.52,no.8,pp.4756–4770,Aug.2014),选择三个初始角度 和作为中间量,具体为:
其中,表示Tij(θ)中第x行第y列所对应的元素,x=1,2,3;y=1,2,3,Angle{a}表示复数a的相位,取值范围为[-π,π];
旋转域极化零角特征的定义为在绕雷达视线的旋转域中使极化相干矩阵Tij(θ)某元素取值为零的旋转角度,即:
故所述三个初始角度相应的旋转域极化零角特征分别为:
其中,和即滤波后极化SAR图像中第i行第j列像素点的旋转域极化零角特征;对极化SAR图像中每一个像素点均进行上述操作,即完成旋转域极化零角特征的提取;
(S32)旋转不变极化特征的提取:
基于极化相干矩阵Tij,首先利用Cloude-Pottier分解对滤波后极化SAR图像中第i行第j列的像素点提取得到极化熵Hij、极化平均角αij、极化反熵Aniij 3个旋转不变极化特征参数;同时计算得到相应的总散射能量Spanij;对极化SAR图像中每一个像素点均进行上述操作,即完成旋转不变极化特征的提取。
进一步地,所述步骤(S4)中的极化特征参数归一化处理的具体过程为:滤波后极化SAR图像中的像素点共有I×J个,其中第i行第j列像素点用于地物分类的极化特征参数集表示为:
其中,v=1,2,…,7;即:
对于I×J个像素点,其中每一个像素点的第v个极化特征参数均按照下式进行归一化处理:
其中, 为归一化后第i行第j列像素点的第v个极化特征参数,取值范围在0~1之间;对滤波后极化SAR图像中全部I×J个像素点的7个极化特征参数均进行归一化处理。
本发明适用于极化相干矩阵和极化协方差矩阵。本发明的输入为待分类极化SAR图像的极化相干矩阵T0或极化协方差矩阵C0。当满足互易条件SHV=SVH时,极化相干矩阵T0和极化协方差矩阵C0分别为:
其中,SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数;SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数;SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数;SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数。上标*为共轭处理。
上述对极化相干矩阵T0为例进行技术方案介绍,若是对极化协方差矩阵C0进行处理时,只需先将极化协方差矩阵C0转换为极化相干矩阵T0即可。
采用本发明可取得以下技术效果,本发明将旋转域极化零角特征应用于极化SAR地物分类,通过提取旋转域极化零角特征,并将它们与传统的旋转不变极化特征联合,作为不同地物类别的分类特征集,以归一化处理后的分类特征集输入至SVM分类器,实现对极化SAR图像的地物分类处理,得到地物分类结果。本发明实现简单,对不同时相的极化SAR图像数据具有很好的鲁棒性,并且实施起来也非常方便,可直接对各种极化SAR***获得的不同时相极化SAR图像数据进行地物分类处理。
附图说明
图1是本发明的实施流程图;
图2至图5是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验一的处理结果,其中:图2是滤波后待分类的美国AIRSAR极化SAR图像;图3是对比实验一中相应的真实地物类别标记;图4是对比实验一中利用传统方法得到的地物分类结果图;图5是对比实验一中利用本发明方法得到的地物分类结果图;
图6至图9是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验二的处理结果,其中:图6是滤波后待分类的美国UAVSAR多时相极化SAR图像;图7是对比实验二中相应的真实地物类别标记;图8是对比实验二中利用传统方法得到的地物分类结果图;图9是对比实验二中利用本发明方法得到的地物分类结果图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图对本发明的实施方式作进一步描述。
图1为本发明的实施流程图,主要包括八个具体步骤。
第一步,选择待分类的极化SAR图像;下面以极化相干矩阵T0为例进行介绍。极化SAR图像中的每一个像素点均对应一个极化相干矩阵,记为i=1,2,…,I;j=1,2,…,J,极化SAR图像的大小为I×J。对极化SAR图像中每一个待分类像素点的极化相干矩阵进行下面第二步和第三步的处理。
第二步,相干斑滤波;实施例中采用文献Si-Wei Chen,Xue-Song Wang andMotoyuki Sato,“PolInSAR complex coherence estimation based on covariancematrix similarity test,”IEEE Transactions on Geoscience and Remote Sensing,vol.50,no.11,pp.4699–4710,Nov.2012提出的基于相似性检测的SimiTest自适应相干斑滤波算法,对原极化SAR图像进行相干斑滤波,得到滤波后的极化SAR图像中各像素点的极化相干矩阵,记为Tij。
第三步,极化特征参数提取;基于滤波后的极化SAR图像,提取出每个像素点对应的极化特征参数,包括旋转域极化零角特征参数θnull_Re[T12(θ)]、θnull_Im[T12(θ)]、θnull_Re[T23(θ)]以及旋转不变极化特征参数H/Ani/α/Span。以表示滤波后极化相干矩阵Tij中第x行第y列所对应的元素,x=1,2,3,y=1,2,3。故对于滤波后极化SAR图像中的各个像素点,均能够提取得到上述7个极化特征参数,将它们作为特征参数集,对相应的像素点进行表示。
第四步,将极化特征参数归一化。
第五步,选择训练样本和测试样本;根据极化SAR图像的真实地物类别标记可知,在滤波后待分类的极化SAR图像中,有一部分像素点所对应的真实地物类别是已知的。在这一部分的像素点中,分布的各种地物类别所对应的像素点数目为Pk,k=1,2,…,K,其中K表示各种地物的类别总数,K取整数。分别从每个地物类别相应的全部Pk个像素点中随机选取q%的像素点作为训练样本,而剩余(100-q)%的像素点则作为测试样本,q的取值根据实际情况确定(本实施例中所用q=50)。
第六步,训练SVM分类器;将训练样本对应的经归一化后的极化特征参数集以及相应的真实地物类别标记输入至SVM分类器,对其进行训练,得到训练好的SVM分类器。
第七步,分类处理,输出分类结果;将极化SAR图像中全部I×J个像素点经归一化后的极化特征参数集输入至所述第六步中训练好的SVM分类器,通过分类处理得到极化SAR图像中全部像素点各自的分类结果。
第八步,计算分类精度;根据计算公式,计算得到分类精度值。
针对极化SAR图像中具有真实地物类别标记的全部像素点,用同一种颜色(或灰度值)标识出相同地物类别的分类结果,进而得到上色后的分类结果图。
图2至图5是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验一的处理结果。该对比实验采用的是美国AIRSAR***在荷兰Flevoland地区获取的L波段全极化SAR图像数据。该极化SAR图像分辨率为距离向6.6米、方位向12.1米,大小为736像素×1010像素。
图2为滤波后待分类的美国AIRSAR极化SAR图像。在进行SimiTest相干斑滤波时,所用滑窗的大小为15像素×15像素。
图3为美国AIRSAR极化SAR图像相应的真实地物类别标记。其中,该地区主要包含茎豆、豌豆、森林、苜蓿、小麦1、甜菜、土豆、裸地、草地、油菜籽、大麦、小麦2、小麦3、水域以及建筑物等15类地物。
以图3中待分类AIRSAR极化SAR图像相应的真实地物类别标记作为分类精度的评价标准,计算得到传统方法和本发明方法各自的分类精度,如表1。从表1中可看出,本发明方法得到的总体分类精度为92.3%,优于传统方法91.1%的分类精度。另外,本发明方法所得茎豆、豌豆、森林、土豆、草地、油菜籽、小麦2、小麦3、水域这9类地物的分类精度均优于传统方法所得相应的分类精度,特别对于草地,本发明方法77.3%的分类精度相较于传统方法的59.3%提升了18个百分点。对于余下的6类地物,除裸地以外,本发明方法所得分类精度均稍低于传统方法所得结果,这是由于SVM分类器所制定的分类策略所造成的。总体分类精度较高的本发明方法相对于传统方法而言,在分类性能方面是颇具优势的。
表1两种方法所得AIRSAR 15类地物及总体分类精度
图4为利用仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法得到的AIRSAR极化SAR图像地物分类结果图。
图5为利用本发明方法得到的AIRSAR极化SAR图像地物分类结果图。
图6至图9是利用本发明方法与仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法进行对比实验二的处理结果。该对比实验采用的是美国UAVSAR***在加拿大Manitoba地区获取的L波段全极化SAR图像数据。该极化SAR图像分辨率为距离向5米、方位向7米,大小为1325像素×1011像素。多时相极化SAR数据分别获取于2012年6月17日、2012年6月22日、2012年7月3日及2012年7月17日。
图6为对比实验二中滤波后待分类的美国UAVSAR多时相极化SAR图像。在进行SimiTest相干斑滤波时,所用滑窗的大小为15像素×15像素。图(a)为6月17日获取的极化SAR图像,图(b)为6月22日获取的极化SAR图像,图(c)为7月3日获取的极化SAR图像,图(d)为7月17日获取的极化SAR图像。
图7为对比实验二中美国UAVSAR极化SAR图像相应的真实地物类别标记。其中,该地区主要包含阔叶林、草料、大豆、玉米、小麦、油菜籽以及燕麦等7类地物。
以图7中待分类UAVSAR极化SAR图像相应的真实地物类别标记作为分类精度的评价标准,计算得到传统方法和本发明方法各自的分类精度,如表2。从表2中可看出,对不同日期获取的数据,本发明方法所得各类地物及总体的分类精度均优于或相当于传统方法。其中,对6月17日、6月22日、7月3日以及7月17日四个不同日期所获取的数据,本发明方法得到的总体分类精度分别为94.98%、95.12%、95.99%以及96.78%,而传统方法所得总体分类精度则波动于80.87%至90.75%之间,出现约10%的起伏。对于小麦和燕麦,本发明方法得到的分类精度均分别保持在94%和92%以上,而传统方法所得相应分类精度则分别出现了约30%和23%的波动起伏。另外,本发明方法95.72%的平均总体分类精度相较于传统方法的87.80%提升了约8个百分点。故本发明方法较好的地物分类性能对于同一***的多时相数据更具稳健性。
表2两种方法所得多时相UAVSAR 7类地物及总体分类精度
图8为利用仅以H/Ani/α/Span4个旋转不变特征作为SVM分类器输入的传统方法得到的UAVSAR多时相极化SAR图像地物分类结果图。图(a)为6月17日获取极化SAR图像的分类结果图,图(b)为6月22日获取极化SAR图像的分类结果图,图(c)为7月3日获取极化SAR图像的分类结果图,图(d)为7月17日获取极化SAR图像的分类结果图。
图9为利用本发明方法得到的UAVSAR多时相极化SAR图像地物分类结果图。图(a)为6月17日获取极化SAR图像的分类结果图,图(b)为6月22日获取极化SAR图像的分类结果图,图(c)为7月3日获取极化SAR图像的分类结果图,图(d)为7月17日获取极化SAR图像的分类结果图。
通过对比图8、图9显示的传统方法与本发明方法对UAVSAR多时相极化SAR图像地物分类结果图,图9的地物分类效果也明显优于图8的分类效果。
以上仅是实施例仅用于说明本发明的效果,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (4)
1.一种结合旋转域极化零角特征的极化SAR地物分类方法,其特征在于,包括以下步骤:
(S1)选择待分类的极化SAR图像;
(S2)对待分类的极化SAR图像进行相干斑滤波;得到滤波后的极化SAR图像中各像素点的极化相干矩阵,记为Tij,i=1,2,…,I,j=1,2,…,J,I×J表示为极化SAR图像的大小;
(S3)提取极化特征参数;基于滤波后的极化SAR图像,提取出每个像素点对应的极化特征参数,所述极化特征参数包括旋转域极化零角特征和旋转不变极化特征;每个像素点对应的极化特征参数构成极化特征参数集;
(S4)将极化特征参数归一化;
(S5)选择训练样本和测试样本;从步骤(S2)中滤波后极化SAR图像的所有像素点中,选出已知真实地物类别的像素点,记各种已知地物类别对应的像素点数目为Pk,k=1,2,…,K,其中K为已知地物类别的总数;分别从每个地物类别对应的Pk个像素点中随机选取q%的像素点作为训练样本,剩余(100-q)%的像素点则作为测试样本;
(S6)训练SVM分类器;将训练样本对应的经归一化后的极化特征参数集以及相应的真实地物类别标记输入至SVM分类器,对其进行训练,得到训练好的SVM分类器;
(S7)分类处理;将极化SAR图像中全部I×J个像素点经归一化后的极化特征参数集输入至所述步骤(S6)中训练好的SVM分类器,通过分类处理得到极化SAR图像中全部像素点各自的分类结果;
(S8)计算分类精度;根据所述步骤(S7)中得到的极化SAR图像中全部像素点的分类结果,提取测试样本的分类结果;
将测试样本的分类结果与测试样本相应的真实地物类别标记进行比较;在测试样本所对应的像素点中,对于某一特定地物类别,其分类精度的计算公式为:
计算得到测试样本中的所有地物类别各自的分类精度;
进一步,测试样本的总体分类精度计算公式为:
2.如权利要求1所述的一种结合旋转域极化零角特征的极化SAR地物分类方法,其特征在于,还包括:针对所述步骤(S7)极化SAR图像中全部像素点各自的分类结果,将具有真实地物类别标记的全部像素点,用同一种颜色或灰度值标识出相同地物类别的分类结果,输出分类结果图。
3.如权利要求1所述的一种结合旋转域极化零角特征的极化SAR地物分类方法,其特征在于,所述步骤(S3)的具体过程为:
(S31)旋转域极化零角特征的提取:
将极化相干矩阵Tij绕雷达视线进行旋转处理,旋转角为θ,得到旋转域中的极化相干矩阵Tij(θ)为:
其中,上标T为转置处理,R3(θ)表示旋转矩阵,具体为:
将旋转域中极化相干矩阵Tij(θ)的每个元素均由一个正弦函数进行表示为:
其中,Aij为振荡幅度,Bij为振荡中心,ωij为角频率,为初始角度;
将四类极化特征参数称为振荡参数集,在根据振荡参数集推导出的旋转域极化特征参数中,选择三个初始角度作为中间量,具体为:
其中,表示Tij(θ)中第x行第y列所对应的元素,x=1,2,3,y=1,2,3,Angle{a}表示复数a的相位,取值范围为[-π,π];
旋转域极化零角特征的定义为在绕雷达视线的旋转域中使极化相干矩阵Tij(θ)某元素取值为零的旋转角度,即:
故所述三个初始角度相应的旋转域极化零角特征分别为:
其中,和即滤波后极化SAR图像中第i行第j列像素点的旋转域极化零角特征;对极化SAR图像中每一个像素点均进行上述操作,即完成旋转域极化零角特征的提取;
(S32)旋转不变极化特征的提取:
基于极化相干矩阵Tij,首先利用Cloude-Pottier分解对滤波后极化SAR图像中第i行第j列的像素点提取得到极化熵Hij、极化平均角αij、极化反熵Aniij3个旋转不变极化特征参数;同时计算得到相应的总散射能量Spanij;对极化SAR图像中每一个像素点均进行上述操作,即完成旋转不变极化特征的提取。
4.如权利要求3所述的一种结合旋转域极化零角特征的极化SAR地物分类方法,其特征在于:所述步骤(S4)中的极化特征参数归一化处理的具体过程为:滤波后极化SAR图像中的像素点共有I×J个,其中第i行第j列像素点用于地物分类的极化特征参数集表示为:其中,v=1,2,…,7;
对于I×J个像素点,其中每一个像素点的第v个极化特征参数均按照下式进行归一化处理:
其中, 为归一化后第i行第j列像素点的第v个极化特征参数,取值范围在0~1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710088598.8A CN106909939B (zh) | 2017-02-20 | 2017-02-20 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710088598.8A CN106909939B (zh) | 2017-02-20 | 2017-02-20 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106909939A true CN106909939A (zh) | 2017-06-30 |
CN106909939B CN106909939B (zh) | 2020-09-11 |
Family
ID=59209084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710088598.8A Active CN106909939B (zh) | 2017-02-20 | 2017-02-20 | 一种结合旋转域极化零角特征的极化sar地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106909939B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358260A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于表面波cnn的多光谱图像分类方法 |
CN107358214A (zh) * | 2017-07-20 | 2017-11-17 | 中国人民解放军国防科学技术大学 | 基于卷积神经网络的极化sar地物分类方法 |
CN108764016A (zh) * | 2018-03-31 | 2018-11-06 | 中国人民解放军国防科技大学 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
CN109344737A (zh) * | 2018-09-12 | 2019-02-15 | 中国农业大学 | 基于sar极化分解的一维dcnn土地利用分类方法 |
CN114419452A (zh) * | 2022-03-30 | 2022-04-29 | 中国人民解放***箭军工程大学 | 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法 |
CN114724030A (zh) * | 2022-04-06 | 2022-07-08 | 西安电子科技大学 | 基于对比学习的极化sar地物分类方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0955557A2 (en) * | 1998-05-08 | 1999-11-10 | Lockheed Martin Corporation | Method and system for detecting/classifying objects |
US7015855B1 (en) * | 2004-08-12 | 2006-03-21 | Lockheed Martin Corporation | Creating and identifying synthetic aperture radar images having tilt angle diversity |
US20110229034A1 (en) * | 2006-07-31 | 2011-09-22 | Stc.Unm | System and method for reduction of speckle noise in an image |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN105913090A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学 | 基于sdae-svm的sar图像目标分类方法 |
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN106096651A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于超像素和度量学习的极化sar地物分类方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN106203489A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于多尺度深度方向波网络的极化sar图像分类方法 |
-
2017
- 2017-02-20 CN CN201710088598.8A patent/CN106909939B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0955557A2 (en) * | 1998-05-08 | 1999-11-10 | Lockheed Martin Corporation | Method and system for detecting/classifying objects |
US7015855B1 (en) * | 2004-08-12 | 2006-03-21 | Lockheed Martin Corporation | Creating and identifying synthetic aperture radar images having tilt angle diversity |
US20110229034A1 (en) * | 2006-07-31 | 2011-09-22 | Stc.Unm | System and method for reduction of speckle noise in an image |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
CN105445712A (zh) * | 2015-11-11 | 2016-03-30 | 中国测绘科学研究院 | 极化sar多成分目标分解方法 |
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN105913090A (zh) * | 2016-04-14 | 2016-08-31 | 西安电子科技大学 | 基于sdae-svm的sar图像目标分类方法 |
CN106096651A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于超像素和度量学习的极化sar地物分类方法 |
CN106127221A (zh) * | 2016-06-12 | 2016-11-16 | 西安电子科技大学 | 基于极化‑纹理特征与dpl的极化sar图像分类方法 |
CN106203489A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于多尺度深度方向波网络的极化sar图像分类方法 |
Non-Patent Citations (3)
Title |
---|
S.R. CLOUDE,E. POTTIER: "n entropy based classification scheme for land applications of polarimetric SAR", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
SI-WEI CHEN,XUE-SONG WANG AND MOTOYUKI SATO: "Uniform polarimetric matrix rotation theory and its applications", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
徐牧等: "利用极化方位角特征的高分辨极化SAR目标增强研究", 《信号处理》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358260A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于表面波cnn的多光谱图像分类方法 |
CN107358260B (zh) * | 2017-07-13 | 2020-09-29 | 西安电子科技大学 | 一种基于表面波cnn的多光谱图像分类方法 |
CN107358214A (zh) * | 2017-07-20 | 2017-11-17 | 中国人民解放军国防科学技术大学 | 基于卷积神经网络的极化sar地物分类方法 |
CN108764016A (zh) * | 2018-03-31 | 2018-11-06 | 中国人民解放军国防科技大学 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
CN108764016B (zh) * | 2018-03-31 | 2022-09-23 | 中国人民解放军国防科技大学 | 基于旋转域特征与cnn的极化sar图像舰船检测方法 |
CN109344737A (zh) * | 2018-09-12 | 2019-02-15 | 中国农业大学 | 基于sar极化分解的一维dcnn土地利用分类方法 |
CN114419452A (zh) * | 2022-03-30 | 2022-04-29 | 中国人民解放***箭军工程大学 | 一种高分辨率双极化sar抗角反射器干扰的目标辨识方法 |
CN114724030A (zh) * | 2022-04-06 | 2022-07-08 | 西安电子科技大学 | 基于对比学习的极化sar地物分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106909939B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909939A (zh) | 一种结合旋转域极化零角特征的极化sar地物分类方法 | |
CN106897741B (zh) | 结合旋转域极化相干特征的极化sar地物分类方法 | |
Maghsoudi et al. | Polarimetric classification of Boreal forest using nonparametric feature selection and multiple classifiers | |
Marino et al. | Detecting depolarized targets using a new geometrical perturbation filter | |
CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
CN103971364B (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN105260729A (zh) | 一种基于随机森林的卫星遥感影像云量计算方法 | |
CN103824084A (zh) | 基于sdit和svm的极化sar图像分类方法 | |
CN106056070B (zh) | 基于低秩矩阵恢复和稀疏表示的sar目标识别方法 | |
CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
Bagan et al. | Combination of AVNIR-2, PALSAR, and polarimetric parameters for land cover classification | |
CN103529447A (zh) | 面向城市区域的极化四分量分解方法 | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN109901130A (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
Xiang et al. | Edge detector for polarimetric SAR images using SIRV model and gauss-shaped filter | |
Garestier et al. | PolInSAR analysis of X-band data over vegetated and urban areas | |
CN110533025A (zh) | 基于候选区域提取网络的毫米波人体图像检测方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN107358162A (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
Xiyun et al. | Local competitive Wishart classifier for polarimetric SAR images | |
Williams et al. | Classification of unexploded ordnance using incomplete multisensor multiresolution data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |