[发明专利]基于混合分类器的极化SAR数据分类方法及系统有效
| 申请号: | 201310310179.6 | 申请日: | 2013-07-23 |
| 公开(公告)号: | CN103366184A | 公开(公告)日: | 2013-10-23 |
| 发明(设计)人: | 段艳;孙明伟;张剑清 | 申请(专利权)人: | 武汉大学 |
| 主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/46 |
| 代理公司: | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人: | 张火春 |
| 地址: | 430072 湖*** | 国省代码: | 湖北;42 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 基于 混合 分类 极化 sar 数据 方法 系统 | ||
1.基于混合分类器的极化SAR数据分类方法,其特征是:
获取极化SAR数据的不同类初始极化特征,采用决策树分类器从初始极化特征中选择用于分类的极化特征;基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。
2.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
在获取极化SAR数据的不同类初始极化特征之前,对极化SAR数据进行滤波。
3.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的获取极化SAR数据的不同类初始极化特征,具体为:
分别极化SAR数据进行极化分解、相干矩阵运算和功率运算,并将极化分解、相干矩阵运算和功率运算结果作为初始极化特征,从而获得极化SAR数据的不同类初始极化特征。
4.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的采用决策树分类器从初始极化特征中选择用于分类的极化特征,进一步包括子步骤:
1-1 分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
1-2 基于初始极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用决策树分类器从初始极化特征中选择用于分类的极化特征。
5.如权利要求1所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类,进一步包括子步骤:
2-1分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
2-2 基于用于分类的极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用SVM分类器对极化SAR数据进行分类。
6.基于混合分类器的极化SAR数据分类系统,其特征是,包括:
初始极化特征获取模块,用来获取极化SAR数据的不同类初始极化特征;
极化特征选择模块,用来采用决策树分类器从初始极化特征中选择用于分类的极化特征;
SAR数据分类模块,用来基于用于分类的极化特征,采用SVM分类器对极化SAR数据进行分类。
7.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
还包括滤波模块,用来在获取极化SAR数据的不同类初始极化特征之前,对极化SAR数据进行滤波。
8.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的初始极化特征获取模块进一步包括极化分解模块、相干矩阵运算模块和功率运算模块,其中:
分解模块,用来对极化SAR数据进行极化分解,并将极化分解结果作为初始极化特征;
相干矩阵运算模块,用来对极化SAR数据进行相干矩阵运算,并将相干矩阵运算结果作为初始极化特征;
功率运算模块,用来对极化SAR数据进行功率运算,并将功率运算结果作为初始极化特征。
9.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的极化特征选择模块进一步包括图像分割模块和决策树分类器模块,其中:
图像分割模块,用来分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
决策树分类器模块,用来基于初始极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用决策树分类器从初始极化特征中选择用于分类的极化特征。
10.如权利要求6所述的基于混合分类器的极化SAR数据分类方法,其特征是:
所述的SAR数据分类模块进一步包括图像分割模块和SVM分类器模块,其中:
图像分割模块,用来分割极化SAR数据的RGB图像,获得RGB图像中地物的同质区域分布图及各同质区域特征值;
SVM分类器模块,用来基于用于分类的极化特征、RGB图像中地物的同质区域分布图及各同质区域特征值,采用SVM分类器对极化SAR数据进行分类。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201310310179.6/1.html,转载请声明来源钻瓜专利网。





