法律状态公告日
法律状态信息
法律状态
2016-04-13
授权
授权
2013-12-25
实质审查的生效 IPC(主分类):G06T7/00 申请日:20130823
实质审查的生效
2013-12-04
公开
公开
技术领域
本发明属于遥感图像处理技术领域,涉及极化合成孔径雷达图像分割,可用于图 像目标检测以及图像目标分割与识别。
背景技术
随着雷达技术的日益发展,极化SAR已成为SAR的发展趋势,极化SAR能够得到 更丰富的目标信息。极化SAR图像的理解和解译涉及信号处理,模式识别等众多学科。 极化SAR图像分割作为极化SAR图像处理的基本问题之一,为极化SAR图像后期的目 标识别奠定了基础。
现有的极化SAR图像分割方法可以分为有监督和无监督两类。
有监督方法包括:Kong等人提出的利用数据的统计信息对极化SAR图像进行分割, 这种方法对数据分布有严格要求;Hellmann等人提出的利用神经网络分类器来进行分 割,这种方法的收敛速度慢,且容易陷入局部最优。
无监督方法包括:Cloude等人提出的利用散射熵,散射角以及逆熵的阈值来划分 类别以及Freeman等人提取每个像素的三种散射功率,按所占比重对图像进行分割。
以上这两种方法所用的阈值均需要人为确定,代价大且过于武断。为此,Ersahin 和Anfinsen等人利用谱聚类对极化SAR图像进行分割,通过极化相干矩阵的Wishart距 离来定义相似度矩阵,这种方法虽然可以自动完成聚类且不需要阈值确定,但却由于 极化相干矩阵的特殊分布限制了相似度矩阵的构造方式,同时高斯核参数需要人工依 照经验精确设置,而且计算代价高。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于特征值度量谱聚类的极化 SAR图像分割方法,以在保证分割精度的前提下,大大降低分割过程的计算量和复杂 性。
为实现上述目的,本发明的极化SAR图像分割方法,包括如下步骤:
(1)读入极化SAR图像G,得到极化SAR图像G的总样本集X和极化SAR图 像G的极化相干矩阵集合T={Ti|i=1,...,M},其中M是极化SAR图像G包含的像 素点数;
(2)对第i个像素点的极化相干矩阵Ti进行特征值分解,得到第i个像素点的特 征值集合i=1,...,M,其中,表示第i个像素点的第一个特征值, 表示第i个像素点的第二个特征值,表示第i个像素点的第三个特征值;
(3)求第i个像素点的8邻域第一个特征值对应的均值求第i个像素点 的8邻域第二个特征值对应的均值求第i个像素点的8邻域第三个特征值对 应的均值得到第i像素点的平均特征值集合i=1,...,M;
(4)从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集 Xm,由样本子集Xm的特征值集合构成特征样本集再由样本 子集Xm的平均特征值集合构成平均特征样本集
(5)对样本子集Xm中第j个像素点的特征值集合利用马氏距 离构造相似度矩阵wj:
其中,表示样本子集Xm中第j个像素点的特征值集合,表示样本子集Xm中第p个像素点的特征值集合,C是特征样本集xm的协方差矩阵;
(6)根据样本子集Xm中第j个像素点的相似度矩阵wj,构造样本子集Xm的相 似度矩阵w:
w=[w1,...,wj,...,wm];
(7)对样本子集Xm中第j个像素点的平均特征值集合利用马 氏距离来构造平均相似度矩阵
其中,表示样本子集Xm中第j个像素点的平均特征值集合,表示样本子 集Xm中第p个像素点的平均特征值集合,是平均特征样本集的协方差矩阵;
(8)根据样本子集Xm中第j个像素点的平均相似度矩阵构造样本子集Xm的 平均相似度矩阵
(9)对相似度矩阵w和平均相似度矩阵加权得到样本子集Xm的混合相似度 矩阵w′:
其中,α表示权值;
(10)对样本子集Xm的混合相似度矩阵w′,通过逼近求出总样本集X 的相似度矩阵W,计算相似性矩阵W的拉普拉斯矩阵L,对拉普拉斯矩阵L进行特 征值分解,得到拉普拉斯矩阵L的特征向量Y;
(11)对特征向量Y的前k维进行K均值聚类,得到聚类标签C1,其中k是给 定的类别数;
(12)重复步骤(4)到(11)5次,得到聚类标签集合Π={C1,C2,...,C5};对 该聚类标签集合Π利用MCLA算法进行集成,得到最终标签Z,即为极化SAR图像 G的分割结果。
本发明与现有的技术相比具有以下优点:
1.本发明将极化相干矩阵的特征值作为输入特征,并通过马氏距离来度量输入特 征的相似性,同时利用图像的空间信息来去除杂点,提高了分割精度;
2.本发明利用马氏距离构造相似度矩阵,与传统的欧氏距离相比,由于考虑了特 征之间的相关性,同时省去了高斯核函数的度量,不再需要调试核参数σ,使得分割 算法具有自适应性且操作方便;
3.本发明通过谱聚类集成进一步获得准确的地物分割结果,分割过程简单,且运 行时间大大缩短。
附图说明
图1本发明的流程图;
图2是极化SAR图像Flevoland的RGB图合成图;
图3是极化SAR图像San Francisco Bay的RGB合成图;
图4用本发明与现有的两种分割方法对Flevoland数据的分割结果;
图5用本发明与现有的两种分割方法对San Francisco Bay数据的分割结果。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1:获取极化SAR图像的极化相干矩阵。
1a)读入极化SAR图像数据,极化SAR图像G包含丰富的幅度和相位信息,每 个像素点的信息可以由极化相干矩阵来表示;
1b)用极化SAR图像G的所有像素点构成总样本集X;
1c)用极化SAR图像G的每个像素点的极化相干矩阵Ti,构成极化相干矩阵集 合T={Ti|i=1,...,M},其中M是极化SAR图像G包含的像素点数。
步骤2:对极化相干矩阵进行特征值分解。
2a)采用大小3×3的赫米特矩阵作为第i个像素点的极化相干矩阵Ti,i=1,...,M;
2b)对第i个像素点的极化相干矩阵Ti进行特征值分解,公式如下:
其中,表示第i个像素点的第一个特征值,表示第i个像素点的第二个特征 值,表示第i个像素点的第三个特征值,U表示特征向量,T表示转置运算;
2c)根据第i个像素点的第一个特征值第i个像素点第二个特征值第三 个第i个像素点的特征值得到第i个像素点的特征值集合
步骤3:对特征值求8邻域均值。
3a)求第i个像素点第一个特征值的8邻域的均值
求第i个像素点第二个特征值的8邻域的均值
求第i个像素点第三个特征值的8邻域的均值
3b)根据第i个像素点第一个特征值的8邻域的均值第二个特征值的8邻域的 均值第三个特征值的8邻域的均值得到第i像素点的平均特征值集合:
步骤4:随机采样构成样本子集。
4a)从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集Xm;
4b)由样本子集Xm的特征值集合构成特征样本集
4c)由样本子集Xm的平均特征值集合构成平均特征样本集
步骤5:求每个像素点的相似度矩阵。
对样本子集Xm中第j个像素点的特征值集合利用马氏距离构 造相似度矩阵wj:
其中,表示样本子集Xm中第j个像素点的特征值集合,表示样本子集Xm中第p个像素点的特征值集合,C是特征样本集xm的协方差矩阵;
步骤6:构造样本子集的相似度矩阵。
根据样本子集Xm中第j个像素点的相似度矩阵wj,构造样本子集Xm的相似度 矩阵w:
w=[w1,...,wj,...,wm];
步骤7:求每个像素点的平均相似度矩阵。
对样本子集Xm中第j个像素点的平均特征值集合利用马氏距 离构造平均相似度矩阵
其中,表示样本子集Xm中第j个像素点的平均特征值集合,表示样本子 集Xm中第p个像素点的平均特征值集合,是平均特征样本集的协方差矩阵。
步骤8:构造样本子集的平均相似度矩阵。
根据样本子集Xm中第j个像素点的平均相似度矩阵构造样本子集Xm的平均 相似度矩阵
步骤9:构造样本子集的混合相似度矩阵。
对相似度矩阵w和平均相似度矩阵进行加权,得到样本子集Xm的混合相似度 矩阵w′:
其中,α表示权值。
步骤10:根据样本子集Xm的混合相似度矩阵w′,获得总样本集X的特征向量。
10a)根据样本子集Xm的混合相似度矩阵w′,通过逼近求出总样本集X 的相似度矩阵W;
10b)计算相似性矩阵W的拉普拉斯矩阵L:
L=Λ-1/2WΛ-1/2,
其中:Λ为对角矩阵,
Λii为对角线元素,i=1,...,M;
10c)按如下公式对拉普拉斯矩阵L进行特征值分解,得到拉普拉斯矩阵L的特 征向量Y:
其中,分解后的λi′为拉普拉斯矩阵L的第i个特征值;y1,y2,...,yi,...,yM为拉普 拉斯矩阵L的特征向量Y,即Y=[y1,y2,...,yi,...,yM],yi为特征值λi′对应的特征向 量。
步骤11:对特征向量Y的前k维进行K均值聚类,得到聚类标签C1,其中k是极 化SAR图像G包含的地物类别数,本实例对于Flevoland数据取k=7,对于San Francisco Bay数据取k=3。
步骤12:重复步骤(4)到(11)共5次,得到聚类标签集合:Π={C1,C2,...,C5}。
步骤13:对该聚类标签集合Π利用MCLA算法进行集成,得到最终标签Z,即
为极化SAR图像G的分割结果。
13a)输入5次聚类得到的聚类标签集合Π;
13b)对标签集合Π构建无向规则图,称为Meta图,计算该图的边的权重va,b:
其中,ha和hb代表Meta图的任意两个顶点,表示交叉相乘运算;
13c)根据所构建的无向规则图进行超谱边聚类,即通过将Meta图分裂成M个 Meta类来寻找匹配目标,Meta图中每一个顶点代表一个不同的类别,一个Meta类可 表示一组相应的类标;
13d)逐一分裂步骤13c)中的M个Meta类,将任一Meta类中的超谱边划分为一 个单一的Meta超谱边,每一个Meta超谱边都代表着一个它所包含的样本与类标的结 合向量,其中,类标是指与样本相应的Meta类的结合度;
13e)比较Meta超谱边包含的样本,将其中包含的每一个样本安排到结合向量中 具有最大结合度的Meta类中,并断开相应的链接,得到最终的类别标签Z,即为极 化SAR图像G的分割结果
本发明的效果可以通过以下实验进行验证:
1、实验条件设置
实验仿真环境:本发明的仿真在windows XP Professional,SPI,CPU基本频率为 2.33GHZ,软件平台为Matlab2012a运行。
实验方法:分别为现有的H/α-Wishart方法以及基于谱聚类的Wishart分割方法 和本发明方法,其中H/α-Wishart方法是极化SAR数据分割引用较多的经典方法,基于 谱聚类的Wishart分割方法是基于谱聚类的极化SAR数据分割典型的方法。
实验数据:本发明使用两组极化SAR数据做测试使用。
图2为第一组是荷兰Flevoland省的区域,视数为四,图像大小为750×1024。实 验中,随机采样点数为100,权值α取0.6。
图3为第二组极化SAR数据,是美国旧金山地区San Francisco Bay数据,视数为 四,图像大小为850×500。实验中随机采样点数为80,权值α取0.5。
2、实验内容及结果分析
实验一,用本发明方法与现有的H/α-Wishart方法以及基于谱聚类的Wishart分割 方法对图2所示的Flevoland数据进行分割仿真,分割结果见图4,其中,图4(a)为本发 明方法分割结果,图4(b)为方法H/α-Wishart的分割结果,图4(c)是基于谱聚类的 Wishart分割方法的仿真结果。
从图4(a)可见,本发明分割结果相较于两种对比方法,区域划分更加细致和精确。
从图4(b)可见,H/α-Wishart方法边缘分明,杂点少,但存在整片区域错分的问题。
从图4(c)可见,基于谱聚类的Wishart分割方法的结果与H/α-Wishart的分割结果 相似,只是在进行Wishart迭代时比H/α-Wishart能更快的收敛。
实验二,用现有的H/α-Wishart方法以及基于谱聚类的Wishart分割方法和本发 明对图4所示的San Francisco Bay数据进行分割仿真,分割结果见图5,其中,图5(a) 为本发明方法分割结果,图5(b)为H/α-Wishart方法的分割结果,图5(c)是基于谱聚类 的Wishart分割方法的仿真结果。
从图5所示的分割结果可以看出,本发明的分割结果在细节的保持上优于另两个 方法,跑马场,高尔夫球场,停车场等这些的区域的分割更加精确.
综上所述,本发明提出的对极化SAR数据的分割方法,通过对数据进行特征值分 解,提取了表征散射强度的特征值,通过马氏距离来构造谱聚类算法的相似度矩阵, 使得分割过程更加简单快速,并使分割结果更加细致和精确,能保留较好的细节信息。 本方法思想和分割过程都比较简单,运行时间短,有效实用。
机译: 一种基于多元资源度量的时差调整方法,一种基于多元资源度量和存储介质值调整时差的装置,一种基于多元度量值存储时差的程序
机译: 用于基于案例数据库和特征值计算单元计算出的图像特征值来预测最佳功能的数据处理设备,计算机程序产品和数据处理方法
机译: 评估负载的方法车辆的起动器涉及基于测量变量的积分值确定特征值,并将特征值与特征阈值进行比较