基于卡方‑棋盘距离度量的弱监督极化SAR分类方法

摘要

本发明公开了一种基于卡方‑棋盘距离度量的弱监督极化SAR分类方法，主要解决目前弱监督方法的分类精度低的问题。其实现方案包括：1)读入一幅极化SAR图像，基于Cloude‑Pottier目标分解方法，构造具有四维特征的极化矩阵；2)从极化矩阵中选取1％的标记样本作为训练样本；3)分步计算测试样本和训练样本的卡方距离以及空间棋盘距离；4)根据卡方距离和棋盘距离得到组合距离，将其作为最近邻方法评判近邻的标准,实现极化SAR图像分类。本发明仅采用少量训练样本利用最近邻分类器，精确实现了极化SAR的地物分类。

说明书

技术领域

本发明属于图像处理技术领域，具体涉及极化SAR的地物分类方法，可用于地物分类。

背景技术

合成孔径雷达SAR是一种具有全天时全天候的高分辨成像雷达，由于SAR对地表具有一定的穿透能力，能够排除云雾植被以及树叶的干扰，在测绘和军事、环境监测、灾害监测、海洋监测等方面具有得天独厚的优势，因而针对SAR图像的数据分析和解译也引来国内外科研人员的广泛关注。极化SAR的出现，使图像的每个像素包含了地物的更多极化信息数据，为地物分类提供更多的分析依据。

目前极化SAR的分类方法主要有有监督方法、无监督方法、以及半监督方法。有监督的方法普遍依赖于大量的标记样本，然而大量标记样本的获取是非常昂贵和困难的，这增加了图像数据解译的难度，而且对大量标记的极化SAR数据进行训练也增加了时间复杂度和计算复杂度，由此可见，有监督的方法并不是一个行之有效的方法。目前的无监督的方法也比较成熟，不依赖于任何标记样本，但是无监督方法往往会分出许多额外的类别，这大大超出了需要分类的类别数，后期的处理会存在太多干扰。半监督方法，能够利用少量标记样本和大量未标记样本的策略，在目前看来是一种很有潜力的方法，但是还是有较高的时间复杂度和模型复杂度。

发明内容

本发明的目的是针对上述现有技术中的诸多不足，提出一种基于卡方-棋盘距离度量的弱监督极化SAR分类方法，以降低分类模型的复杂度和时间复杂度，提高极化SAR分类速度和分类精度。

本发明的技术方案是基于现有目标分解的方法，仅需少量标记样本，采用卡方-棋盘组合度量方式作为最近邻分类器的近邻评判依据，从而实现弱监督极化SAR分类，其实现步骤包括如下：

(1)读入一幅极化SAR待分类图像数据，得到3×3的目标的极化相干矩阵T，以相干矩阵T作为输入，进行Cloude-Pottier的目标分解，得到具有四维特征的极化矩阵X：

其中x_i为第i个样本，N为样本总数，P为回波强度参数，H为散射熵，α为散射角，A为各向异度；

(2)随机从样本集X中选取1％的样本为训练样本集S,其余为测试样本集T：

其中s_i是训练样本集的第i个样本，i＝1,2,…,n，t_j是测试样本集的第j个样本，j＝1,2,…,k，n为训练样本总数，n＝N×0.01,每类选取n_c个训练样本：n_c＝n/N_C，N_C为分类类别总数，k为测试样本总数，k＝N-n；

(3)分步计算测试样本t_j和训练样本s_i的卡方距离和空间棋盘距离d_chess(L,L′)：

d_chess(L,L′)＝max(|l₁-l₁′|,|l₂-l₂′|)，

其中s_im是s_i的第m维的取值，t_jm是t_j的第m维的取值，m＝1,2,3,4；

为训练样本s_i的空间坐标，为测试样本t_j的空间坐标，l₁是s_i在空间中的横坐标，l₂是s_i在空间中纵坐标，l₁′是t_j在空间中的横坐标，l₂′是t_j在空间中的纵坐标；

(4)根据步骤(3)的结果，计算测试样本t_j与训练样本s_i的组合距离d(s_i,t_j)：

其中e^(·)表示取指数操作，ln(·)表示取对数操作；

(5)利用最近邻分类器NN，计算测试样本t_j与训练样本集S中每一个样本的组合距离d(s_i,t_j)，得到距离集合{d_j1,d_j2,…,d_jξ,…,d_jn},将距离最小的d_jξ对应的训练样本s_ξ的标签设为测试样本t_j的标签；

(6)重复上述(3)-(5)，对其余测试样本预测标签，最终实现极化SAR图像分类。

本发明的有益效果是：

1)采用基于目标分解的方法，构造具有四维特征的极化矩阵，有效简化

极化SAR图像的数据结构。

2)本发明是仅需少量标记样本的弱监督极化SAR方法。

3)本发明采用特殊组合度量方式作为最近邻分类器NN的近邻评判依据，

从而降低了模型的复杂度和时间复杂度，提高极化SAR的分类精度和

分类速度。

以下将结合附图对本发明做进一步详细说明。

附图说明

图1本发明的实现流程图；

图2真实类标图；

图3采用本发明和现有两种方法对图2的地物分类图。

具体实施方式

为了使本领域技术人员更好的理解本发明，下面参照附图对本发明进行详细说明。

参照图1，本发明的实现步骤包括如下：

步骤1，读入一幅极化SAR待分类图像数据，得到极化散射矩阵S_c，通过正交复Pauli矩阵基将S_c矢量化，由散射矢量得到3×3的目标的极化相干矩阵T。

(1.1)读入一幅极化SAR图像数据，得到极化散射矩阵S_c：

其中s_hh表示以水平方向发射，水平方向接收，s_hv表示以水平方向发射，垂直方向接收，s_vh表示以垂直方向发射，水平方向接收，s_vv表示以垂直方向发射，垂直方向接收，由互易定理可知S_hv＝S_vh；

(1.2)通过旋转正交复Pauli矩阵基P_l，将极化散射矩阵S_c矢量化，得到Pauli散射矢量

其中trace(·)是求取矩阵的迹，上标“T”表示转置，

(1.3)由散射矢量得到3×3相干矩阵T：

其中上标“*”表示共轭转置。

步骤2，以相干矩阵T作为输入，进行Cloude-Pottier的目标分解，得到具有四维特征的极化矩阵X。

(2.1)对相干矩阵T进行如下特征分解：

其中λ_t是相干矩阵T的第t个特征值，t＝1,2,3，上标“*”表示共轭转置，e_t是相干矩阵T正交化后的第t个单位特征矢量；

(2.2)计算相干矩阵T的极化熵H：

其中为第t种散射机制发生的概率，t＝1,2,3；

(2.3)计算相干矩阵T的散射角α：

其中α_t是第t种散射机制的类型，t＝1,2,3；

(2.4)计算相干矩阵T的各向异度A：

其中p₂是第2种散射机制发生的概率，p₃是第3种散射机制发生的概率；

(2.5)计算相干矩阵T的回波强度参数P：

(2.6)根据(2.2)-(2.5)构建第i个样本x_i的四维特征：

其中P为回波强度参数，H为散射熵，α为散射角，A为各向异度；

(2.7)其余样本重复(2.6)得到具有四维特征的极化矩阵X：

其中N为样本总数。

步骤3，选取训练、测试样本，计算这两种样本组合距离d(s_i,t_j)。

(3.1)随机从样本集X中选取1％的样本为训练样本集S,其余为测试样本集T：

其中s_i是训练样本集的第i个样本，i＝1,2,…,n，t_j是测试样本集的第j个样本，j＝1,2,…,k，n为训练样本总数，n＝N×0.01,每类选取n_c个训练样本：n_c＝n/N_C，N_C为分类类别总数，k为测试样本总数，k＝N-n。

(3.2)计算测试样本t_j和训练样本s_i的卡方距离

(3.3)计算测试样本t_j和训练样本s_i空间棋盘距离d_chess(L,L′)：

d_chess(L,L′)＝max(|l₁-l₁′|,|l₂-l₂′|)，

其中s_im是s_i的第m维的取值，t_jm是t_j的第m维的取值，m＝1,2,3,4；

为训练样本s_i的空间坐标，为测试样本t_j的空间坐标，l₁是s_i在空间中的横坐标，l₂是s_i在空间中纵坐标，l₁′是t_j在空间中的横坐标，l₂′是t_j在空间中的纵坐标。

(3.4)根据步骤(3.2)-(3.3)的结果，计算测试样本t_j与训练样本s_i的组合距离d(s_i,t_j)：

其中e^(·)表示取指数操作，ln(·)表示取对数操作。

步骤4，根据组合距离d(s_i,t_j)，实现极化SAR的地物分类。

(4.1)利用最近邻分类器NN，计算测试样本t_j与训练样本集S中每一个样本的组合距离,得到距离集合{d_j1,d_j2,…,d_jξ,…,d_jn},d_jξ是训练样本s_ξ与测试样本t_j的组合距离d(s_ξ,t_j)，ξ＝1,2,…,n，n为训练样本个数；

(4.2)将距离集合里{d_j1,d_j2,…,d_jξ,…,d_jn}的距离从小到大排列，用该距离最小值对应的训练样本标签作为第j个测试样本t_j的标签；

(4.3)重复上述步骤(4.1)-(4.2)，对其余测试样本预测标签，最终实现极化SAR地物分类。

本发明的效果可以通过以下仿真实验进一步说明。

1.实验条件：本实验在CPU为Intel(R)Xeon(R)，主频为2.40GHz，内存为16G的WINDOWS 7系统上采用软件MATLAB R2013b进行仿真。

本实验选择NASA/JPLARISAR获取的荷兰Flevoland地区的L波段数据，利用它的一个子图Flevoland1，如图2所示，大小为300×270。该区域共有6类地物，分别是马铃薯、甜菜、裸地、大麦、小麦、豌豆。样本总数为81000，按照(3.1)中所述选择训练样本，有标记样本数为46659，选取其中1％作为训练样本，训练样本总数为468，每类选取样本数为78。

2.实验内容

实验采用本发明和现有两种对比方法对图2进行分类，其中对比方法1是基于欧式距离的最近邻分类方法，对比方法2是基于核度量的SVM分类方法，分类结果如图3，其中：

图3(a)为本发明方法的分类结果图，

图3(b)为对比方法1的分类结果图，

图3(c)为对比方法2的分类结果图。

图3展示了本发明方法与两种对比方法大致的分类效果，能够看出本发明明显优于对比方法。

计算本发明方法和对比方法的总体分类精度及卡帕系数，结果如表1。

表1本发明方法与两种对比方法的分类结果

本发明方法对比方法1对比方法2总体分类精度(％)97.2352.2353.14卡帕系数0.960.40590.4206时间(s)14.6210.78.42

从表1可以看出，本发明比两种对比方法的分类精度分别提高45％和44.09％，同时卡帕系数远高于这两种对比方法，说明本发明分类的一致性最好。

上述结果表明本发明能够精确实现极化SAR分类。