基于高斯滤波和pso的极化sar地物分类方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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】
[0005] 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。
[0006] 为实现上述目的，本发明的技术方案包括如下步骤：
[0007] (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P1,iG{1，2, ...，C}，C为类别总数；
[0008] (2)对每幅类别图Pj成Z幅子图，获得CXZ幅子类别图QljJG{1，2，...，Z};
[0009] (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(Rk ( 〇 )，T) /
[0010] 其中〇为方差，T为标记类别，Rk( 〇 )为Qlk经过方差为〇的高斯滤波后的分类 类别，G为计算Rk( 〇 )与T相同的个数的函数，N为标记样本总数；
[0011] ⑷迭代优化⑶中的目标函数，获得最优方差
[0012] (5)对C幅子类别图Qlk，iG{1，2, . . .，C}进行最优方差为〇啲高斯滤波，得到 滤波后的图像Flk;
[0013] (6)将C幅滤波后的图像Flk上位置为X的像素点的值进行比较，iG{1，2, ...，C}， 得到最大值所在的图像Fyk，y为实数，yG{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Rk;
[0014] (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。
[0015] 本发明与现有的技术相比具有以下优点：
[0016] 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；
[0017] 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；
[0018] 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，从而提尚分类准确率；
[0019] 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；
[0020] 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】
[0021] 图1是本发明的实现总流程图；
[0022] 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；
[0023] 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；
[0024] 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】
[0025] 参照附图1，本发明给出如下三种实施例：
[0026] 实施例1，对德国地区极化SAR图像进行分类。
[0027] 德国地区极化SAR图像的伪彩色图如2(a)所示，其大小为1300X1200;
[0028] 德国地区极化SAR图像的标记图如2 (b)所示；
[0029] 由伪彩色图2 (a)获得极化SAR图像的大小为1300X1200,从标记图2 (b)的标记 样本中随机选取1%作为训练样本，得到训练样本类别和位置，将标记样本剩下的99%作 为测试样本，得到测试样本类别和位置，类别总数C为3。
[0030] 利用现有基于单像素点方法SVM，根据图2 (a)的极化SAR数据和图2 (b)的标记图 进行学习，对德国地区极化SAR图像进行分类，其结果如2 (c)所示。
[0031] 利用本发明方法对德国地区极化SAR图像进行分类的步骤如下：
[0032] 步骤1，输入德国地区极化SAR图像的相关信息和用现有基于单像素点方法SVM对 该极化SAR图像的分类结果，构造3幅类别图P1。
[0033] (Ia)利用图2(c)所示的分类结果和极化SAR图像大小1300X1200,构造与该极 化SAR图像大小一致的二维矩阵P，该矩阵P中存储的元素是类别i，iG{1，2, 3}，C= 3 ;
[0034] (Ib)构造与二维矩阵P-样大小的3幅类别图？1，找到P中元素为i的位置m，在 P1中对应位置m上设置为1，其他位置为0。
[0035]步骤2,将每幅类别图P1分成Z=4幅子图，获得3X4幅子类别图QV j G{1，2,3,4}。
[0036] 步骤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=
[0037] 其中〇为方差，T为训练样本类别，Rk(〇 )为Qlk经过方差为〇的高斯滤波后的 分类类别，G为计算Rk( 〇 )与T相同的个数的函数，N= 1300X1200为标记样本总数。
[0038] 步骤4,迭代优化步骤3中的目标函数，获得最优方差〇 '
[0039] 优化目标函数的常用算法有：网格搜索算法，进化算法EA和粒子群优化算法PSO 等等。本实施例中使用PSO算法优化目标函数，获得最优方差
[0040] [ 0 *,V]=particleswarm(i( 〇 )OA( 〇 ), 1,0.5,20, options),
[0041 ] options = optimoptions('particleswarm'，' SwarmSize'，5, 'Maxlter'，10)，
[0042] 其中V为最优准确率，particleswarm为PSO优化函数，其参数' 1'代表寻优 变量1个，' 〇. 5'代表寻优下限为0. 5, ' 20'代表寻优上限为20,options为优化策略， optimoptions为设置优化策略的函数，其参数'SwarmSize'，5,代表PSO算法的种群粒子个 数为5,参数'Maxlter'，10,代表迭代次数为10。
[0043] 步骤5,对3幅子类别图Qlk，iG{1，2, 3}进行最优方差为〇 $的高斯滤波，得到滤 波后的图像Flk。
[0044] (5a)设置高斯滤波器的窗口大小为101X101，方差为〇%获得高斯滤波器h，
[0045]h= fspecial('gaussian'，101，〇 *)，其中fspecial为构造特殊滤波器函 数，'gaussian'代表选择高斯滤波器。
[0046] (5b)对3幅子类别图Qlk用高斯滤波器h进行滤波，得到滤波后的图像Flk，
[0047]Fik=imfilter(Qik,h,，replicate，，，conv，），其中imfilter为滤波函 数，'replicate'代表图像边界部分使用"复制"的方式，'conv'代表卷积操作。
[0048] 步骤6,将3幅滤波后的图像Flk，iG{1，2,3}上相同点的值进行比较，得到最大 值所在的图像Fyk，7为实数，yG{1，2, 3}，则此点的类别为y，如此获得第k幅子图的最终 分类结果Rk。
[0049] 步骤7,将4幅子图都按照（3)-(6)的步骤依次进行处理，获得4幅子图的分类结 果，再将4幅子图的分类结果进行合并，获得德国地区极化SAR图像的分类结果，如图2(d) 所示。
[0050] 将图2(d)与图2(c)进行对比可见，本发明的分类结果的斑点更少，错分点更少， 区域一致性更好。
[0051] 实施例2,对旧金山地区极化SAR图像进行分类。
[0052] 旧金山地区极化SAR图像的伪彩色图如3(a)所示，其大小为1800X1380 ;
[0053] 旧金山地区极化SAR图像的标记图如3 (b)所示；
[0054] 由伪彩色图3 (a)获得极化SAR图像的大小为1800X1380,从标记图3 (b)的标记 样本中随机选取1%作为训练样本，得到训练样本类别和位置，将标记样本剩下的99%作 为测试样本，得到测试样本类别和位置，类别总数C为5。
[0055] 利用现有基于单像素点方法SVM，根据图3(a)的极化SAR数据和图3(b)的标记图 进行学习，对旧金山地区极化SAR图像进行分类，其结果如3 (c)所示。
[0056] 利用本发明方法对旧金山地区极化SAR图像进行分类的方法进行分类的步骤如 下：
[0057] 步骤一，输入旧金山区极化SAR图像的相关信息和用现有基于单像素点方法SVM 对该极化SAR图像的分类结果，构造5幅类别图P1。
[0058] (I. 1)利用图3 (c)所示的