基于模糊稀疏lssvm的极化sar图像分类方法
【专利摘要】本发明提出了一种基于模糊稀疏LSSVM的极化SAR图像分类方法，主要解决现有的技术对极化合成孔径雷达SAR图像分类，所用时间长和分类精度低的问题。其实现步骤是：(1)输入图像；(2)预处理；(3)特征提取；(4)选取训练样本；(5)计算模糊隶属度；(6)训练分类器；(7)分类；(8)计算分类精度。本发明具有能克服噪声对训练分类器的影响、分类速度快、分类精度高等优点，能够有效地对极化合成孔径雷达SAR图像分类，实现目标识别与跟踪定位。
【专利说明】基于模糊稀疏LSSVM的极化SAR图像分类方法
【技术领域】
[0001] 本发明属于图像处理【技术领域】，更进一步涉及图像分类【技术领域】中的一种基于模 糊稀疏最小二乘支持向量机（Least Squares Support Vector Machine LSSVM)的极化合 成孔径雷达（Synthetic Aperture Radar SAR)图像分类方法。本发明可用于对极化SAR 图像进行地物分类并标记，实现目标识别与跟踪定位。
【背景技术】
[0002] 极化SAR图像分类可以认为是对图像中的像素点进行分类的过程，根据图像中每 个像素点的属性特征判断该像素点所属的类别，完成对图像的分类。由于统计学习理论是 一种专门研究小样本情况下的机器学习理论，基于统计学习理论的支持向量机是一种有效 的监督分类器，已广泛应用于目标识别与图像分割等领域。
[0003] 孟云闪发表的论文"LSSVM算法在极化SAR影响分类中的应用"(《地理空间信息》， 文章编号：1672-4623(2012)03-0043-03)中公开了一种用LSSVM对极化SAR图像分类的方 法。该方法的实现过程为，首先对极化SAR影像进行目标分解，提取5个参数组成的矢量集 作为特征，其次将特征矢量集进行线性归一化处理，最后将传统的SVM分类器和LSSVM分类 器进行性能对比，并采用LSSVM获得分类结果。该方法的不足之处在于，此方法最终选择了 LSSVM分类器，此分类模型无法保证得到的解是全局最优解，并且解缺乏稀疏性，容易导致 过拟合，无法克服孤立点和噪声的影响，导致分类精度低。
[0004] 西安电子科技大学申请的专利"一种基于半监督SVM和MeanShift的极化SAR图 像分类方法"（专利申请号：201410076676. 9,公布号：CN103914704A)。该方法的实现过程 为，首先分别建立极化SAR图像分类训练集和分类测试集，其次用SVM算法获得极化SAR图 像的分类结果，选取置信度高的样本集，用MeanShift修改SVM分类结果，更新样本集、测试 集和分类模型，最后用该分类模型对极化SAR图像进行分类。该方法的不足之处在于，此方 法采用了传统的SVM分类器，需要借助二次规划求分类模型，所以在对极化SAR图像进行分 类时，由于数据量较大，导致计算复杂度高，训练时间长，效率低下。
【发明内容】
[0005] 本发明方法的目的在于克服上述现有技术的不足，提出一种基于模糊稀疏最小二 乘支持向量机LSSVM的极化SAR图像方法。该方法采用了将训练样本集的模糊隶属度加入 到了稀疏最小二乘支持向量机分类器的模型中，有效克服了噪声对构造分类面的影响，实 现了对极化合成孔径雷达SAR图像的准确分类。
[0006] 本发明的具体步骤如下：
[0007] (1)输入图像：
[0008] 输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵；
[0009] (2)预处理：
[0010] 对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波 器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3 的矩阵；
[0011] ⑶特征提取：
[0012] 依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向 量，将所有元素的特征向量构成一个特征矩阵；
[0013] ⑷选取训练样本：
[0014] 从特征矩阵中随机选择5%的特征向量作为训练样本集，剩余的95%作为测试样 本集；
[0015] (5)计算模糊隶属度：
[0016] (5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本 集中剩余的训练样本组成负类样本集；
[0017] (5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射 到特征空间；
[0018] (5c)采用类半径公式，分别计算正、负类样本集的类半径；
[0019] (5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中 心距；
[0020] (5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得 到训练样本集的模糊隶属度；
[0021] (6)训练分类器：
[0022] 将训练样本集的模糊隶属度和步骤（4)得到的训练样本集，输入到稀疏最小二乘 支持向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器；
[0023] (7)分类：
[0024] (7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷 达SAR图像中每个像素点进行标记，得到分类结果，完成分类；
[0025] (7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所 用的分类时间；
[0026] (8)计算分类精度：
[0027] 统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素 点个数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的 百分比，得到分类精度。
[0028] 本发明与现有技术相比具有如下优点：
[0029] 第一、由于本发明采用了稀疏最小二乘支持支持向量机分类器，克服了现有技术 采用最小二乘支持向量机需要求解多个线性方程的复杂模型，导致运算复杂度高，训练速 度慢，得到的解不稀疏的问题，使得本发明的分类速度快，有利于实现对图像的快速分类。
[0030] 第二、由于本发明将模糊隶属度加入到了选择的训练集中，克服了现有技术在训 练分类器时，训练样本中夹杂的噪声对构造分类面的影响，导致分类精度低的问题，使得本 发明能够实现对图像的准确分类，提高了分类精度。
【专利附图】
【附图说明】
[0031] 图1为本发明的流程图；
[0032] 图2为1989年AIRSAR平台获得的Flevoland, Netherlands地区的L波段的多视 极化SAR数据的合成图；
[0033] 图3为1989年AIRSAR平台获得的Flevoland, Netherlands地区的L波段的多视 极化SAR数据的合成图对应的实际地物标记图；
[0034] 图4为本发明对1989年AIRSAR平台获得的Flevoland, Netherlands地区的L波 段的多视极化SAR数据的合成图进行分类的分类结果图。
【具体实施方式】
[0035] 下面结合附图对本发明做进一步的详细描述。
[0036] 参照附图1，对本发明的具体实施步骤做进一步的详细描述。
[0037] 步骤1，输入图像。
[0038] 输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵。
[0039] 在本发明实施例中，由WINDOWS XP系统输入一幅待分类的极化合成孔径雷达SAR 图像的相干矩阵。其中，待分类的极化合成孔径雷达SAR图像的相干矩阵是一个3*3*N的 矩阵，N表示待分类的极化合成孔径雷达SAR图像像素的总数，待分类的极化合成孔径雷达 SAR图像中的每个像素为一个3*3的矩阵。
[0040] 步骤2,预处理。
[0041] 对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波 器滤除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3 的矩阵。
[0042] 步骤3,特征提取。
[0043] 依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向 量，将所有元素的特征向量构成一个特征矩阵。
[0044] 步骤4,选取训练样本。
[0045] 从特征矩阵中随机选择5%的特征向量作为训练样本集，剩余的95%作为测试样 本集。
[0046] 其中训练样本集中每个训练样本为一个1*9的特征向量。
[0047] 步骤5,计算模糊隶属度。
[0048] 选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中 剩余的训练样本组成负类样本集。
[0049] 采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特 征空间，径向基核函数公式如下：
[0050]
【权利要求】
1. 一种基于模糊稀疏LSSVM的极化SAR图像分类方法，具体步骤如下： ⑴输入图像： 输入一幅待分类的极化合成孔径雷达SAR图像的相干矩阵； (2) 预处理： 对输入的极化合成孔径雷达SAR图像的相干矩阵，采用7*7窗口大小的Lee滤波器滤 除相干噪声，得到滤波后的相干矩阵，其中，滤波后的相干矩阵中每个元素是一个3*3的矩 阵； (3) 特征提取： 依次对滤波后的相干矩阵中的每个元素对应的3*3矩阵，拉成一个1*9的特征向量，将 所有元素的特征向量构成一个特征矩阵； (4) 选取训练样本： 从特征矩阵中随机选择5%的特征向量作为训练样本集，剩余的95 %作为测试样本 集； (5) 计算模糊隶属度： (5a)选取训练样本集中属于同一类别的训练样本，组成正类样本集，将训练样本集中 剩余的训练样本组成负类样本集； (5b)采用径向基核函数公式，将正、负类样本集中每个训练样本从原始空间映射到特 征空间； (5c)采用类半径公式，分别计算正、负类样本集的类半径； (5d)采用类中心距公式，计算正、负类样本集中每个训练样本到所属类别的类中心 距； (5e)采用模糊隶属度公式，计算正、负类样本集中每个训练样本的模糊隶属度，得到训 练样本集的模糊隶属度； (6) 训练分类器： 将训练样本集的模糊隶属度和步骤（4)得到的训练样本集，输入到稀疏最小二乘支持 向量机LSSVM分类器，训练模糊稀疏最小二乘支持向量机LSSVM分类器； (7) 分类： (7a)用模糊稀疏最小二乘支持向量机LSSVM分类器，对待分类的极化合成孔径雷达SAR图像中每个像素点进行标记，得到分类结果，完成分类； (7b)记录模糊稀疏最小二乘支持向量机LSSVM分类器从开始标记到完成分类所用的 分类时间； (8) 计算分类精度： 统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个 数，计算类别标签相同像素点个数占待分类的极化合成孔径雷达SAR图像总像素数的百分 t匕，得到分类精度。
2. 根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于， 步骤（1)所述的待分类的极化合成孔径雷达SAR图像的相干矩阵是一个3*3*N的矩阵，其 中，N表示待分类的极化合成孔径雷达SAR图像像素的总数，待分类的极化合成孔径雷达 SAR图像中的每个像素为一个3*3的矩阵。
3. 根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于， 步骤（5b)所述的径向基核函数公式如下：
其中，K(X，Y)表示训练样本X和训练样本Y的核，||1 - 表示训练样本X和训练样本 Y之间欧式距离的平方，S表示径向基核函数的径向宽度。
4. 根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于， 步骤（5c)所述的类半径公式如下：
其中，r表示正类或负类样本集的类半径，K(?)表示径向基核函数，X、Y、Z分别表示 正类或负类样本集中任意一个训练样本，n表示正类或负类样本集中训练样本的总个数，C 表示正类或负类样本集。
5. 根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于， 步骤（5d)所述的类中心距公式如下：
其中，Cli表示正类或负类样本集中第i个训练样本到其类中心之间的距离，K( ?)表示 径向基核函数，Xi表示正类或负类样本集中第i个训练样本，n表示正类或负类样本集中 样本的总数，C表示正类或负类样本集，Y、Z分别表示正类或负类样本集中任意一个训练样 本。
6. 根据权利要求1所述的基于模糊稀疏LSSVM的极化SAR图像分类方法，其特征在于， 步骤（5e)所述的模糊隶属度公式如下：
其中，Si表示正类或负类样本集中第i个训练样本的模糊隶属度，Cli表示正类或负类样 本集中第i个训练样本到其所属类别中心之间的距离，r表示正类或负类样本集的类半径， S为0.Ol的常数。
【文档编号】G06K9/62GK104268555SQ201410462117
【公开日】2015年1月7日 申请日期:2014年9月11日 优先权日:2014年9月11日
【发明者】焦李成, 马文萍, 隋艳立, 马晶晶, 侯彪, 王爽, 杨淑媛 申请人:西安电子科技大学