[发明专利]基于超像素和主题模型的极化SAR图像分类方法

说明书

基于超像素和主题模型的极化SAR图像分类方法，输入待分类的极化SAR图像，并对其进行精致Lee滤波处理；使用均匀采样的方式对步骤1处理后的图像进行样本点采集，得到样本点集合；对样本点集合提取三种类型的特征，并分别进行归一化，得到特征集合F¹、F²、F³；对特征集合F¹、F²、F³分别进行聚类，形成视觉字典V¹、V²、V³，并合并为多特征视觉字典V；在步骤1处理后的图像的基础上进行过分割，得到若干个超像素，根据字典V对每个超像素进行稀疏编码；使用主题模型对超像素的稀疏编码进行特征学习，并用SVM分类法分类，得到最终分类结果，能够有效表示极化SAR图像的异质区域。

技术领域

本发明属于图像处理和遥感技术领域，涉及一种基于超像素和主题模型的极化SAR图像分类方法。

背景技术

与合成孔径雷达(Synthetic Aperture Radar，SAR)图像相比，极化SAR图像作为多通道的SAR图像，富含更多的极化信息其的地物分类是图像处理的基本任务，也是国家发展的重大需求，受到越来越多人的关注。然而，对于城区，森林等异质区域，由于地物的混杂性，传统的基于目标分解的方法很难将图像分为语义一致的地物区域，这也是极化SAR图像分类的一个挑战。

极化SAR图像含有丰富的极化散射信息，传统的极化SAR图像分类方法主要通过目标分解，得到对应地物的散射类型，如经典的H/α分类，Freeman分类等；另外，一些极化数据的统计模型被提出用来分类，如Wishart分类器；此外，通过结合目标分解和统计分布，H/-Wishart分类方法能够得到更好的分类结果。然而，由于这些方法没有考虑图像的空间和语义信息，对斑点噪声敏感，很难得到区域一致性好的分类结果。后来，许多学者提出了基于图像处理技术的极化SAR图像分类方法，这类算法通过提取极化SAR图像的纹理和结构特征，使用分类器进行分类，通过加入空间信息，能够有效地抑制噪声，获得区域一致的分类结果。

上述极化SAR分类算法虽考虑了极化SAR的散射特性和空间信息，但仍存在很多缺陷：(1)对于极化SAR异质区域，如城区、森林等，由于城区由多个建筑物聚集形成，散射回波会形成强烈的亮暗变化，这种亮暗变化重复出现，形成城区，现有算法由于没有考虑图像的高层语义信息，很难将异质区域划分为语义一致的同类区域。(2)由于没有融合散射特征和图像特性，传统算法难以学习到高层的判别性特征，对极化SAR图像进行分类，考虑极化特性的高层语义特征和分类方法还有待挖掘。

综上所述，现有的极化SAR图像分类方法仍存在一些缺陷，难以将极化SAR异质区域划分为语义一致的区域，难以有效分类极化SAR地物目标。

发明内容

本发明的目的是提供一种基于超像素和主题模型的极化SAR图像分类方法，能够有效表示极化SAR图像的异质区域。

本发明所采用的技术方案是，基于超像素和主题模型的极化SAR图像分类方法，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；

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；