[发明专利]基于超像素和主题模型的极化SAR图像分类方法

权利要求书

1.基于超像素和主题模型的极化SAR图像分类方法，其特征在于，包括以下步骤：

步骤1，输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；

步骤2，使用均匀采样的方式对所述步骤1处理后的图像进行样本点采集，得到样本点集合；

步骤3，对样本点集合提取极化SAR图像的三种类型的特征，并分别进行归一化，得到特征集合F¹、F²、F³，具体步骤为：

步骤3.1，基于极化数据表示分别提取极化SAR图像的16维特征，并归一化得到特征集合F¹；

基于极化数据表示提取的极化SAR图像的16维特征具体为：

a)极化散射矩阵S的6维特征：

{real(S_hh),imag(S_hh),real(S_hv),imag(S_hv),real(S_vv),imag(S_vv)} (1)

其中，S_hh为水平接收的水平向发射极化波的回波数据、S_hv为垂直接收的水平向发射极化波的回波数据、S_vv为垂直接收的垂直向发射极化波的回波数据，real(·)为求实部操作，imag(·)为求虚部操作；

b)相干矩阵T的9维特征：

{T₁₁,T₂₂,T₃₃,real(T₁₂),imag(T₁₂),real(T₁₃),imag(T₁₃),real(T₂₃),imag(T₂₃)} (2)

其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T₁₁、T₂₂、T₃₃、T₁₂、T₁₃和T₂₃为相干矩阵T中的元素；

c)SPAN图的1维特征：

span＝|S_hh|²+2|S_hv|²+|S_vv|² (3)

SPAN图为极化SAR总功率图，其中，span为散射矩阵S的各元素的功率之和；

步骤3.2，基于极化目标分解分别提取极化SAR图像的17维特征，并归一化得到特征集合F²；

基于极化目标分解提取的极化SAR图像的17维特征具体为：

a)Cloude-Pottier分解得到3维特征：熵H、反熵A和平均散射角α；

熵H定义为：

其中：

其中，n为通道数，n＝3；相干矩阵T分解得到多个特征值和特征向量，λ_u是第u个特征值，λ_v是第v个特征值，P_u为λ_u的归一化结果；

反熵A定义为：

P₂为第2个特征值的归一化结果，P₃为第3个特征值的归一化结果；

平均散射角α定义为：

α＝P₁α₁+P₂α₂+P₃α₃ (7)

α₁为第1个特征向量中的第一个元素、α₂为第2个特征向量中的第一个元素、α₃为第3个特征向量中的第一个元素；

b)Freeman分解得到3维特征：表面散射功率、二次散射功率和体散射功率：

Freeman分解将协方差矩阵C分解为三种散射矩阵：

C＝f_sC_S+f_dC_D+f_vC_V (8)

其中，C_S、C_D、C_V分别为表面散射矩阵、二次散射矩阵、体散射矩阵，f_s、f_d、f_v分别为C_S、C_D、C_V对应的系数；

表面散射功率、二次散射功率、体散射功率分别为P_s、P_d、P_v：

其中，a为二次散射参数、b为表面散射参数；

c)Huynen分解得到9维特征：

{A₀,B₀,B,C₀,D,E,F,G,H₀} (10)

A₀表示目标对称性，B₀-B表示目标非对称性，B₀+B表示目标非规则性，C₀表示目标线性特性，D表示局部曲率差，E表示表面扭转度，F表示目标螺旋性，G表示对称与非对称的粘合力，H₀表示目标方向；

Huynen分解将相干矩阵T表示为9个独立元素，9个元素表示不同的目标散射信息：

其中，

其中，i为虚数单位；

d)极化参数的2维特征：

共极化比：

交叉极化比：

其中，(·)^*为矩阵(·)的共轭转置；

步骤3.3，基于图像处理技术分别提取极化SAR图像的20维特征，并归一化得到特征集合F³；

基于图像处理技术提取的极化SAR图像的20维特征具体为：

a)基于灰度共生矩阵定义4维纹理特征：

对比度con：

能量Asm：

熵Ent：

相关性Corr：

其中，

其中，t、j分别表示第t和第j个像素点，p(t,j)为像素点t和像素点j之间的灰度共生矩阵值，k为像素点的个数；

b)16维轮廓特征：

设计4个尺度N个方向的滤波器组，并将滤波器组应用在SPAN图和极化SAR图上，得到不同方向和尺度的能量值：

其中，E_edge和E_line分别为边能量值和线能量值，上标a、b、c分别表示线滤波器的上、中、下三个区域；x_r为边滤波器一侧区域内第r个像素点的像素值，w_r为第r个像素点对应的高斯核权重，x_s为滤波器另一侧区域内第s个像素点的像素值，w_s为第s个像素点对应的高斯核权重，m和l分别为滤波器两个不同区域的像素点的个数；在1个SPAN图和3个通道的极化SAR图上，对于4个尺度，分别选择各个方向中的最大能量值作为该尺度的能量值，得到16维轮廓能量图；

步骤4，对特征集合F¹、F²、F³分别进行K-means聚类，形成视觉字典V¹、V²、V³，并将V¹、V²、V³合并为多特征视觉字典V，具体步骤为：

步骤4.1，对所述特征集合F¹进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V¹；

对所述特征集合F²进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V²；

对所述特征集合F³进行K-means聚类，类别数定义为m类，得到m个聚类中心，将m个聚类中心作为视觉字典V³；

步骤4.2，合并视觉字典V¹、V²、V³，得到3m维的多特征视觉字典V；

步骤5，在所述步骤1处理后的图像的基础上进行过分割，得到若干个超像素，根据多特征视觉字典V对每个超像素进行稀疏编码，具体为：

对所述步骤1处理后的图像获取SPAN图，对SPAN图进行均值漂移过分割，每个过分割区域作为一个超像素；

根据多特征视觉字典V对每个超像素进行稀疏编码，具体为，对超像素中的每个像素点，向学习的多特征视觉字典V进行投影，距离V最近的像素点编码为1，其他像素点编码为0，对超像素中所有像素点的编码进行直方图统计，得到超像素的稀疏编码，并对所有超像素的稀疏编码进行归一化处理；

步骤6，使用主题模型对超像素的稀疏编码进行特征学习，得到高层特征，并用SVM分类法对高层特征进行分类，得到极化SAR图像的最终分类结果，具体为：

使用LDA模型对超像素的稀疏编码进行特征学习，先使用贝叶斯学习方法进行模型推理，再使用EM参数估计算法进行参数估计，得到主题概率，使用SVM分类法对主题概率进行分类，得到极化SAR图像的最终分类结果。