基于深度RPCA的极化SAR地物分类方法与流程

本发明属于图像处理技术领域，更进一步涉及一种图像分类技术领域中的基于深度RPCA的极化SAR地物分类方法。该方法可应用于对极化SAR图像的目标检测和目标识别，并有效的提高极化SAR图像分类正确率。

背景技术：

极化SAR图像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，是近年来遥感领域最为先进的传感器之一。极化SAR图像作为一种重要的遥感图像获取手段，在农林业、军事、海洋、水文学和地质学等方面有着广泛的应用。极化SAR图像分类的目的是利用机载或星载极化传感器获得的极化测量数据确定每个像素点所属的类别。

武汉大学在其专利申请“基于混合分类器的极化SAR数据分类方法及系统”(专利申请号：201310310179，公开号：CN103366184A)中公开了一种基于混合分类器的极化SAR数据分类方法。该方法首先获得极化SAR图像的不同的类的初始极化特征；然后，采用决策树分类器从初始极化特征中选择用于分类的极化特征；最后，采用支持向量机分类器对极化SAR图像数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势。但是该方法仍然存在的不足是，操作复杂，且由于只考虑了极化SAR图像单个像素点的散射特征，故易受到噪声的干扰而不能准确表征实际地物，导致分类结果中存在较多的错分点。

西安电子科技大学申请的专利“基于SDIT和SVM的极化SAR图像分类方法”(专利申请号：201410089692.1，公开号：CN103824084A)中提出了一种基于SDIT和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像进行精致Lee滤波；然后，提取图像的散射、偏振及纹理特征，将得到的特征进行组合归一化；最后用归一化后的特征训练分类器，预测分类并计算分类精度。该方法虽然充分利用了极化SAR图像包含的丰富的纹理信息和偏振信息，弥补了仅仅依靠散射特性对极化SAR图像分类的不足，在一定程度上提高了极化SAR图像分类的精度。但是，该方法仍然存在的不足是，单纯地将所提取的散射、偏振和纹理信息进行简单的堆叠，然后直接输入支持向量机SVM中进行分类，由此导致输入的特征中包含较多的冗余信息，未能有效反应极化SAR图像的本质特征，使得分类效率大大下降。

技术实现要素：

本发明的目的在于克服上述已有技术的不足，提出一种基于深度RPCA的极化SAR地物分类方法。本发明充分利用极化SAR图像的像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征和邻域信息特征，通过深度鲁棒主成分分析RPCA，得到样本的二阶特征，然后以超像素代替像素点对超像素进行分类，提高特征的有效性，提高分类精度和分类效率。

实现本发明上述目的的思路是：对待分类的极化SAR图像进行精致Lee滤波，提取滤波后图像的像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征、邻域信息特征组合成特征组，将特征组归一化结果作为深度鲁棒主成分分析RPCA的原始输入数据；选择训练样本和测试样本；用训练样本训练深度鲁棒主成分分析RPCA，得到训练样本的二阶特征；用训练样本的二阶特征训练支持向量机SVM；从滤波后的极化SAR图像中，生成超像素，并用训练好的支持向量机SVM对超像素进行分类；对分类后的极化SAR图像进行上色输出。

本发明的步骤包括如下：

(1)读入一幅待分类的极化SAR图像；

(2)滤波：

采用精致极化LEE滤波法，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像像素点的相干矩阵；

(3)提取特征：

(3a)从滤波后的极化SAR图像的像素点的相干矩阵中，提取每个像素点的功率、数据分布特征参数和相对峰值；

(3b)利用泡利Pauli分解方法，对每个像素点提取3个表征泡利Pauli分解的散射特征参数；

(3c)利用弗里曼—得登Freeman-Durden分解方法，对每个像素点提取9个表征弗里曼—得登Freeman-Durden分解的散射特征参数；

(3d)利用克拉徳Cloude分解方法，对每个像素点提取6个表征克拉徳Cloude分解的散射特征参数；

(3e)利用慧能Huynen分解方法，对每个像素点提取9个表征慧能Huynen分解的散射特征参数；

(3f)利用克罗艾厄Krogager分解方法，对每个像素点提取3个表征克罗艾厄Krogager分解的散射特征参数；

(3g)对每个像素点提取的3个表征泡利Pauli分解的散射特征参数、9个表征弗里曼—得登Freeman-Durden分解的散射特征参数、6个表征克拉徳Cloude分解的散射特征参数、9个表征慧能Huynen分解的散射特征参数和3个表征克罗艾厄Krogager分解的散射特征参数，组成一个30维的散射特征参数；

(3h)从滤波后的极化SAR图像像素点的相干矩阵中，提取每个像素点的偏振特征；

(3k)从滤波后的极化SAR图像的每个像素点和该点对应的8邻域像素点的相干矩阵中，提取位于相干矩阵中的上三角处的三个元素的实部值、虚部值和模，以及相干矩阵中位于对角线上的三个元素的实部值；将所提取的位于相干矩阵中的上三角处的三个元素的实部值、虚部值和模以及对角线上的三个元素的实部值，作为像素点的邻域信息特征；

(4)特征组归一化：

(4a)将像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征、邻域信息特征组合成特征组；

(4b)将特征组归一到0～1之间的数值，得到归一化的特征组；

(4c)将归一化的特征组，作为深度鲁棒主成分分析RPCA的原始输入数据；

(5)选择训练样本和测试样本：

根据极化SAR图像的真实地物标记，分别从每个地物类别随机选取5％的有标记的原始输入数据作为训练样本，剩余的95％的有标记的原始输入数据作为测试样本；

(6)训练深度鲁棒主成分分析RPCA第一层：

(6a)利用matlab软件，将一个训练样本转换为方阵；

(6b)按照从上到下、从左到右的顺序，依次对方阵中的每一个元素取矢量块，矢量块的大小设置为3×3个像素点；

(6c)分别对每个矢量块求平均值，用矢量块内的数据减去均值，将得到的结果作为该矢量块的均值移除结果；

(6d)判断所有的训练样本的矢量块是否都进行均值移除，若是，则执行步骤(6e)，否则，执行步骤(6a)；

(6e)对所有训练样本的均值移除结果按列排序，得到排序后的矩阵；

(6f)对排序后的矩阵，用低秩逼近的方法，求解排序后矩阵的低秩部分；

(6g)用构造公式，构造深度鲁棒主成分分析RPCA第一层的鲁棒主成分分析滤波器；

(6h)用深度鲁棒主成分分析RPCA第一层的鲁棒主成分分析滤波器与训练样本进行二维卷积，将卷积的结果作为训练样本的一阶特征；

(7)训练深度鲁棒主成分分析RPCA第二层：

(7a)利用matlab软件，将一个训练样本的一阶特征转换为方阵；

(7b)按照从上到下、从左到右的顺序，依次对方阵中的每一个元素取矢量块，矢量块的大小设置为3×3个像素点；

(7c)分别对每个矢量块求平均值，用矢量块内的数据减去均值，将得到的结果作为该矢量块的均值移除结果；

(7d)判断所有的训练样本的一阶特征的矢量块是否都进行均值移除，若是，则执行步骤(7e)，否则，执行步骤(7a)；

(7e)对所有训练样本的一阶特征的均值移除结果按列排序，得到排序后的矩阵；

(7f)对排序后的矩阵，用低秩逼近的方法，求解排序后矩阵的低秩部分；

(7g)用构造公式，构造深度鲁棒主成分分析RPCA第二层的鲁棒主成分分析滤波器；

(7h)用深度鲁棒主成分分析RPCA第二层的鲁棒主成分分析滤波器与训练样本的一阶特征进行二维卷积，将卷积的结果作为训练样本的二阶特征；

(8)用训练样本的二阶特征训练支持向量机SVM，得到训练好的支持向量机SVM；

(9)生成超像素：

(9a)从滤波后的极化SAR图像中，等间距地选取像素点，作为初始种子点；

(9b)对初始种子点进行碰撞，得到超像素；

(10)分类：

(10a)采用特征值学习方法，对深度鲁棒主成分分析RPCA中的一个超像素进行特征值学习，得到超像素的特征值；

(10b)将超像素的特征值输入支持向量机SVM中，用训练后的支持向量机SVM对超像素进行分类，得到超像素所属地物的类别；

(10c)将超像素内的所有像素点所属地物类别划分为该超像素所属地物类别，得到该超像素内的所有像素点所属地物类别；

(10d)判断是否得到全部超像素内的所有像素点所属地物类别，若是，执行步骤(11)，否则，执行步骤(10a)；

(11)计算分类精度：

(11a)将极化SAR图像的测试样本像素点所属地物类别与真实地物类别进行对比，将类别一致的像素点个数与测试样本中该类别全部像素点个数的比值，作为该类别的正确率；

(11b)判断是否得到全部类别的正确率，若是，执行步骤(11c)，否则，执行步骤(11a)；

(11c)将类别一致的像素点个数与测试样本中全部像素点个数的比值作为极化SAR图像的分类精度；

(12)输出结果：

根据红、绿、蓝三基色原理，对每个像素点所属地物类别，用同一种颜色标出同类地物，得到上色后的极化SAR图像并输出图像。

本发明与现有技术相比具有以下优点：

第一，由于本发明采用将每个像素点的功率、数据分布参数、相对峰值、散射特征参数、偏振特征、邻域信息特征组合成特征组，克服了现有技术由于只考虑单个像素点的散射特征，故易受到噪声的干扰而不能准确表征实际地物，导致分类结果中存在较多的错分点的问题，使得本发明能够充分利用极化SAR图像数据不同于其他数据的散射特性和统计特性，更好的表征实际地物的散射机理。

第二，由于本发明采用深度鲁棒主成分分析RPCA得到样本的二阶特征，克服了现有技术单纯地将所提取的散射、偏振和纹理信息进行简单的堆叠，然后直接输入支持向量机SVM中进行分类，由此导致输入的特征中包含较多的冗余信息，未能有效反应极化SAR图像的本质特征，使得分类效率大大下降的问题，使得本发明能更好地学习数据的高级特征，更有利于提高分类结果和分类精度。

第三，由于本发明采用对超像素进行分类的技术，克服了现有技术的分类结果同质区域一致性差的问题，使得本发明能保持极化SAR图像中像素点与像素点之间的空间相关性，大大提高了分类精度，改善了极化SAR图像的分类性能。

附图说明

图1是本发明的流程图；

图2是本发明仿真实验中使用的极化SAR图像；

图3是本发明仿真实验中使用的极化SAR图像真实的地物标记图；

图4是采用现有的wishart分类方法对图2中的极化SAR图像进行分类的结果图；

图5是采用支持向量机SVM分类方法对图2中的极化SAR图像分类的结果图；

图6是采用本发明对图2中的极化SAR图像进行分类的结果图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，本发明的具体实施步骤如下。

步骤1.读入一幅待分类的极化SAR图像。

步骤2.滤波。

采用精致极化LEE滤波法，对极化SAR图像中的所有像素点进行滤波，精致极化LEE滤波法的边缘窗口大小为3×3个像素点，得到滤波后的极化SAR图像像素点的相干矩阵。

步骤3.提取特征。

首先，从滤波后的极化SAR图像的相干矩阵中，提取每个像素点的功率、数据分布特征参数和相对峰值。

然后，利用泡利Pauli分解方法，对每个像素点提取3个表征泡利Pauli分解的散射特征参数；利用弗里曼—得登Freeman-Durden分解方法，对每个像素点提取9个表征弗里曼—得登Freeman-Durden分解的散射特征参数；利用克拉徳Cloude分解方法，对每个像素点提取6个表征克拉徳Cloude分解的散射特征参数；利用慧能Huynen分解方法，对每个像素点提取9个表征慧能Huynen分解的散射特征参数；利用克罗艾厄Krogager分解方法，对每个像素点提取3个表征克罗艾厄Krogager分解的散射特征参数。

其次，对每个像素点提取的3个表征泡利Pauli分解的散射特征参数、9个表征弗里曼—得登Freeman-Durden分解的散射特征参数、6个表征克拉徳Cloude分解的散射特征参数、9个表征慧能Huynen分解的散射特征参数和3个表征克罗艾厄Krogager分解的散射特征参数，组成一个30维的散射特征参数。

再次，从滤波后的极化SAR图像像素点的相干矩阵中，提取每个像素点的偏振特征。

最后，从滤波后的极化SAR图像的每个像素点和该点对应的8邻域像素点的相干矩阵中，提取位于相干矩阵中的上三角处的三个元素的实部值、虚部值和模，以及相干矩阵中位于对角线上的三个元素的实部值；将所提取的位于相干矩阵中的上三角处的三个元素的实部值、虚部值和模以及对角线上的三个元素的实部值，作为像素点的邻域信息特征。

步骤4.特征组归一化。

将像素点的功率、数据分布特征参数、相对峰值、散射特征参数、偏振特征、邻域信息特征组合成特征组。然后，将特征组归一到0～1之间的数值，得到归一化的特征组。最后，将归一化的特征组，作为深度鲁棒主成分分析RPCA的原始输入数据。

步骤5.选择训练样本和测试样本。

根据极化SAR图像的真实地物标记，分别从每个地物类别随机选取5％的有标记的原始输入数据作为训练样本，剩余的95％的有标记的原始输入数据作为测试样本

步骤6.训练深度鲁棒主成分分析RPCA第一层。

第一步，利用matlab软件，将一个训练样本转换为方阵。

第二步，按照从上到下、从左到右的顺序，依次对方阵中的每一个元素取矢量块，矢量块的大小设置为3×3个像素点。

第三步，对每一个元素的矢量块求均值，然后，用矢量块内的数据减去均值，得到的结果作为矢量块的均值移除结果。

第四步，判断所有的训练样本的矢量块是否都进行均值移除，若是，则执行步骤6第五步，否则，执行步骤6第一步。

第五步，对所有训练样本的均值移除结果按列排序，得到排序后的矩阵。

第六步，利用matlab软件，对排序后的矩阵，用低秩逼近的方法，求解排序后矩阵的低秩部分。

第七步，用构造公式，构造深度鲁棒主成分分析RPCA第一层的鲁棒主成分分析滤波器，构造公式如下：

W_lⁱ＝mat(q_l(X_iX_i^T))

其中，W_lⁱ表示深度鲁棒主成分分析RPCA第i层的第l个鲁棒主成分分析滤波器，i表示深度鲁棒主成分分析RPCA的层数，此处i＝1；l＝1,2,...,L_i，L_i表示第i层鲁棒主成分分析滤波器的个数，mat(·)表示映射操作，q_l(·)表示求特征向量的操作，X_i表示排序后的矩阵的低秩部分，T表示转置操作。

第八步，用深度鲁棒主成分分析RPCA第一层的鲁棒主成分分析滤波器与训练样本进行二维卷积，将卷积的结果作为训练样本的一阶特征。

步骤7.训练深度鲁棒主成分分析RPCA第二层。

第一步，利用matlab软件，将一个训练样本的一阶特征转换为方阵。

第二步，按照从上到下、从左到右的顺序，依次对方阵中的每一个元素取矢量块，矢量块的大小设置为3×3个像素点。

第三步，对每一个元素的矢量块求均值，然后，用矢量块内的数据减去均值，得到的结果作为矢量块的均值移除结果。

第四步，判断所有的训练样本的一阶特征的矢量块是否都进行均值移除，若是，则执行步骤7第五步，否则，执行步骤7第一步。

第五步，对所有训练样本的一阶特征的均值移除结果按列排序，得到排序后的矩阵。

第六步，对排序后的矩阵，用低秩逼近的方法，求解排序后矩阵的低秩部分。

第七步，用构造公式，构造深度鲁棒主成分分析RPCA第二层的鲁棒主成分分析滤波器，构造公式如下：

W_lⁱ＝mat(q_l(X_iX_i^T)).

其中，W_lⁱ表示深度鲁棒主成分分析RPCA第i层的第l个鲁棒主成分分析滤波器，i表示深度鲁棒主成分分析RPCA的层数，此处i＝2，l＝1,2,...,L_i，L_i表示第i层鲁棒主成分分析滤波器的个数，mat(·)表示映射操作，q_l(·)表示求特征向量的操作，X_i表示排序后的矩阵的低秩部分，T表示转置操作。

第八步，用深度鲁棒主成分分析RPCA第二层的鲁棒主成分分析滤波器与训练样本的一阶特征进行二维卷积，将卷积的结果作为训练样本的二阶特征。

步骤8.用训练样本的二阶特征训练支持向量机SVM，得到训练好的支持向量机SVM。

步骤9.生成超像素。

从滤波后的极化SAR图像中，等间距地选取像素点，作为初始种子点，本发明中间距设置为10³个像素点，通过对初始种子点进行碰撞，得到超像素。

步骤10.分类。

第一步，采用特征值学习方法，对深度鲁棒主成分分析RPCA中的一个超像素进行特征值学习，得到超像素的特征值。

首先，将组成每一个超像素的所有像素点的原始输入数据，输入到深度鲁棒主成分分析RPCA中，得到所有像素点的二阶特征值；然后，对所有像素点的二阶特征取平均值，得到超像素的特征值。

第二步，将超像素的特征值输入支持向量机SVM中，用训练后的支持向量机SVM对超像素进行分类，得到超像素所属地物的类别。

第三步，将超像素内的所有像素点所属地物类别划分为该超像素所属地物类别，得到该超像素内的所有像素点所属地物类别。

第四步，判断是否得到全部超像素内的所有像素点所属地物类别，若是，执行步骤11，否则，执行步骤10第一步。

步骤11.计算分类精度。

第一步，将极化SAR图像的测试样本像素点所属地物类别与真实地物类别进行对比，将类别一致的像素点个数与测试样本中该类别全部像素点个数的比值，作为该类别的正确率。

第二步，判断是否得到全部类别的正确率，若是，执行步骤11第三步，否则，执行步骤11第一步。

第三步，将类别一致的像素点个数与测试样本中全部像素点个数的比值作为极化SAR图像的分类精度。

步骤12.输出结果。

根据红、绿、蓝三基色原理，对每个像素点所属地物类别，用同一种颜色标出同类地物，得到上色后的极化SAR图像并输出图像。

本发明的效果可通过以下仿真进一步说明。

1、仿真条件：

本发明的仿真是在主频2.5GHZ的Core(TM)i5-4200M CPU E6550@2.50GHZ、8GB RAM的硬件环境和MATLAB R2013b的软件环境下进行的。

2、仿真内容：

本发明仿真是对图2中的极化SAR图像进行分类实验。图2是本发明实施例中待分类极化SAR图像，该图是NASA实验室AIRSAR系统获取的荷兰弗莱福兰地区Flevoland地区的L波段极化SAR图像。仿真实验按15类对极化SAR图像进行分类。图3是本发明实施例中待分类极化SAR图像的真实地物标记图像。

本发明仿真内容为：仿真1，采用现有的wishart分类方法对图2中的极化SAR图像进行分类，结果详见图4。仿真2，采用支持向量机SVM分类方法对图2中的极化SAR图像进行分类，结果详见图5。仿真3，用本发明对图2进行分类，结果详见图6。

3仿真效果分析

分别将图4、图5和图6与本发明实验所用的待分类极化SAR图像真实地物标记图3对比可以看出，图6相比于对比方法图4和图5，图6更加接近于图3待分类极化SAR图像真实地物标记图像，而且图6中各类地物的区分更加的细致，准确。

以图3中的待分类极化SAR真实地物标记图像作为精度评价标准，对现有技术的Wishart有监督分类方法、采用支持向量机SVM分类的方法、本发明分类方法的分类精度进行统计，结果如表1。

从表1中可以看出，本发明基于深度鲁棒主成分分析RPCA的极化SAR地物分类方法相比于现有技术的两种对比实验，精度有较大的提高，这主要是因为本发明提取的特征相比于极化SAR图像的相干矩阵本身和单纯的散射特征，包含了更加丰富的地物信息，且特征冗余性小，更具有表示性，有利于分类，分类精度更高，且通过引入超像素进行分类，使得本发明能保持极化SAR图像中像素点与像素点之间的空间相关性，大大提高了分类精度，改善了极化SAR图像的分类性能。

表1