基于SDIT和SVM的极化SAR图像分类方法

摘要

本发明公开了一种基于SDIT和SVM的极化SAR图像分类方法，本方法实现步骤为：（1）输入图像；（2）滤波；（3）提取散射偏振纹理特征；（4）组合特征并归一；（5）训练分类器；（6）预测分类；（7）计算精度；（8）输出结果；本发明相对于已有的方法可以使经验风险和期望风险同时最小，具有较强泛化能力，较低分类复杂度的优点，具有更全面细致地描述图像特征，提高分类精度的优点，同时具有更好地去噪效果，使极化合成孔径雷达SAR图像的轮廓、边缘更加清晰，提高图像质量，改善极化SAR图像分类性能的优点。

主权项

一种基于SDIT和SVM的极化SAR图像分类方法，包括如下步骤：(1)输入任选的一幅待分类的极化SAR图像；(2)滤波：采用精致极化LEE滤波方法，对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；(3)提取散射偏振纹理特征：(3a)对滤波后的极化SAR图像的每个像素，采用泡利Pauli分解方法得到|a|²，|b|²，|c|²共三个散射参数，采用克拉德cloude分解方法得到H，α，A，λ₁，λ₂，λ₃共六个散射参数，采用弗里曼‑德登Freeman‑Durden分解方法得到P_s，P_d，P_v，f_s，f_d，f_v，R共七个散射参数，采用克罗艾厄Krogager得到共三个散射参数，采用惠能Huynen分解方法得到a，b，l，c，d，e，f，g，h共九个散射参数，将所得到的全部散射参数作为28维的散射特征；(3b)对滤波后的极化SAR图像中每个像素点提取12维的偏振特征；(3c)对滤波后的极化SAR图像中每个像素点提取8维的纹理特征；(4)组合特征并归一：将散射特征、偏振特征、纹理特征，组成极化SAR图像的48维的散射分解、偏振参数、图像纹理的特征组合SDIT，并将所得到的48维的散射分解、偏振参数、图像纹理的特征组合SDIT特征的值归一到0～1之间的数值；(5)训练分类器：在极化SAR图像上，从0.001％到0.01％，每隔0.001％分别选取对应比例的像素作为训练样本，将训练样本的48维的散射分解、偏振参数、图像纹理的特征组合SDIT特征放入支持向量机分类器中进行训练，得到训练好的分类器；(6)预测分类：利用训练好的分类器，对待分类的极化SAR图像进行分类，得到极化SAR图像的像素类别；(7)计算精度：将极化SAR图像像素类别与真实地物类别进行对比，将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度；(8)输出结果：在分类后的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照三基色上色法进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像。