基於深度稀疏ICA的極化SAR圖像分類方法與流程

2023-06-02 02:17:27

本發明屬於圖像處理技術領域，更進一步涉及極化合成孔徑雷達SAR圖像分類方法，可用於對極化SAR圖像的地物分類和目標識別。

背景技術：
極化SAR雷達能夠獲得豐富的目標信息，在農業、林業、軍事、地質學、水文學和海洋等方面具有廣泛的研究和應用價值，如地物種類的識別、農作物成長監視、產量評估、地物分類、海冰監測、地物沉降監測，目標檢測和海洋汙染檢測等。而極化SAR圖像分類又是極化SAR圖像處理的中的重要內容，也是極化SAR圖像解譯的關鍵技術之一，它是將解譯系統中的前端部分單獨提取出來作為具體應用的一個典型實例。快速、準確的極化SAR圖像分類是實現各種實際應用的前提。首都師範大學在其專利申請「極化SAR圖像分類方法」(專利申請號：201310685303.7，授權公告號：CN103617427A)中提出了一種基於極化SAR圖像散射熵H、反熵A和散射角α的極化SAR分類方法。該方法首先提取極化SAR圖像的散射熵H、反熵A和散射角α並將其作為第一特徵集，然後將所述極化SAR圖像分解為兩個子孔徑圖像，分別提取所述兩個子孔徑圖像的特徵：散射熵H、反熵A和散射角α從而得到兩個子特徵集(H1,A1,α1)、(H2,A2,α2)，並將所述的兩個子特徵集中的各相應特徵的值相減，得到所述各相應特徵的差值的集合(ΔH,ΔA,Δα)作為第二特徵集，最後將所述第一特徵集和所述的第二特徵集輸入到決策樹分類模型中，得到所述極化SAR圖像的分類結果。該專利技術雖然不僅利用了從極化SAR圖像本身提取的特徵集合，同時利用了兩個子孔徑圖像提取的特徵各相應的差值的集合，即兩種不同類型的特徵集合，使得所提取的特徵相比於以往僅僅提取原極化SAR圖像的散射特徵更加豐富，但是該技術仍然僅僅只是利用了單一的散射特徵，而忽略了更加豐富的圖像的底層特徵如紋理特徵、顏色特徵、空間位置關係等，這在一定程度上限制了極化SAR圖像分類精度的提高。西安電子科技大學在其專利申請「基於SDIT和SVM的極化SAR圖像分類方法」(專利申請號：201410089692.1，授權公告號：CN103824084A)中提出了一種基於SDIT和SVM的極化SAR圖像分類方法。該方法首先對待分類的極化SAR圖像進行精緻Lee濾波，然後提取圖像的散射、偏振及紋理特徵，將得到的特徵進行組合併歸一化，最後用歸一化後的特徵訓練分類器，預測分類並計算分類精度。該專利技術雖然充分利用了極化SAR圖像包含的豐富的紋理信息和偏振信息，彌補了僅僅依靠散射特性對極化SAR圖像分類的不足，在一定程度上提高了分類的精度，但仍然存在的不足是，該專利技術只是將所提取的散射、偏振和紋理信息進行簡單的堆疊，然後輸入SVM直接用於分類，這導致輸入的特徵中包含較多的冗餘信息，並且特徵維數過高，使得分類效率大大下降。

技術實現要素：
本發明的目的在於針上對述現有技術的不足，提出一種基於深度稀疏ICA的極化SAR圖像分類方法。以充分利用極化SAR的散射特性和圖像的底層特徵，提高分類的精度和分類效率。本發明的技術方案是：對待分類的極化SAR圖像進行精緻Lee濾波，提取圖像的散射、紋理、顏色及協方差矩陣特徵作為原始特徵；利用深度稀疏ICA方法提取原始特徵的深度稀疏特徵表示；用得到的深度稀疏特徵表示訓練分類器，用訓練好的分類器對整幅待分類極化SAR圖像進行地物分類，對分類後的極化SAR圖像進行上色輸出。其實現步驟包括如下：(1)輸入待分類的極化合成孔徑雷達SAR圖像T1和待分類SAR圖像的真實地物標記圖像T2；(2)採用精緻Lee濾波方法，對待分類的極化SAR圖像T1進行濾波，去除斑點噪聲，得到濾波後的極化SAR圖像T1』；(3)提取濾波後的極化SAR圖像T1』的散射、紋理、顏色及協方差矩陣特徵；(4)將散射特徵、紋理特徵、顏色特徵及協方差矩陣特徵組合成原始樣本特徵集，並將該原始樣本特徵集的值歸一化到0～1之間，進行白化處理；(5)選取無標籤樣本集，訓練樣本集和測試樣本集；5a)在白化處理過的原始樣本特徵集中隨機選取2％的樣本特徵作為無標籤樣本集Xun_0；5b)根據待分類SAR圖像的真實地物標記圖像T2，在白化處理過的原始樣本特徵集中選出與該T2中已標記真實地物相同的樣本特徵集，並在該樣本特徵集中隨機選取20％的樣本特徵作為訓練樣本集Xtr_0，剩餘的80％的樣本特徵作為測試樣本集Xte_0；(6)用深度稀疏ICA方法，分別提取無標籤樣本集、訓練樣本集和測試樣本集的深度稀疏特徵表示；6a)用均值為0，方差為1的正態分布初始化第一層稀疏ICA的基矩陣W1；6b)利用基矩陣W1，計算無標籤樣本集的方差衰減值，獲取第一層稀疏ICA的最優基矩陣WOpt_1；6c)將獲得的最優基矩陣WOpt_1分別與無標籤樣本集Xun_0，訓練樣本集Xtr_0，測試樣本集Xte_0相乘，得到無標籤樣本集，訓練樣本集，測試樣本集的第一層深度稀疏特徵表示Xun_1，Xtr_1，Xte_1；6d)將由第一層稀疏ICA提取到的無標籤樣本集的第一層深度稀疏特徵表示Xun_1作為第二層稀疏ICA的輸入，重複6a)～6c)獲得第二層稀疏ICA的最優基矩陣WOpt_2，進而得到無標籤樣本集，訓練樣本集，測試樣本的第二層深度稀疏特徵表示Xun_2，Xtr_2，Xte_2，其中，稀疏ICA的層數可以據分類結果進行調整，每加一層，都要重複上述6a)～6c)一次，得到訓練樣本集和測試樣本集最終的深度稀疏特徵表示分別是Xtr和Xte；(7)將訓練樣本集的最終深度稀疏特徵表示Xtr輸入到支持向量機分類器中進行訓練，得到訓練好的分類器；(8)利用訓練好的分類器，對待分類的極化SAR圖像T1的每個像素進行分類，得到極化SAR圖像T1的每個像素所屬地物類別；(9)對步驟(8)中的分類結果，根據紅、綠、藍三基色原理，用同一種顏色標出同類地物，得到上色後的極化SAR圖像T3，輸出上色後的極化SAR圖像T3。本發明與現有的技術相比具有以下優點：1.本發明充分利用了極化合成孔徑雷達SAR圖像的散射、紋理、顏色和協方差矩陣的特性，提取的特徵更加豐富多樣；2.本發明在提取的原始特徵的基礎上，利用深度稀疏ICA方法提取原始特徵的深度稀疏特徵表示，該深度稀疏特徵表示相比於原始特徵，冗餘性小，提高了分類效率；3.本發明用提取的深度稀疏特徵表示分類，比原始的特徵直接輸入分類器進行分類精度更高。附圖說明圖1是本發明的實現流程圖；圖2是本發明實驗使用的待分類極化SAR圖像；圖3是本發明實驗所用的待分類極化SAR圖像真實地物標記圖像；圖4是用Wishart有監督分類法對待分類極化SAR圖像的分類結果圖；圖5是用本發明提取的原始特徵對待分類極化SAR圖像的分類結果；圖6是用本發明提取的深度稀疏特徵對待分類極化SAR圖像的分類結果。具體實施方式參照圖1，本發明的具體實現步驟如下：步驟1，輸入圖像。輸入兩幅極化合成孔徑雷達SAR圖像：一幅為待分類的極化合成孔徑雷達SAR圖像T1，另一幅為帶有真實地物標記的極化合成孔徑雷達SAR圖像T2。步驟2，對待分類圖像進行濾波處理。採用精緻Lee濾波方法，對待分類的極化SAR圖像T1進行濾波，去除斑點噪聲，得到濾波後極化SAR圖像T1』。步驟3，提取散射、紋理、顏色及協方差矩陣特徵。3a)取濾波後的極化SAR圖像T1』的每個像素點的協方差矩陣C，該協方差矩陣的大小為3×3，C的表示形式如下：其中，H表示水平極化方向，V表示垂直極化方向，SHH表示水平向接收水平向發射的回波數據，SHV表示垂直向接收水平向發射的回波數據，SVV表示垂直向接收垂直向發射的回波數據。〈·〉表示按視數平均，*表示共軛，|·|表示取模；3b)由協方差矩陣C得到相干矩陣：T＝UCUT其中，U表示中間變量(·)T表示轉置操作；3c)提取濾波後極化SAR圖像T1』的散射特徵：對濾波後極化SAR圖像T1』的每個像素，採用Yamaguchi分解方法得到ps，pv，pd，ph，fs，fv，fd，fh共8個散射參數，採用Cloude分解方法得到A，H，α，λ1，λ2，λ3共6個散射參數，採用Huynen分解方法得到|2A0|，|C-iD|，|H+iG|共3個散射參數，將得到的這些散射參數作為17維的散射特徵；3d)提取濾波後極化SAR圖像T1』的紋理特徵：由濾波後極化SAR圖像T1』每個像素點的協方差矩陣，得到該像素點的水平向接收水平向發射的回波數據|SHH|2，垂直向接收水平向發射的回波數據|SHV|2，垂直向接收垂直向發射的回波數據|SVV|2，分別由每個像素點的這三個極化值|SHH|2，|SHV|2，|SVV|2形成和濾波後的極化SAR圖像T1』大小相同的三幅極化通道圖像T4、T5、T6；計算每幅極化通道圖像的灰度共生矩陣，根據灰度共生矩陣提取每幅極化通道圖像每個像素的能量、逆差距、對比度三個紋理特徵；將三幅極化通道圖像得到的9個紋理特徵，作為濾波後的極化SAR圖像的9維的紋理特徵。以極化通道圖像T4為例：按照下式，得到極化通道圖像T4的灰度共生矩陣：G(i,j|θ)＝[(x,y),(x+dx,y+dy)]，其中，G(i,j|θ)表示極化通道圖像T4的灰度共生矩陣，i，j分別是極化通道圖像T4的兩個像素的像素值，θ表示極化通道圖像T4的坐標偏移量的方向，分別取0度，45度，90度，135度共四個方向，x表示極化通道圖像T4像素的橫坐標，y表示極化通道圖像T4像素的縱坐標，dx表示極化通道圖像T4像素的橫坐標偏移量，dy表示極化通道圖像T4像素的縱坐標偏移量；按照下式，分別得到極化通道圖像T4的能量、逆差矩和對比度特徵；能量：逆差矩：對比度：其中：對三幅極化通道圖像T4、T5、T6中的每一幅圖像都要分別在0度，45度，90度，135度共四個方向求相應的能量、逆差距和對比度；然後取四個方向的能量、逆差距和對比度平均值作為相應極化通道圖像最終的能量、逆差距和對比度特徵，得到三幅極化通道圖像T4、T5、T6的紋理特徵EHH，IHH，CHH，EHV，IHV，CHV，EVV，IVV，CVV，將得到的這些值作為9維的紋理特徵；3e)提取濾波後極化SAR圖像T1』的顏色特徵：根據待分類SAR圖像T1及其真實地物標記圖像T2，從每類地物中隨機選擇三個像素，並求這三個像素的平均R，G，B顏色值作為該類地物顏色的R，G，B分量，得到K個RGB顏色值，其中，K為待分類極化SAR圖像T1的地物類別數目；令這K個RGB顏色值為聚類中心，對於濾波後的極化SAR圖像T1』上的每個像素，計算其9*9的矩形窗口鄰域中每個像素的RGB顏色值I＝(r,g,b)到各個聚類中心的歐式距離；根據最短距離原則，分別把窗口內的每個像素歸到最小距離對應的地物類別中，再計算窗口內被歸到各個地物類別的像素個數佔窗口內總像素數目的比值，用得到的K個比值作為該窗口中心像素的K維顏色特徵；3f)提取濾波後極化SAR圖像T1』的散射協方差矩陣特徵：對濾波後的極化SAR圖像T1』的協方差矩陣，計算下面的各值：HH-VV相關係數的幅度：HH-VV相位差：ΦHH-VV＝arg(〈SHHSVV*〉)HV/VV通道比：同極化比：交叉極化：同極化係數比：去極化係數比：C(1,2)的角度：C(1,3)的角度：C(2,3)的角度：C(1,1)的模值：abs(C(1,1))C(1,2)的模值：abs(C(1,2))C(1,3)的模值：abs(C(1,3))C(2,2)的模值：abs(C(2,2))C(2,3)的模值：abs(C(2,3))C(3,3)的模值：abs(C(3,3))其中，H表示水平極化方向，V表示垂直極化方向，C(a,b)分別表示協方差矩陣C第a行第b列的元素。將得到的這16個值作為16維的協方差矩陣特徵。步驟4，特徵歸一化並白化。將散射特徵、紋理特徵、顏色特徵和協方差矩陣特徵組合成原始樣本特徵集，並將該原始特徵集的值歸一化到0～1之間，進行白化處理。步驟5，選取無標籤樣本集，訓練樣本集和測試樣本集。5a)在白化處理過的原始樣本特徵集中隨機選取2％的樣本特徵作為無標籤樣本集Xun_0；5b)根據待分類SAR圖像的真實地物標記圖像T2，在白化處理過的原始樣本特徵集中選出與該T2中已標記真實地物相同的樣本特徵集，並在該樣本特徵集中隨機選取20％的樣本特徵作為訓練樣本集Xtr_0，剩餘的80％的樣本特徵作為測試樣本集Xte_0。步驟6，用深度稀疏ICA方法，分別提取無標籤樣本集、訓練樣本集和測試樣本集的深度稀疏特徵表示。6a)用均值為0，方差為1的正態分布初始化第一層稀疏ICA的基矩陣W1；6b)利用基矩陣W1，計算整體無標籤樣本集的均方差衰減值，獲取第一層稀疏ICA的最優基矩陣WOpt_1；6b1)根據第一層稀疏ICA，計算第一層深度特徵表示的稀疏度：其中，W1表示選取的第一層稀疏ICA的基矩陣，其初始值服從均值為0，方差為1的正態分布，W1_j表示基矩陣W1中的第j個基向量，x(i)表示第i個無標籤樣本，g表示非線性凸函數，t表示基矩陣W1中基向量的數目，m表示無標籤樣本集中樣本數；6b2)計算無標籤樣本集與第一層稀疏ICA的輸出W1TW1xi之間的誤差：其中，λ為平衡參數，用於對誤差J1(W1,Xun_0)和稀疏度P(W1,Xun_0)進行平衡，W1x(i)為第一層深度稀疏特徵表示，W1TW1xi為第一層深度稀疏特徵表示W1x(i)對無標籤樣本x(i)進行恢復的結果；6b3)根據步驟6b1)和6b2)的計算結果，計算整體無標籤樣本集的均方差衰減值：J(W1,Xun_0)＝J1(W1,Xun_0)+P(W1,Xun_0)，6b4)對步驟6b3)得到的整體無標籤樣本集的均方差衰減值，採用如下的梯度下降公式，獲取每一次迭代時的第一層稀疏ICA的基矩陣：其中，n表示迭代的次數，W1n表示第n次迭代時第一層稀疏ICA的基矩陣，W1n+1表示第n+1次迭代時第一層稀疏ICA的基矩陣，β表示對第一層稀疏ICA基矩陣進行學習的速率，β的取值範圍為0<β<1，表示對第n次迭代時第一層稀疏ICA的基矩陣求偏導數；6b5)將步驟6b4)每一次迭代得到的第一層稀疏ICA的基矩陣值代入步驟6b3)公式中求整體無標籤樣本的均方差衰減值J(W1,Xun_0)，當整體無標籤樣本的均方差衰減值J(W1,Xun_0)達到全局最小值時，停止步驟6b4)的迭代，並將停止迭代時第一層稀疏ICA的基矩陣作為第一層稀疏ICA的最優基矩陣WOpt_1。6c)將獲得的最優基矩陣WOpt_1分別與無標籤樣本集Xun_0，訓練樣本集Xtr_0，測試樣本Xte_0相乘，得到無標籤樣本集，訓練樣本集，測試樣本的第一層深度稀疏特徵表示Xun_1，Xtr_1，Xte_1，即：無標籤樣本集的第一層深度稀疏特徵表示：Xun_1＝WOpt_1*Xun_0，訓練樣本集的第一層深度稀疏特徵表示：Xtr_1＝WOpt_1*Xtr_0，測試樣本集的第一層深度稀疏特徵表示：Xte_1＝WOpt_1*Xte_0。6d)將由第一層稀疏ICA提取到的無標籤樣本集的第一層深度稀疏特徵表示Xun_1作為第二層稀疏ICA的輸入，重複步驟6a)～6c)獲得第二層稀疏ICA的最優基矩陣WOpt_2，進而得到無標籤樣本集，訓練樣本集，測試樣本的第二層深度稀疏特徵表示Xun_2，Xtr_2，Xte_2，即無標籤樣本集的第二層深度稀疏特徵表示：Xun_2＝WOpt_2*Xun_1，訓練樣本集的第二層深度稀疏特徵表示：Xtr_2＝WOpt_2*Xtr_1，測試樣本集的第二層深度稀疏特徵表示：Xte_2＝WOpt_2*Xte_1，其中，稀疏ICA的層數可以據分類結果進行調整，每加一層，都要重複上述步驟6a)～6c)一次，得到訓練樣本集和測試樣本集最終的深度稀疏特徵表示分別是Xtr和Xte。步驟7，將訓練樣本集的最終深度稀疏特徵表示Xtr輸入到支持向量機分類器中進行訓練，得到訓練好的分類器。步驟8，利用訓練好的分類器，對待分類的極化SAR圖像的每個像素進行分類，得到極化SAR圖像的每個像素所屬地物類別。步驟9，輸出結果。對步驟(8)中的分類結果，將紅色，綠色，藍色三個顏色作為三基色，根據三基色上色法，用同一種顏色標出同一類地物，得到上色後的極化SAR圖像T3，輸出上色後的極化SAR圖像T3。本發明的效果可以通過下面的仿真進一步說明：1、仿真條件硬體平臺為：Intel(R)Xeon(R)[email protected]、8GBRAM；軟體平臺為：MATLABR2013a；仿真所使用的輸入圖像如圖2所示，圖像尺寸大小為750×1024。該圖為NASA—JPL記載L波段AIRSAR系統於1991年獲取的荷蘭Flevoland農田區域極化合成孔徑雷達圖像，該圖像解析度是12.1m×6.7m。該極化合成孔徑雷達SAR圖像中區域的地表覆蓋物為各種農作物和水域，按15類進行分類。2、仿真內容與結果仿真1，用現有的Wishart有監督分類方法對圖2進行分類，結果如圖4。仿真2，用本發明提取的原始特徵直接輸入SVM對圖2進行分類，結果如圖5。仿真3，用本發明提取的深度稀疏特徵表示輸入SVM對圖2進行分類，結果如圖6。從圖4、圖5和圖6的對比可以看出，圖6所示的本發明提取的深度稀疏特徵表示輸入SVM分類得到的分類結果中，各區域均劃分的較為細緻，不同區域之間分類後的邊緣也較為平滑，水域和農田的交接處被清晰的劃分出來，邊緣完整且準確。以圖3中的待分類極化SAR真實地物標記圖像作為精度評價標準，對Wishart有監督分類方法、本發明提取的原始特徵直接輸入SVM分類方法及本發明提取的深度稀疏特徵表示輸入SVM的分類方法的分類精度進行統計，結果見表1。其中，Alg1表示Wishart有監督分類方法，Alg2表示直接將本發明提取的原始特徵輸入SVM分類的方法，Alg3表示將本發明提取的深度稀疏特徵表示輸入SVM分類的方法。表1.三種方法在仿真中得到的分類精度從表1中可以看出，用本發明提取的深度稀疏特徵表示輸入SVM分類相比於另外兩種對比實驗，精度有較大的提高，這主要是因為本發明提取的深度稀疏特徵表示相比與本發明提取的原始特徵和極化SAR圖像的相干矩陣本身，包含了更加豐富的地物信息，且特徵冗餘性小，有利於分類，分類精度更高。