基于多特征联合建模的极化sar影像分类方法【专利摘要】本发明公开了基于多特征联合建模的极化SAR影像分类方法，包括：（1）从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；（2）计算当前类训练样本中各像素点的极化协方差矩阵，构建当前类训练样本的极化特征向量；（3）构建当前类训练样本的CoAS模型；（4）构建待分类影像的极化特征向量；（5）构造待分类影像的联合后验概率；（6）根据联合后验概率，结合MRF模型对待分类影像进行分类。本发明方法具有优异的分类效果，与传统的基于统计模型的极化SAR影像分类方法相比，本分类精度可提高5%~10%。【专利说明】基于多特征联合建模的极化SAR影像分类方法
技术领域：
[0001]本发明属于遥感影像处理
技术领域：
，特别是设及一种基于多特征联合建模的极化SAR影像分类方法。【
背景技术：
】[0002]合成孔径雷达(SyntheticApe;rtureRadar,SAR)是一种主动成像雷达系统，具有全天候、昼夜成像的特点。极化SAR系统可工作在不同极化通道组合模式下，能获得更多的地物目标信息。近年来，越来越多的极化SAR系统出现，极化SAR信息的解译和应用显示出更加广泛的应用前景。影像分类是极化SAR影像解译的一项重要内容，面对海量极化SAR数据，通过对极化SAR影像进行自动分类和识别，有助于提高判读效率，增加人们从大场景极化SAR影像获取信息的能力。[0003]现有的极化SAR影像分类方法大致可W分为3类:1)根据极化SAR成像特点，对数据进行统计模型分析，利用Bayes方法进行分类;2)通过极化目标分解，基于极化SAR散射机理进行分类;3)从处理方法入手，在已有极化特征集的基础上，引入更有效的机器学习领域的处理方法，更充分地利用极化信息，达到分类目的。[0004]极化SAR统计建模与分类一直是极化SAR影像解译的热点，如针对后向散射矩阵S2建模的复Gaussian分布。运些分布一般都满足乘积模型，假设散射体和相干斑服从某一分布推导而来，通常针对协方差矩阵C3或相干矩阵T3建模，如经典的复Wishart分布、K分布、G分布和KummerU分布等。近年来，随着极化SAR影像的分辨率越来越高，研究者们提出了多种混合分布模型来描述异质或极度异质区域的统计特性，如Doulgeris在极化SAR多尺度高斯混合模型时，提出了描述协方差矩阵C3的K-Wishad混合分布;Gao则针对单视和多视极化SAR数据，提出了复高斯混合分布和复Wishart混合分布模型，取得了较好的分类效果。[0005]现有的基于统计模型的极化SAR影像分类方法中，统计模型都是针对用于极化测度的后向散射矩阵S2、极化协方差矩阵C3、极化相干矩阵T3等。而运些极化测度矩阵都是复矩阵，理论推导和计算都相对复杂；混合模型的提出进一步加剧了运一状况；另外，运些统计模型都是根据极化散射理论推导而来，没有充分考虑地物目标的物理特性，即极化SAR信息并未得到充分利用。【
发明内容】[0006]针对现有技术存在的不足，本发明从极化特征统计特性出发，提供了一种可充分利用到SAR信息并可降低计算量的基于多特征联合建模的极化SAR影像分类方法。[0007]本发明思路如下：[0008]针对极化协方差矩阵C3直接推导的极化特征进行建模，WAl地a-stable分布描述极化特征的边缘分布特性;然后，通过Copula理论构造联合分布模型；最后，在MRF(Mark)VRandomField)框架下，结合Bayes准则，实现极化SAR影像的分类。本发明W极化协方差矩阵C3直接推导的一组简单极化特征为建模对象，在考虑地物目标的物理特性的同时，还充分利用了影像的极化信息，从而可准确地进行极化SAR影像分类。[0009]本发明的建模对象不再是传统的极化测度矩阵（52，〔3^3)，而是由协方差矩阵〔3直接推导而来的一组简单的极化特征向量v(C)。原始极化SAR影像格式为S2或T3时，需要影像转换为C3格式。[0010]由极化协方差矩阵C3直接推导而来的一组简单极化特征可组成极化特征向量V(C),V(C)中各维极化特征都是实数，建模对象由复矩阵变为实向量，且各维极化特征都反映了典型地物的物理散射特性。在不考虑反射对称性(Azimuthalsymme化y)情况下，V(C)由9个实极化特征构成：[0011](1)[001^在满足反射对称性的情况下，有Phhhv=Phvvv=O，交叉极化有关信息可W忽略，V(C)可W简化为5个元素的连向量，邮：[0013]C2)[0014]其中；[0015]争别为极化通道化、hv、VV的幅度特征；[0016]IPhhhvI、IPhhvvI、IPhvvvI分别为极化通道化和hv间、化和VV间、hv和VV间的复相关系数特征；[0017]i])hhhv、4hhvv、ilWvv分另Il为极化通道hh和hv间、Iih和VV间、hv和VV间的相位差特征。[0018]各极化特征都可W简单地从协方差矩阵C3中推导得到。[0019]提取极化特征向量V(C)后，本发明针对V(C)提出了一种通用、灵活的统计分布建模方法，主要包括估计边缘分布和构造联合分布两个步骤。V(C)中不同极化特征的理论分布形式完全不同，且分布的解析表达式非常复杂，估计分布参数比较困难。本发明采用Al曲a-stable分布描述V(C)中所有极化特征的统计特性，并估计各类地物不同极化特征的Al地a-stable分布参数，从而获得分布模型。在联合分布构造阶段，利用分布模型，计算相应的概率密度函数（Probabi1ityDensityFunction,PDF)和累积密度函数（CumulativeDensityF^mctioniCDF)，计算Kendall'S秩相关系数，进而估计得到Copula函数的参数，从而获得联合分布模型，记为CoAS模型。[0020]采用训练样本训练估计CoAS模型参数，计算待分类极化SAR影像的后验概率分布，结合MRF和Bayes分类框架，通过GraphCuts进行优化，实现基于CoAS模型的极化SAR影像分类。[0021]为解决上述技术问题，本发明采用如下技术方案：[0022]-种基于多特征联合建模的极化SAR影像分类方法，包括构建CoAS模型和对待分类影像进行分类两个步骤，其中：[0023]所述的构建CoAS模型进一步包括：[0024](1)从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；[0025]对各类地物训练样本分别执行步骤(2)~(3):[0026](2)根据当前类地物训练样本的极化协方差矩阵构建极化特征向量V(C),其中，分别为极化通道lih、hv、vv的幅度；|phhhv|、|Phhw|、|Phwv|分别为极化通道Ui和hv间、hh和VV间、hv和VV间的复相关系数;fchhv、4hhw、ilWv分别为极化通道Iih和hV间、Iih和VV间、hV和VV间的相位差；[0027](3)构建当前类地物的CoAS模型，具体为：[00%]3.1利用当前类地物训练样本的极化特征向量，估计各极化特征的Alpha-stab1e分布参数；[0029]3.2根据Alpha-stable分布参数计算各极化特征的概率密度函数和累积密度函数；[0030]3.3采用Copula函数表示当前类地物训练样本所有极化特征的联合分布密度，采用各极化特征的概率密度函数和累积密度函数估计Copula函数参数，得当前类地物的CoAS模型；[0031]所述的对待分类影像进行分类进一步包括：[0032](4)根据待分类影像的极化协方差矩阵构建待分类影像的极化特征向量V(C);[0033](5)根据待分类影像的极化特征向量V(C)构造联合后验概率，具体为：[0034]5.1对各极化特征分别进行:采用各类地物的CoAS模型参数，分别估计当前极化特征关于各类地物的概率密度函数，并获得对应的累积密度函数；[0035]5.2根据各极化特征关于各类地物的概率密度函数和累计密度函数，采用各类地物的CoAS模型，计算待分类影像关于各类地物的联合分布密度，即联合后验概率；[0036](6)根据联合后验概率，结合MRF模型对待分类影像进行分类。[0037]步骤（2)所述的极化特征向量V，其中，^分别为极化通道化、hv、vv的幅度特征；I化hhvi为极化通道化和hv间的相关系数;fchhv为极化通道hh和hv间的相位差特征。[0038]作为优选，采用MCMC方法修正子步骤3.1所估计的各极化特征的Al地a-stable分布参数，具体为：[0039]①W采用基于傅里叶变换估计法估计的各极化特征的Al地a-stable分布参数作为Al地a-stable分布参数初始量{u斬，。度，。识X}，并预设迭代次数；[0040]②对第1次迭代所得Alpha-Stable分布参数{'與，'使，'片V妊}，分别W正态分布Al地a-stable分布参数a、0、丫和]i的标准差；[0041]③计算当前候选Al地a-stable分布参数的接收概率Accept:I随机生成当前候选Alpha-stable分布较前面所有次迭代或部分次迭代所得[0042][0043]其中，'4表示第k类训练样本中第i个样本的第d维极化特征，M为样本数；出Ie分布参数像，'识所得的^的概率表示采样候选Alpha-stable分布参数毀；[0044]④随机生成服从均匀分布U(0，1)的随机数11，若11>4(3〇69*，将第1次迭代所得Al地a-stable分布参数作为第1+1次迭代所得Alpha-stable分布参数；否则，W当前候选Al地a-stable分布参数作为第1+1次迭代所得Al地a-stable分布参数；[0045]⑤当迭代次数达到预设迭代次数时，结束，将最后一次迭代所得Alpha-stable分布参数作为修正后的Al地a-stable分布参数，子步骤3.2中采用修正后的41地曰-31曰1316分布参数计算各极化特征的概率密度函数。[0046]作为优选，Copula函数采用Gumbel函数。[0047]和现有技术相比，本发明具有如下优点和有益效果：[0048](1)将建模对象从传统的极化测度矩阵（S2，C3，T3)变为简单的极化特征向量V(C)，研究对象从复数矩阵变为实数矩阵，降低了理论推导的复杂度，减小了计算量，有助于极化SAR影响的快速解译。[0049](2)建模对象由极化特征V(C)构成，反应了典型地物目标的物理散射特性，充分利用了影像的极化信息，有助于提高极化SAR影像的分类精度。[0050](3)针对极化特征向量V(C)内的各维极化特征提出了一种通用的极化建模方法，WAl地a-stable分布描述各维极化特征的统计特性，拟合效果好，且避免了使用理论分布时参数估计和联合建模困难的问题。[0051](4)针对极化特征向量V(C)提出了一种灵活、通用的极化SAR建模模型，即CoAS模型。CoAS模型使用Al地a-stable分布描述各维极化特征的边缘分布，对各种极化特征都有较强的拟合能力;然后通过Copula函数连接各维极化特征的边缘分布，构造联合分布模型。CoAS模型还可根据地物目标的散射特性，选择敏感的极化特征，构造任意维极化特征的的联合分布，进而进行极化SAR影像解译。[0052](5)本发明极化SAR影像方法具有优异的分类效果，与传统的基于统计模型的极化SAR影像分类方法相比，本发明方法分类精度可提高5%~10%。【附图说明】[0053]图1为实施例中测试样本；[0054]图2为图1影像的人工标注结果；[0055]图3为2维极化特征龄的统计建模结果，其中，图(a)为实际直方图，图(b)为CoAS模型拟合结果；[0056]图4为本发明方法框架；[0057]图5为本发明方法流程图；[005引图6本发明CoAS模型建模流程示意图；[0059]图7为本发明基于CoAS模型的极化SAR影像分类流程示意图；[0060]图8显示了CWishad分布、巧分布和本发明方法的分类结果；[0061]图9显示了本发明方法和其他方法局部区域分类结果；[0062]图10显示了样本数量对分类方法的影响。【具体实施方式】[0063]为便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。[0064]本实施例中，W2008年4月2日荷兰Flevoland地区获得的RadarSAT-28m分辨率极化SAR影像作为测试样本，即待分类极化SAR影像，根据公式（1)和(2)，将极化SAR影像由S2格式转化为C3格式，见图1，该图显示了该景数据的化Uli分解伪彩合成图。图1中地物类型人工标注结果见图2,采用不同颜色区别水域、耕地、林地、建筑等地物类型，其中目视解译无法识别的区域不计入最终的精度评价中。[0065]本发明流程见图4~7,下面将结合附图对本实施例的【具体实施方式】做详细说明。[0066]图6显示了CoAS模型构建流程，具体步骤如下：[0067]步骤Tl,从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本。[0068]本实施例中，根据人工标注结果，从图2中第k类地物区域随机选择10%的像素点作为第k类训练样本北4=1，2，...1(，1(为地物类别数，本实施例中，地物类别数1(=4。[0069]步骤T2,计算各类训练样本的极化协方差矩阵C3。[0070]对本实施例的RadarSAT-2极化SAR影像，其原始数据通过2X2复矩阵，即后向散射矩阵S描述，如下：[0071](1)[0072]巧（1)甲，Spq巧示极化SAR系统发射P极化波接受q极化波得到的像素点的复散射系数，P可W为h或V，q可W为h或V。[0073]单站情况下，S满足互异性，即Shv=Svh。S可采用3维目标矢量表示，定义为K=[Shh，Shv，Svv]T，T表示矩阵转置。运样获得极化协方差矩阵C3:[0074]任)[0075]式(2)中，H表示复共辆转置，<?〉表示多视平均处理，*表示取复共辆。[0076]步骤T3,根据极化协方差矩阵C3构造各类训练样本的极化特征向量V(C)train。[0077]C3是厄尔米特复矩阵，其还可通过9个实数描述，即3个幅度、3个相位差和3个相干幅度值，具体定义如下：[007引。）[0079]式(3)中：[0080]<、城、却,分别表示极化通道Ui、hv、vv的散射强度；[0081]分别表示极化通道！ih、hv、VV的幅度；[0082]Phhhv、Phhw、化WV分别表示极化通道化和hv间、化和VV间、hv和VV间的复相关系数，其指数形式为P=IPI为相位差；[0083]*表示取复共辆。[0084]运样，3X3的复矩阵C3可转化为由9个元素组成的实向量：[0085](斗）[0086]又由于，在满足反射对称性(Azimuthalsymmet巧）的情况下，有Phhhv=Phvw=0，交叉极化有关信息可W忽略，如城区等，因此，在满足反射对称性的情况下，C3可简化为：[0087]W[008引[0089](6)[0090]过上述转化和计算，将3X3的复矩阵C3转化为实向量V(C)。[0091]根据研究内容所述方法，提取极化特征，按照公式(4)和(6)，对各类训练样本，分别构建其中各像素点的D维极化特征向量V(C),各像素点的D维极化特征向量V(C)按行排列构成该类训练样本的〇维极化特征向量￥(〇*^1。。￥(〇由后向散射幅度4->/^、复相关系数P的幅值和相位村勾成，可完全表征C3中所有极化信息。[0092]运些极化特征的定义和理论分布模型为现有技术，运里不再寶述，仅做简单说明。[0093]后向散射幅度主=，其满足瑞利分布，〇*^表示极化通道强度。[0094]复相关系数及其相位差可通过C3直接计算，复相关系数P定义如下：[0098]式(7)~(8)中：[0095](7)[0096][0097]C8)[0099]L为多视平均实数；[0100]p、q表示两个通道的极化方式，p、q可W为化、hv、vv，p声q，即两个通道的极化方式不能相同；[0101]Sp(i)表示多视处理时，P通道下第i个后向散射系数值；[0102]Sq(i)表示多视处理时，q通道下第i个后向散射系数值；[0103]*表示取复共辆，<?〉表示多视平均处理；[0104][0105]最终估计得到的训练样本的D维极化特征向量V(C)train，运里D=9。考虑散射对称情况下，0=5。极化特征提取前，可采用均值滤波法对C3进行处理W减小相干斑影响，窗口大小W=5。[0106]步骤T4,构建CoAS模型。[0107]复相关系数和相位差的理论分布模型设及Basel、超几何函数等，形式复杂，参数估计困难，且与实际数据拟合并不好。运里引入Al地a-stable分布描述所有极化特征边缘分布的统计特性。Alpha-S化ble分布满足广义中屯、极限定理，是比Gaussian分布更广泛的统计分布模型。Alpha-stable分布有四个参数a、e、丫和ii，分别表示特征指数、斜度参数、离散度和位置参数，其中，曰G(0，2]，0G[-1，1]，rEIT，/ie化。Alpha-S化ble分布通常没有可解析的*曲莖银麽巧狱.-舰田W下賠佈巧狱化Vmrart.AiHSt.i'。Fiinction,CFO加W描述；[010引巧）[0109]式(9)中：[0110]W表不频域变量，j表不虚部符号；[0111]4(O)表不Al地a-stable分布的特征函数CF;[0112]Si即为符号函数，[0113]X为时域变量，本发明中X表示各维极化特征；[0114]SaUle,丫山)为X的Al曲a-stable分布的概率密度函数PDF。[0115]尽管Al曲a-stable分布通常没有可解析的概率密度函数，仍然可W通过特征函数的傅里叶变换计算概率密度函数PDF:[0116](9)-C*J[0117]为保证拟合精度，W通过傅里叶变换法估计的Alpha-stable分布参数作为初始量，通过马尔科夫链-蒙特卡洛(Markov化ainMonteCarlo,MCMC)方法，对分布参数进行优化，迭代估计次数为2000。[0118]本步骤中，对各类训练样本分别进行如下：[0119]子步骤T4_l，分别估计当前类训练样本极化特征向量中各极化特征的Alpha-stable分布参数。[0120]为保证拟合精度，本发明提出采用MCMC方法修正Al地a-stable分布参数的优选方案，具体为：[0121]W基于傅里叶变换估计法所估计的Alpha-stable分布参数作为Alpha-stable分布参数初始量("苗，"应V乂'，V4'}，迭代次数设为2000。[01剖将第1次迭代得到的Al地a-stable分布参数记为'度^V;V属小分别W正态分布W('却A)、W('媒，&)、iV(%，A)、随机生成当前候选Alpha-stable分布参数{从"。'後，。。'乂}，S。、如、S丫、S向、别表示Alpha-stable分布参数a、0、丫和y的标准差，其值分别取前面所有次迭代或部分次迭代所得Al地a-stable分布参数a、0、丫和y的标准差。[0123]计算当前候选Al地a-stable分布参数的接收概率Accept:[0124](10)[0125]式(10)中：[01%]1?表示第k类训练样本中第i个样本的第d维极化特征值，M为样本数，本发明中，样本指像素点；[0127]&砖('.外傍，乂V媒)表示采用Alpha-stable分布参数{'解，'锭，鮮，'兴}所得的乂的概率密度函数；[0128]表示采样候选Alpha-stable分布参数"e"後，"。乂，"。乂所得的''1-;的概率密度函数。[0129]随机生成服从均匀分布U(0，1)的随机数U:[0130]若11>4。。6。*，贝雌绝接受候选Al地a-stable分布参数{"。1'从罐应V'。'识"。'妊}，即[013^1]若11《4(3。6口1:，则接受候选41口11曰-31曰1316分布参数|"6'^/，"0、谗，"^於，"6"媒!，即[0132]{'"苗，'+1应'，'"％，'"必}表示第1+1次迭代得到的Al地a-stable分布参数。[0133]取最后一次迭代所得Al地a-stable分布参数作为修正后的Alpha-stable分布参贺i的，的乂，片;]。[0134]子步骤T4_2,令Xd表示当前类训练样本的第d维极化特征，根据Xd的Al地a-stable分布参数，计算Xd的概率密度函数./:,(而I诚，度'乂'，属')。[0135]本步骤中，各类训练样本均可获得D个概率密度函数fi《d=SD。[0136]步骤巧，估计Copula函数参数。[0137]通常情况下，Alpha-stable多元统计模型的形式更加复杂。假设各维极化特征的边缘密度服从Alpha-stable分布，通过Copula函数链接各边缘分布，达到构造多元联合分布的目的，同时考虑不同变量间的独立性。[013引假设Xd是服从某一分布fd(xd)的随机变量，则极化特征向量X=(XI，…，Xd,…，XD)的联合分布密度，Xd,…，XD)为：[0139](11)[0140]式(11)中；[0141]xi、-'xd、…祉分别表示当前类训练样本的第1、…(!、???0维极化特征；[0142]fd(Xd)和Fd(Xd)分别表示极化特征Xd的概率密度函数和累积密度函数；[0143]C表示Copula函数。[0144]Copula函数有多种，本发明选择单个参数的阿基米德Copula函数一Gumbel，Gumbel函数有可解析的表达式，而且参数估计简单。本步骤利用步骤T4得到的D个概率密度函数fi《d《D估计Gumbel函数的未知参数0，具体通过0和KendairS秩相关系数T的关系函数:估计。任意两个变量R和T间的Kendall's秩相关系数T的经验估计值f为：[0145](12)[0146]式(12)中：[0147]R和巧旨任意两个极化特征的概率密度函数；[014引ri和n分别表示变量R的第i个和第j个实例；[0149]ti和tj分别表示变量T的第i个和第j个实例；[0150]M为变量实例数，即样本数，1《i《j《M。[0151]若则I(ri《rj)=l，反之，则I(ri《rj)=-l;I(ti《tj)同理。[0152]D>2时，任意两个极化特征R和T间即可得到一个4,1，根据进而获得对应的Gumbe1参数，取所有Gumbe1参数的平均值作为最终的Gumbe1参数估计值谷^即：[0153](13)[0154]步骤巧中得到了当前类训练样本的Gumbel参数估计值各。[0K5]对各类地物训练样本分别执行步骤Tl~巧，直到所有类训练样本的CoAS模型参数估计完毕，从而获得各类地物的CoAS模型。巧從，乂，///，巧；}表示第k类训练样本的CoAS模型参数。本实施例中，1《1^《1(=4，1《(1《0,0=9或0=5。图3^2维极化特征与例显示了CoAS模型建模的效果，图（a)为实际的直方图，图（b)为CoAS模型拟合结果。[0156]已知各类地物的CoAS模型参数，即可进行极化SAR影像分类，见图7。[0157]本实施例中，W荷兰Flevoland地区整景数据为测试样本，即待分类极化SAR影像，见图1，大小为1400*120化ixels，具体分类步骤如下：[0158]步骤Cl，计算测试样本中各像素点的极化协方差矩阵C3。[0159]步骤C2,根据极化协方差矩阵C3提取极化特征，构造测试样本的D维极化特征向量v(C)test〇[0160]步骤C3,构造测试样本的联合后验概率。[0161]为简化，本发明认为不同类地物即不同类极化特征的先验概率是均匀分布。[0162]本步骤进一步包括子步骤：[0163]子步骤C3_l，采用各类地物的CoAS模型参数，估计v(C)test的第d维极化特征关于各类地物的概率密度函数，将关于第k类地物的概率密度函数记夫1,2,...D。[0164]步骤C3_2,根据第d维极化特征关于各类地物的概率密度函数，估计v(C)test的第d维极化特征关于第k类地物的累积密度函数，将关于第k类地物的累积密度函数记为A(?岭，使，识属')。[0165]步骤C3_3,根据v(C)test的各维极化特征关于各类地物的概率密度函数和累计密度函数，采用各类地物的CoAS模型，计算测试样本关于各类地物的联合分布密度，即联合后验概率，将测试样本关于第k类地物的联合后验概率记为巧）。[0166]步骤C4,根据测试样本关于各类地物的联合后验概率，结合MRF模型对测试样本进行分类。[0167]MRF模型将影像分类转化为最小化能量问题，本发明中采用GraphCut优化法，Potts模型中参数A=I.1。[0168]下面将通过实验结果进一步说明本发明有益效果。[0169]测试样本为2008年4月2日荷兰Flevoland地区获得的RadarSAT-28m分辨率极化SAR图像，见图1，该地区地物类型人工标注结果见图2。软件平台为MATLABR2015b(8.6.0)。实验中W经典的分布模型作为对比，根据是否考虑散射对称的情况下，本发明方法分别作了特征维度D=5和D=9两组试验，W上分类方法分别记作CWishad、C5、CoAS日和C0AS9。不同分类方法主要通过总体精度（OverallAccura巧，OA)作为指标进行对比。[0170]图8中（a)、（b)、（c)和(d)分别对应CWishart、巧!、CoASs和CoASs的分类结果，直观来看，四种方法"水躁'分解结果都很好，达到90%W上；总体上，CoASs和CoASs分类结果最好，吗次之，CWishad分类结果最差，尤其是"建筑"区域。[0171]图9进一步通过局部区域分类结果来评价不同分类方法的性能，其中，图（a)为原始极化SAR影像，（b)为图（a)对应的GoogleEarth光学图，（C)为图（a)的人工标注图，图（d)~(g)分别为CWishad、吗、CoASs和C0AS9的分类结果。从图9可得到与图8相似的结论，而且还表明CoAS9比CoASs对建筑区域分类效果更好，运和理论也是一致的。[0172]表1显示了不同分类方法对各类地物的分类精度和总体分类精度，通过客观的指标进一步说明了本发明方法的优势，分类精度提高了5%~10%，尤其是在"建筑"等人工建造的区域，分类效果更好。表2和表3显示了本发明方法CoASs和CoASs分类结果的混淆矩阵，更细致地刻画出不同类别间的错分情况，林地和耕地、林地和建筑错分相对严重，运主要是由于1)耕地和林地同属于植被类型，由于种植的农作物不同，使耕地的场景更加复杂;2)建筑附近，通常会种植树木。[0173]图10显示了样本数目对不同分类方法的影响。横轴为样本数，纵轴为分类精度，每次实验随机选取一定数目的样本作为训练样本，样本数目从5~500,共进行了7组重复实验。结果表明本发明分类方法性能稳定，分类精度比种稳定高出5%，比〔胖1311曰的高10%。[0174]表1不同方法分类结果对比(单位：％)[ni7c；i[[[0178]表3C0AS9分类结果的混淆矩阵(单位：％)[0179][0180]W上结合具体事例对本发明做了说明。上述所示的实施实例，并非用于限定本发明，也不仅限于Radarsat-2极化SAR影像，还适用于AL0S-2/PALSAR，TerraSAR-X，EVNISAT/ASAR，SIR-C,AIRSAR，EMISAR，PISAR等其他星载或机载极化SAR数据。[0181]W上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可W对本发明的技术方案进行多种简单变型，运些简单变型均属于本发明的保护范围。[0182]任何本发明所属
技术领域：
中的技术人员，在不脱离本发明的精神和范围内，应当可W作各种变化与修改。因此本发明的保护范围应当W所附权利要求书所界定的范围为准。【主权项】1.一种基于多特征联合建模的极化SAR影像分类方法，其特征是，包括：构建CoAS模型和对待分类影像进行分类两个步骤，其中：所述的构建CoAS模型进一步包括：(1)从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；对各类地物训练样本分别执行步骤(2)~(3):(2)根据当前类地物训练样本的极化协方差矩阵构建极化特征向量v(C)，其中，分别为极化通道hh、hv、vv的幅度；|ρ_ν|、|Phhvv|、|Phvvv|分别为极化通道hh和hv间、hh和vv间、hv和vv间的复相关系数;fchhv、fchvv、fcvvv分别为极化通道hh和hv间、hh和vv间、hv和vv间的相位差；(3)构建当前类地物的CoAS模型，具体为：3.1利用当前类地物训练样本的极化特征向量，估计各极化特征的A1pha-stab1e分布参数；3.2根据Alpha-stable分布参数计算各极化特征的概率密度函数和累积密度函数；3.3采用Copula函数表示当前类地物训练样本所有极化特征的联合分布密度，采用各极化特征的概率密度函数和累积密度函数估计Copula函数参数，得当前类地物的CoAS模型；所述的对待分类影像进行分类进一步包括：(4)根据待分类影像的极化协方差矩阵构建待分类影像的极化特征向量v(C);(5)根据待分类影像的极化特征向量v(C)构造联合后验概率，具体为：5.1对各极化特征分别进行:采用各类地物的CoAS模型参数，分别估计当前极化特征关于各类地物的概率密度函数，并获得对应的累积密度函数；5.2根据各极化特征关于各类地物的概率密度函数和累计密度函数，采用各类地物的CoAS模型，计算待分类影像关于各类地物的联合分布密度，即联合后验概率；(6)根据联合后验概率，结合MRF模型对待分类影像进行分类。2.如权利要求1所述的基于多特征联合建模的极化SAR影像分类方法，其特征是:步骤(2)所述的极化特征向量子别为极化通道hh、hv、vv的幅度特征；|Phhhv|为极化通道hh和hv间的相关系数;fchhv为极化通道hh和hv间的相位差特征。3.如权利要求1或2所述的基于多特征联合建模的极化SAR影像分类方法，其特征是：采用MCMC方法修正子步骤3.1所估计的各极化特征的Alpha-stable分布参数，具体为：①以采用基于傅里叶变换估计法估计的各极化特征的Alpha-stable分布参数作为Alpha-stable分布参数初始量|_°句,°念，％，V/j，并预设迭代次数；②对第1次迭代所得Alpha-stable分布参数丨％,^/打，父丨，分别以正态分布直机生成当前候选Alpha-stable分布参数，心、分别取前面所有次迭代或部分次迭代所得Alpha-stable分布参数α、β、γ和μ的标准差；③计算当前候选Alpha-stable分布参数的接收概率Accept:其中，if表示第k类训练样本中第i个样本的第d维极化特征，Μ为样本数；表示采用Alpha-stable分布参数所得的％的概率密度函数；示采样候选Alpha-stable分布参数卿勿，7/，釋贫所得的Μ的概率密度函数；④随机生成服从均匀分布U(0，1)的随机数u，Su>ACCept，将第1次迭代所得Alpha-stable分布参数作为第1+1次迭代所得Alpha-stable分布参数；否则，以当前候选Alpha-stable分布参数作为第1+1次迭代所得Alpha-stable分布参数；⑤当迭代次数达到预设迭代次数时，结束，将最后一次迭代所得Alpha-stable分布参数作为修正后的Alpha-stable分布参数，子步骤3.2中采用修正后的Alpha-stable分布参数计算各极化特征的概率密度函数。4.如权利要求1或2所述的基于多特征联合建模的极化SAR影像分类方法，其特征是：所述的Copula函数为Gumbel函数。【文档编号】G06K9/62GK105956622SQ201610281850【公开日】2016年9月21日【申请日】2016年4月29日【发明人】徐新,董浩,宋超,桂容,唐晓旭【申请人】武汉大学