本发明涉及图像处理
技术领域：
，具体涉及一种极化sar图像有监督分类方法及装置。
背景技术：
：极化合成孔径雷达(syntheticapertureradar，sar)利用不同的极化通道组合，能获得比传统sar更丰富、更详细的地物信息，因而被广泛应用于农业、军事、海洋等领域。极化sar图像分类是极化sar图像处理和极化sar图像解译的重要内容。现有的极化sar图像分类方法用到的特征主要是从极化sar数据，如极化散射矩阵s、极化相干矩阵t和极化协方差矩阵c等，以及各种极化目标分解方法中提取的。近年来，纹理特征和颜色特征也被用于极化sar图像分类的特征。但是由于大量特征之间的冗余性，一些单视角子空间学习方法，如主成分分析pca，拉普拉斯特征映射le，用于提取极化sar数据的特征时，忽略了不同视角特征之间的差异性和关联性。多视角子空间学习方法虽然避免了上述技术问题，但是多视角子空间学习方法在极化sar图像分类方面难以同时保持数据结构、判别信息和视角信息，进而导致极化sar图像的分类精度不佳。多视角子空间学习方法主要包括典型相关分析cca方法、多视角典型相关分析mcca方法以及多视角判别分析mvda方法。其中，典型相关分析cca方法只能处理两个视角的数据，而且该方法没有利用判别信息。多视角典型相关分析mcca方法是典型相关分析cca方法的多视角拓展，该方法可以处理多视角数据，但是该方法没有利用判别信息和数据结构的保持。多视角判别分析mvda方法虽然可以处理多视角数据且该方法利用了判别信息，但是该方法没有考虑到保持数据结构。技术实现要素：为了解决现有技术中的上述问题，即为了解决如何充分利用极化sar的多视角特征提高图像的分类精度的技术问题，本发明提供了一种极化sar图像有监督分类方法及装置。在第一方面，本发明中的极化sar图像有监督分类方法，包括：依据预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，以及预设真实地物标记图像，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵；依据所获取的各降维映射矩阵，获取各像素点的低维特征；依据所述获取的各像素点的低维特征，利用预设分类器对待分类的各像素点进行分类；其中，所述预设多视角子空间学习模型为依据多视角典型相关分析mcca方法模型，并结合数据结构和判别信息的保持以及自适应权重参数构建的模型：其中，i＝1,2,…,v，且为v个视角的样本数据集，所述为v个视角对应的映射向量，所述为v个视角的对应的视角权重，所述di为第i个视角特征的维数，所述n为样本数目，所述wi表示映射矩阵wi的任意一个列向量，且所述d为降下来的维数，所述t表示转置；所述r和β为参数。优选地，所述预设训练样本为依据预设真实地物标记的类别，从待分类的极化sar图像中随机选取预设数量的各类别的像素点。优选地，所述方法在“依据各像素点的低维特征，利用分类器对待分类的像素点进行分类”的步骤之后还包括下述步骤：用不同颜色标识极化sar图像中分类结果中的每一类样本，得到极化sar图像分类结果彩图。优选地，所述方法在“依据训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，利用多视角子空间学习模型获取其各自对应的降维映射矩阵”的步骤之前还包括下述步骤：利用滤波器对所述待分类的极化sar图像进行滤波；依据滤波后的待分类的极化sar图像，采用极化sar原始数据和目标分解方法，获取极化特征向量集；依据滤波后的待分类的极化sar图像，采用灰度共现矩阵和gabor滤波方法，获取纹理特征向量集；依据滤波后的待分类的极化sar图像，采用rgb和hsv颜色直方图方法，获取颜色特征向量集；依据所获取的极化特征向量集、纹理特征向量集和颜色特征向量集获取所述训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集。优选地，所述方法还包括依据所述预设多视角子空间学习模型，迭代求解得到v个视角对应的映射矩阵和v个视角的对应的视角权重具体步骤为：固定所述采用拉格朗日乘子算法，得到v个视角的对应的视角权重固定所述采用拉格朗日乘子算法，得到每个视角对应的d个映射向量wi1,wi2,…,wid，进而构成映射矩阵wi＝[wi1,wi2,…,wid]其中，i＝1,…,v。在第二方面，本发明中的极化sar图像有监督分类装置，包括：第一获取模块、第二获取模块和分类模块；所述第一获取模块，配置为依据预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，以及真实地物标记图像，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵；所述第二获取模块，配置为依据所述第一获取模块所获取的各降维映射矩阵，获取各像素点的低维特征；所述分类模块，配置为依据所述第二获取模块所获取的各像素点的低维特征，利用预设分类器对待分类的各像素点进行分类；其中，所述预设多视角子空间学习模型如下式所示：优选地，所述装置还包括标识模块；所述标识模块，配置为用不同颜色对所述分类模块所获取的分类结果中的每一类样本进行标识，得到极化sar图像分类结果彩图。优选地，所述装置还包括滤波模块、极化特征向量集获取模块、纹理特征向量集获取模块、颜色特征向量集获取模块和第三获取模块；所述滤波模块，配置为利用滤波器对待分类的极化sar图像进行滤波；所述极化特征向量集获取模块，配置为依据所述滤波模块所获取的滤波后的极化sar图像，采用极化sar原始数据和目标分解方法，获取极化特征向量集；所述纹理特征向量集获取模块，配置为依据所述滤波模块所获取的滤波后的极化sar图像，采用灰度共现矩阵和gabor滤波方法，获取纹理特征向量集；所述颜色特征向量集获取模块，配置为依据所述滤波模块所获取的滤波后的极化sar图像，采用rgb和hsv颜色直方图方法，获取颜色特征向量集；所述第三获取模块，配置为依据所述极化特征向量集获取模块所获取的极化特征向量集，所述纹理特征向量集获取模块所获取的纹理特征向量集以及所述颜色特征向量集获取模块所获取的颜色特征向量集，获取所述训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集。在第三方面，本发明中的存储装置，其中存储有多条程序，适用于由处理器加载并执行以实现上述技术方案所述的极化sar图像有监督分类方法。在第四方面，本发明中的处理装置，包括处理器，适于执行各条程序；以及存储设备，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述技术方案所述的极化sar图像有监督分类方法。与最接近的现有技术相比，上述技术方案至少具有以下有益效果：1.本发明的极化sar图像有监督分类方法中，充分的利用了极化sar图像的多视角特征，如极化特征、纹理特征和颜色特征，克服了现有技术中只利用单一视角特征导致的图像分类不准确的问题。2.在充分利用极化sar图像多视角特征的基础上，还很好的保持了数据结构、判别信息和视角信息，克服了现有技术中多视角子空间学习方法提取特征的过程中信息保持不全面导致的图像分类精度低的问题。附图说明图1是本发明实施例的极化sar图像有监督分类方法的主要步骤示意图；图2(a)是本发明实施例仿真实验中使用的极化sar伪彩色图像；图2(b)是本发明实施例仿真实验中极化sar伪彩色图像真实类别标记图；图2(c)是本发明实施例仿真实验中采用多视角典型相关分析方法的仿真结果图；图2(d)是本发明实施例仿真实验中采用多视角判别分析方法的仿真结果图；图2(e)是本发明实施例仿真实验中采用有监督wishart分类器swc方法的仿真效果图；图2(f)是本发明实施例仿真实验中采用本发明中的极化sar图像有监督分类方法的仿真效果图。具体实施方式下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。下面结合附图，对本发明实施例中极化sar图像有监督分类方法进行说明。参阅附图1，图1示例性的示出了极化sar图像有监督分类方法的主要步骤。如图1所示，本实施例中极化sar图像有监督分类方法可以包括步骤s1、步骤s2和步骤s3。步骤s1，依据预设训练样本的三个视角特征向量集，即极化特征向量集、纹理特征向量集和颜色特征向量集，以及预设真实地物标记图像，利用预设多视角子空间学习模型获取三个视角特征向量集对应的降维映射矩阵。预设多视角子空间学习模型为依据多视角典型相关分析mcca方法模型，并结合数据结构和判别信息的保持以及自适应权重参数构建的模型：如下式(1)所式：其中，i＝1,2,…,v，且为v个视角的样本数据集，为v个视角对应的映射向量，为v个视角的对应的视角权重，di为第i个视角特征的维数，n为样本数目，wi表示映射矩阵wi的任意一个列向量，且d为降下来的维数，t表示转置；r和β为参数。具体地，本实施例中多视角典型相关分析mcca方法模型入下式(2)所示：其中，i＝1,2,…,v，且具体地，本实施例中用于保持数据结构和判别信息，且视角权重α1,α2,…,αv是未知的，满足非负约束条件，可根据数据自适应调整。具体的，如下式(3)所示：其中，l＝d-g，d为对角线矩阵，其对角线元素为n为样本数目，p、q为样本，gpq是矩阵g的元素，矩阵g表征了数据的局部结构和判别信息，其元素构造方式如下式(4)所示：其中，样本p和样本q属于k邻近样本，且属于同一类，cp和cq为m×m的协方差矩阵，t为参数，距离dsrw是修正wishart距离的对称版本，dsrw如下式(5)所示：进一步地，本实施例中可以依据多视角子空间学习模型，迭代求解得到v个视角对应的映射向量和v个视角的对应的视角权重具体步骤包括步骤s11和步骤s12。步骤s11，固定采用拉格朗日乘子算法得到v个视角的对应的视角权重如下式(6)所示：具体地，本实施例中通过固定求解可以得到第一优化任务如下式(7)所示：其中，步骤s12，固定采用拉格朗日乘子算法，得到每个视角对应的d个映射向量wi1,wi2,…,wid，进而构成映射矩阵，如下式(8)所示：wi＝[wi1,wi2,…,wid](8)其中，i＝1,…,v。具体地，本实施例中，通过固定求解可以得到第二优化任务,如下式(9)所示：其中，采用拉格朗日乘子算法，得到广义特征值分解任务,如下式(10)所示：aw＝μb(10)其中，a如下式(11)所示：b如下式(12)所示：w如下式(13)所示：通过广义特征值分解，得到的最大的d特征值对应的特征向量，进而构成v个映射矩阵wi＝[wi1,wi2,…,wid],i＝1,…,v。完成了预设多视角子空间学习模型的构建之后，还需要选取训练样本作为模型的输入，获取各特征向量集对应的降维映射矩阵。进一步地，本实施例中预设训练样本为依据预设真实地物标记的类别，从待分类的极化sar图像中随机选取预设数量的各类别的像素点。具体地，本实施例中预设数量可以为100，则本实施例中所获取的预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集分别为x1、x2和x3，且x1∈r55×100,x2∈r56×100,x3∈r40×100，获得三个特征向量集所对应的映射矩阵分别为w1、w2和w3。进一步地，本实施例中在利用预设预设多视角子空间学习模型获取三个特征向量集各自对应的降维映射矩阵之前还包括步骤a1，步骤a2，步骤a3、步骤a4和步骤a5。步骤a1，利用滤波器对待分类的极化sar图像进行滤波。具体地，本实施例中可以采用滤波窗口大小为7*7像素的精致lee滤波器，对待分类的极化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。步骤a2，依据滤波后的待分类的极化sar图像，采用极化sar原始数据和目标分解方法，获取极化特征向量集。具体地，本实施例中获取极化特征向量集的步骤具体包括：步骤a21、步骤a22、步骤a23和步骤a24。步骤a21，提取协方差矩阵c的上三角3个元素的实部值和虚部值以及对角线上3个元素，构成9个极化特征；并提取相干矩阵t的上三角3个元素的实部值和虚部值以及对角线上3个元素，构成9个极化特征。步骤a22，提取基于原始数据的简单变换得到的6个极化特征，包括vv和hh通道，hv和hh通道，hv和vv通道的后向散射系数的比率，hh-vv通道的相位差异，去极化比率，总功率。步骤a23，提取pauli分解的3个极化特征：奇次散射功率|a|2，偶次散射功率|b|2，偶次散射功率|c|2π/4；提取krogager分解的3个极化特征：球体散射功率|ks|2，二面体散射功率|kd|2和螺旋体散射功率|kh|2；提取freeman分解的6个极化特征：表面散射项对应的系数fs、偶次散射项对应的系数fd、体散射项对应的系数fv、面散射功率ps、偶次散射功率pd和体散射功率pv；提取h/a/alpha分解的6个极化特征：对协方差矩阵或相干矩阵进行特征值分解得到的三个特征值λ1,λ2,λ3以及基于三个特征值计算得到的h熵，各向异性系数a和平均散射角提取huynen分解的10个极化特征：目标规则a0、平滑和凸起部分的总体散射功率，目标不规则b0、粗糙和非凸起部分的总散射功率，目标不对称成分总的散射功率b0-b，目标不规则成分总的散射功率b0+b，目标线性程度c，目标的曲率d，目标的扭曲度e，目标的螺旋性f，目标的重叠程度g，目标的方向h；其中，vanzyl分解的三个特征值λ1,λ2,λ3作为3个极化特征。步骤a24，将每个像素点的极化特征表示成55*1的向量。步骤a3，依据滤波后的待分类的极化sar图像，采用灰度共现矩阵和gabor滤波方法，获取纹理特征向量集。具体地，本实施例中获取纹理特征向量集的步骤具体包括：步骤a31，步骤a32和步骤a33。步骤a31，计算距离为1个像素点和4个方向(0°,45°,90°,135°)的灰度共现矩阵，进而得到能量、熵、相关性和对比度4个特征，总计16个特征。步骤a32，通过gabor滤波方法，计算5个尺寸和8个方向下的40个图像幅度均值，作为特征。步骤a33，将每个像素点的纹理特征表示成56*1的向量。步骤a4，依据滤波后的待分类的极化sar图像，采用rgb和hsv颜色直方图方法，获取颜色特征向量集。具体地，本实施例中获取颜色特征向量集的步骤具体包括：步骤a41、步骤a42和步骤a43。步骤a41，基于rgb和hsv颜色空间的三个通道的灰度直方图，计算均值、方差、偏度、峰度、能量和熵6个特征，总共36个特征。步骤a42，计算hsv颜色空间的4个主导颜色比例，作为特征。步骤a43，将每个像素点的颜色特征表示成40*1的向量。步骤a5，依据所获取的极化特征向量集、纹理特征向量集和颜色特征向量集获取训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集。步骤s2，依据所获取的各降维映射矩阵，获取各像素点的低维特征。具体地，本实施例中所获取的待分类像素点的极化特征向量集、纹理特征向量集和颜色特征向量集分别为y1、y2和y3，可以利用步骤s1中所获取的预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集各自对应的降维映射矩阵w1、w2和w3，并通过计算，获得各像素点的低维特征：步骤s3，依据获取的各像素点的低维特征，利用预设分类器对待分类的各像素点进行分类。具体地，本实施例中基于步骤2中所获取的各像素点的低维特征，利用预设分类器对待分类的像素点进行分类。其中，预设分类器可以为支持向量机svm分类器。进一步地，本实施中对待分类的像素点进行分类之后，还可以包括步骤s4:步骤s4，用不同颜色标识极化sar图像中分类结果中的每一类样本，得到极化sar图像分类结果彩图。本发明的效果可以通过下述仿真实验进行详细的说明。本发明的仿真实验是在intelxeib2.6ghzcpu,64gram的服务器硬件环境和matlabr2015a的软件环境下进行的。图2(a)为本发明实施例的仿真实验中使用的极化sar伪彩色图像，图2(b)是仿真实验中极化sar伪彩色图像真实类别标记图，图2(c)是仿真实验中采用多视角典型相关分析方法mcca的仿真结果图，图2(d)是仿真实验中采用多视角判别分析方法的仿真结果图，图2(e)是仿真实验中采用有监督wishart分类器swc的仿真效果图，图2(f)是仿真实验中采用本发明中的极化sar图像有监督分类方法的仿真效果图。如图2(a)所示，该图像是美国宇航局喷气推进实验室(nasa/jpl)的airsar系统获取的荷兰flevoland地区的数据，其位于l波段，是一个四视的全极化数据，原始大小为750*1024，用于仿真实验的为其200*320的子图像，已经过滤波处理，该区域包含9类地物：茎豆(stembeans)、土豆(potatoes)、苜蓿(lucerne)、冬小麦1(winterwheati)、冬小麦2(winterwheatii)、裸地(baresoil)、甜菜(sugarbeet)、油菜(rapeseed)、草地(grass)。本发明的仿真实验将待分类的极化sar图像分成9类。分别将图2(c)、图2(d)、图2(e)和图2(f)对比，可以看出，采用本发明中的极化sar图像有监督分类方法，相比于mcca、mvda和swc，区域内错分杂点较少，区域一致性较好。多视角典型相关分析方法、多视角判别分析方法、有监督wishart分类器swc方法和本发明中极化sar图像有监督分类方法对分类正确率进行统计，结果如表1所示：表1仿真方法分类准确率多视角典型相关分析方法0.9067多视角判别分析方法0.9318有监督wishart分类器swc方法0.9268本发明0.9544从表1中可以看出，用本发明方法相比于其他三种方法，在分类正确率上有提高，这主要是因为本发明充分利用了多视角特征以及它们之间的关系，从而提高了图像分类的分类精度。基于与极化sar图像有监督分类方法实施例相同的技术构思，本发明实施例还提供了一种极化sar图像有监督分类装置。下面对该极化sar图像有监督分类装置进行具体说明。本实施中极化sar图像有监督分类装置还可以包括第一获取模块、第二获取模块和分类模块。其中，第一获取模块可以配置为依据预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，以及真实地物标记图像，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵。第二获取模块可以配置为依据第一获取模块所获取的各降维映射矩阵，获取各像素点的低维特征。分类模块可以配置为依据第二获取模块所获取的各像素点的低维特征，利用预设分类器对待分类的各像素点进行分类；其中，预设多视角子空间学习模型如公式(1)所示。进一步地，本实施例中极化sar图像有监督分类装置还可以包括标识模块；标识模块可以配置为用不同颜色对分类模块所获取的分类结果中的每一类样本进行标识，得到极化sar图像分类结果彩图。进一步地，本实施例中a模块还可以包括滤波模块、极化特征向量集获取模块、纹理特征向量集获取模块、颜色特征向量集获取模块和第三获取模块。滤波模块可以配置为利用滤波器对待分类的极化sar图像进行滤波。极化特征向量集获取模块可以配置为依据滤波模块所获取的滤波后的极化sar图像，采用极化sar图像和目标分解方法，获取极化特征向量集。纹理特征向量集获取模块可以配置为依据滤波模块所获取的滤波后的极化sar图像，采用灰度共现矩阵和gabor滤波方法，获取纹理特征向量集。颜色特征向量集获取模块可以配置为依据滤波模块所获取的滤波后的极化sar图像，采用rgb和hsv颜色直方图方法，获取颜色特征向量集。第三获取模块可以配置为依据极化特征向量集获取模块所获取的极化特征向量集，纹理特征向量集获取模块所获取的纹理特征向量集以及颜色特征向量集获取模块所获取的颜色特征向量集，获取训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集。上述极化sar图像有监督分类方法的实施例，其技术原理、所解决的技术问题及产生的技术效果相似，所属
技术领域：
的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的极化sar图像有监督分类装置的具体工作过程及有关说明，可以参考前述极化sar图像有监督分类方法，在此不再赘述。本领域技术人员可以理解，上述极化sar图像有监督分类方法还包括一些其他公知结构，例如处理器、控制器、存储器等，其中，存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等，处理器包括但不限于cpld/fpga、dsp、arm处理器、mips处理器等，为了不必要地模糊本公开的实施例，这些公知的结构未示出。本领域技术人员可以理解，可以对实施例中的装置中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个装置中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。基于上述极化sar图像有监督分类方法的实施例，本发明还提供了一种存储装置。本实施例中存储装置中存储有多条程序，该程序适用于由处理器加载并执行以实现上述极化sar图像有监督分类方法。基于上述极化sar图像有监督分类方法的实施例，本发明还提供了一种处理装置。本实施例中处理装置可以包括处理器和存储设备。其中，处理器适于执行各条程序，存储设备适于存储多条程序，并且这些程序适于由处理器加载并执行以实现上述极化sar图像有监督分类方法。所属
技术领域：
的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述极化sar图像有监督分类方法实施例中的对应过程，在此不再赘述。本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的服务器、客户端中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，pc程序和pc程序产品)。这样的实现本发明的程序可以存储在pc可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在本发明的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的pc来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。当前第1页12