基于极化‑纹理特征与DPL的极化SAR图像分类方法

摘要

本发明公开了一种基于极化‑纹理特征与DPL的极化SAR图像分类方法，主要解决现有技术中极化合成孔径雷达SAR图像分类过程中图像信息不全面字典判别性能差而导致的运算时间长、分类效率低的问题。本发明的具体步骤如下：(1)读入极化SAR图像；(2)滤波；(3)构造样本集；(4)稀疏编码；(5)构造邻域特征样本矩阵；(6)归一化邻域特征样本矩阵；(7)选取训练样本和测试样本；(8)训练合成字典和分析字典；(9)测试合成字典和分析字典；(10)上色；(11)输出分类结果图。本发明具有对极化SAR图像分类正确率高和分类效率高的优点。

主权项

一种基于极化‑纹理特征与DPL的极化SAR图像分类方法，包括如下步骤：(1)读入极化SAR图像；(2)滤波：采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像；(3)构造样本集：(3a)采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量；(3b)采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量；(3c)采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量；(3d)将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量；(3e)将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(4)稀疏编码：采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵；(5)构造邻域特征样本矩阵：(5a)采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量；(5b)将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；(6)归一化邻域特征样本矩阵：采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵；(7)选取训练样本和测试样本：从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本；(8)训练合成字典和分析字典；(8a)输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典；(8b)采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典；(9)测试合成字典和分析字典：(9a)将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别；(9b)按照下式，计算测试样本的测试正确率：$a=\frac{size(p==l)}{size\left(l\right)}$其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别；(9c)将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别；(10)上色：根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图；(11)输出分类结果图。