[发明专利]一种基于多特征融合的极化SAR图像分类方法

说明书

本发明公开了一种基于多特征融合的极化SAR图像分类方法。本发明首先提取待分类极化SAR图像的极化特征向量，得到高维极化特征集；提取该图像SPAN处理结果的形态学断面特征向量，得到高维形态学特征集；将两类高维特征分别进行保局辨别分析的降维处理后，选取已知类别标签的图像像素点构成训练样本集，再选取整幅图像的其余像素点作为分类样本集；将两类低维特征分别通过基于最大后验概率的SVM，得到各自情况下像素点的类别标签及对应后验概率；采用求和准则或自适应加权求和准则，将每个像素点在两种情况下的后验概率向量结合起来，依据最大后验概率原则，得到高分辨极化SAR图像的最终分类结果。本发明实施，有助于提高分辨极化SAR图像分类准确率及效率。

技术领域

本发明属于雷达图像处理与解译技术，即对高分辨极化合成孔径雷达图像进行地物分类处理，具体涉及一种基于多特征融合的极化SAR图像分类方法。

背景技术

近年来，我国在各个领域均实现了合成孔径雷达(SAR)的成功应用。SAR的成功应用依赖于有效的SAR图像处理与解译技术，而其前提是SAR图像的分类技术。通过分类，可以有效获取SAR图像中的地物信息，为多种应用如城市规划、农作物与森林观测、灾害评估以及地面目标识别等提供帮助，因此SAR图像分类技术占有非常重要的地位。

现有的SAR成像技术不断在发展。其中一个主要趋势是分辨率的提高。SAR系统分辨率的提高，不仅可以使SAR图像中纹理信息更为丰富，还使得SAR传感器获取的地物信息更为细致。另一方面，SAR系统渐渐演变出多极化的工作模式。通过在不同极化方式下所获取的散射回波信号，可以分析目标散射机制，不仅能避免目标信息的不确定性问题，还能增强杂波抑制与抗干扰能力。因此，为了进一步地获得更好的分类结果，出现了针对高分辨率极化合成孔径雷达图像(PolSAR)进行分类问题的研究。

然而：(1)当前对极化信息资源的开发和利用还远远不够，主要停留在对基于极化目标分解的方法研究。而使用单一的极化信息来进行图像分类是远远不够的，会大范围出现“错分”、“误分”的现象；(2)在高分辨条件下，雷达图像中的纹理信息更为丰富，让原本在中低分辨率条件下无法观测到的地物起伏在高分辨率条件下变得十分明显，此时利用空间特征来对图像进行分类，能够取得事半功倍的效果。M.Pesaresi等人介绍了一种应用一系列形态学滤波的方法——形态学断面(Morphological profiles，MPs)，其主要思想是基于纹理基元的类型和数目以及基元之间的“重复性”的空间组织结构和排列规则来进行纹理切割。该方法提取得到的MP特征(形态学断面特征，是形态学特征/空间特征的一种)，根据其结构基元的形状、尺寸的不同，能够对高分辨雷达图像实现多尺度地展示其丰富的空间信息，较小的尺度可以表示细节和边缘信息，较大的尺度可以减少同类型区域内部变化，这样能够最大程度上实现对雷达图像的合理分类；(3)由于分辨率的提高，提取的特征的维数也越来越高。但是这些高维特征不可避免地会产生大量冗余信息，在分类器中占据运算容量，导致分类效率急剧下降。因而需要在分类前对输入特征进行降维处理。典型的降维方法有线性降维方法及流形学习方法，线性降维方法是基于高斯假说的，但是现实数据往往是处于复杂的非线性空间中，需要非线性方法去发掘潜在结构的，并且线性降维方法对数据空间中的几何、局部分布式结构不具备囊括能力，而这些信息对分类至关重要；非线性降维方法中的流形学习方法，假定的前提是特征可以保留于低维流形结构中，然而流形学习固有的非监督性以及非辨别性让其难以实际应用，且让不同类别的特征向量无法最佳地分离，易造成错分误分现象；(4)结合两类特征中最突出的问题是如何把不同种类的特征有效地结合起来，这就需要所谓的信息融合技术。信息融合的难点，一是不同特征所处空间不同，对应核函数也不同；二是可能会破坏原有特征信息，特别是两种特征量级相差巨大的情况；三是特征种类增多，占据运算容量增大，易造成运算效率下降。目前在极化SAR图像解译中对信息融合方式尚未深入研究。

发明内容

本发明的发明目的在于：为了克服现有对极化SAR图像分类方法的不足之处，以提高对高分辨极化SAR图像的分类效果，公开了一种基于多特征融合的极化SAR图像分类方法。