[发明专利]基于深度RPCA的极化SAR地物分类方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及一种图像分类技术领域中的基于深度RPCA的极化SAR地物分类方法。该方法可应用于对极化SAR图像的目标检测和目标识别，并有效的提高极化SAR图像分类正确率。

背景技术

极化SAR图像通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标，是近年来遥感领域最为先进的传感器之一。极化SAR图像作为一种重要的遥感图像获取手段，在农林业、军事、海洋、水文学和地质学等方面有着广泛的应用。极化SAR图像分类的目的是利用机载或星载极化传感器获得的极化测量数据确定每个像素点所属的类别。

武汉大学在其专利申请“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号：201310310179，公开号：CN103366184A)中公开了一种基于混合分类器的极化SAR数据分类方法。该方法首先获得极化SAR图像的不同的类的初始极化特征；然后，采用决策树分类器从初始极化特征中选择用于分类的极化特征；最后，采用支持向量机分类器对极化SAR图像数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势。但是该方法仍然存在的不足是，操作复杂，且由于只考虑了极化SAR图像单个像素点的散射特征，故易受到噪声的干扰而不能准确表征实际地物，导致分类结果中存在较多的错分点。

西安电子科技大学申请的专利“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号：201410089692.1，公开号：CN103824084A)中提出了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像进行精致Lee滤波；然后，提取图像的散射、偏振及纹理特征，将得到的特征进行组合归一化；最后用归一化后的特征训练分类器，预测分类并计算分类精度。该方法虽然充分利用了极化SAR图像包含的丰富的纹理信息和偏振信息，弥补了仅仅依靠散射特性对极化SAR图像分类的不足，在一定程度上提高了极化SAR图像分类的精度。但是，该方法仍然存在的不足是，单纯地将所提取的散射、偏振和纹理信息进行简单的堆叠，然后直接输入支持向量机SVM中进行分类，由此导致输入的特征中包含较多的冗余信息，未能有效反应极化SAR图像的本质特征，使得分类效率大大下降。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于深度RPCA的极化SAR地物分类方法。本发明充分利用极化SAR图像的像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征和邻域信息特征，通过深度鲁棒主成分分析RPCA，得到样本的二阶特征，然后以超像素代替像素点对超像素进行分类，提高特征的有效性，提高分类精度和分类效率。

实现本发明上述目的的思路是：对待分类的极化SAR图像进行精致Lee滤波，提取滤波后图像的像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征、邻域信息特征组合成特征组，将特征组归一化结果作为深度鲁棒主成分分析RPCA的原始输入数据；选择训练样本和测试样本；用训练样本训练深度鲁棒主成分分析RPCA，得到训练样本的二阶特征；用训练样本的二阶特征训练支持向量机SVM；从滤波后的极化SAR图像中，生成超像素，并用训练好的支持向量机SVM对超像素进行分类；对分类后的极化SAR图像进行上色输出。

本发明的步骤包括如下：

(1)读入一幅待分类的极化SAR图像；

(2)滤波：

采用精致极化LEE滤波法，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图像像素点的相干矩阵；

(3)提取特征：

(3a)从滤波后的极化SAR图像的像素点的相干矩阵中，提取每个像素点的功率、数据分布特征参数和相对峰值；

(3b)利用泡利Pauli分解方法，对每个像素点提取3个表征泡利Pauli分解的散射特征参数；

(3c)利用弗里曼—得登Freeman-Durden分解方法，对每个像素点提取9个表征弗里曼—得登Freeman-Durden分解的散射特征参数；

(3d)利用克拉徳Cloude分解方法，对每个像素点提取6个表征克拉徳Cloude分解的散射特征参数；

(3e)利用慧能Huynen分解方法，对每个像素点提取9个表征慧能Huynen分解的散射特征参数；

(3f)利用克罗艾厄Krogager分解方法，对每个像素点提取3个表征克罗艾厄Krogager分解的散射特征参数；