[发明专利]基于高斯滤波和PSO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，具体涉及极化合成孔径雷达SAR图像地物分类方法，可用于地物分类与目标识别。

背景技术

极化SAR是先进的SAR系统，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，极化SAR可以获得更丰富的地物信息。

极化SAR图像解译的重要研究问题之一是极化SAR地物分类。极化SAR地物分类的目的就是利用机载或星载极化传感器得到的测量数据，将有相似性质的地物划分成一类，具体来说确定极化SAR图像每个像素点所对应的类别。

根据是否需要人工指导，极化SAR地物分类可分为有监督分类、半监督分类和无监督分类。根据是否利用先验信息，可分为基于单像素点的分类方法和结合邻域信息的分类方法。传统大多数方法是单像素点的分类方法，例如:复Wishart分布的极化相干矩阵监督分类，人工神经网络NN和支持向量机SVM等方法。极化SAR地物信息除了有单像素点的信息还有空间邻域信息，而以上方法都是只基于单像素点进行分类，所以分类效果较低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于高斯滤波和PSO的极化SAR地物分类方法，以在充分利用基于单像素点分类方法获得的分类信息的基础上，自适应的结合空间邻域信息，提高SAR地物分类的准确率。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入待分类极化SAR图像的相关信息和用现有基于单像素点方法对该极化SAR图像的分类结果，构造C幅类别图P_i，i∈{1,2,...,C}，C为类别总数；

(2)对每幅类别图P_i分成Z幅子图，获得C×Z幅子类别图Q_ij，j∈{1,2,...,Z}；

(3)当j＝k时，k为实数，构建以最大化训练样本整体准确率OA＝G(R_k(σ),T)/N的目标函数为:

其中σ为方差，T为标记类别，R_k(σ)为Q_ik经过方差为σ的高斯滤波后的分类类别，G为计算R_k(σ)与T相同的个数的函数，N为标记样本总数；

(4)迭代优化(3)中的目标函数，获得最优方差σ^*；

(5)对C幅子类别图Q_ik，i∈{1,2,...,C}进行最优方差为σ^*的高斯滤波，得到滤波后的图像F_ik；

(6)将C幅滤波后的图像F_ik上位置为x的像素点的值进行比较，i∈{1,2,...,C}，得到最大值所在的图像F_yk，y为实数，y∈{1,2,...,C}，则位置为x的像素点的类别为y，如此处理每一点获得第k幅子图的最终分类结果R_k；

(7)将Z幅子图都按照(3)-(6)的步骤依次进行处理，获得Z幅子图的分类结果，再将Z幅子图的分类结果进行合并获得整个待分类极化SAR图像的分类结果。

本发明与现有的技术相比具有以下优点：

1.本发明在保证现有基于单像素点方法分类准确率的基础上，经过高斯滤波结合空间邻域信息，从而能够显著的提高极化SAR地物的分类准确率；

2.本发明利用高斯滤波，通过改变方差，可改变高斯滤波器的空间邻域作用范围和影响权重；

3.本发明利用优化算法对高斯滤波器中的参数方差进行自适应寻优，能找到最优解，从而提高分类准确率；

4.本发明利用构建的目标函数作为选择高斯滤波器参数方差的依据，所以参数方差的选择具有目标指导性；

5.本发明将待分类极化SAR图像划分成多幅子图分别处理，如此能够考虑每块子图之间地物信息的差异，有针对地对每幅子图进行最优化处理，从而提高了合并后整幅图的分类准确率。

附图说明

图1是本发明的实现总流程图；

图2是本发明第一实施例的待分类极化SAR图像及分类结果图；

图3是本发明第二实施例的待分类极化SAR图像及分类结果图；

图4是本发明第三实施例的待分类极化SAR图像及分类结果图。

具体实施方式

参照附图1，本发明给出如下三种实施例：

实施例1，对德国地区极化SAR图像进行分类。

德国地区极化SAR图像的伪彩色图如2(a)所示，其大小为1300×1200；

德国地区极化SAR图像的标记图如2(b)所示；