基于快速拍卖图的半监督极化SAR分类方法与流程

本发明属于图像处理技术领域，涉及图像分类领域的应用，具体的说是一种半监督极化SAR分类方法，可用于对极化SAR图像的地物分类和目标识别。

背景技术：

极化SAR是一种是利用合成孔径原理，实现高分辨的微波成像雷达，不但具有全天候、全天时、分辨率高、可侧视成像等优点，同时SAR影像具有丰富的细节信息，重要的纹理特征和明显的地物几何结构，可广泛应用于军事、农业、导航、地理监视等诸多领域。在国际遥感领域受到高度重视，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。

极化SAR图像分类的目的是利用机载或星载极化SAR传感器获得的极化测量数据，根据像素的性质，确定每个像素所属的类别。它是图像解译技术的一项重要内容，是其它应用的基础。近年来，随着极化SAR传感器的不断改进与发展，大量的极化SAR分类方法被提出，它们为雷达图像分类的研究与应用注入了新的活力。

半监督分类通过少量有标记样本对大量无标记样本进行分类，半监督分类对于减少标注代价，提高学习机器性能具有非常重大的实际意义，随着该方法的广泛应用，基于图模型的方法也越来越受到关注，该方法首先使用有标记样本和无标记样本作为顶点来构建一个图模型，给每一个顶点之间的边都赋予一个权值，权值表示两个样本之间的相似度。之后，根据优化函数即分类器通过边将有标记样本的类别标签传递给无标记样本，从而对无标记样本进行分类。

虽然基于图的分类方法在图像分类上都取得了较高的分类正确率，但是仍然存在两个缺点：一是在构图过程中，忽视了图像的空间信息，导致对图像的细节部分划分有一定的误差。二是构图方法时间复杂度高，运算量大。

技术实现要素：

本发明的目的在于针对上述已有技术的不足，提出一种基于图的快速半监督极化SAR分类方法，以减少构图的时间复杂度，并提高图像的分类正确率。

为实现上述目的，本发明技术方案包括如下：

(1)从电脑硬盘的极化SAR图像数据文件夹中获取极化SAR图像的相干特征数据X，利用Pauli分解方法对相干特征数据进行处理得到Pauli RGB图,用超像素分割法对该图进行分割；

(2)利用分割后的Pauli RGB图对每个像素点进行空间信息加权：

(2a)将Pauli RGB图每一个像素点x_i的周围m个像素点用X_m＝{x_i1,x_i2,x_ij…,x_im}∈R^d×m表示，x_ij∈X_m表示像素点x_i周围的第j个像素点，j＝1,2,…,m，m为像素点x_i周围像素点的个数，x_i是d维的列向量；

(2b)使用x_i周围的m个像素点对该像素点x_i进行空间信息加权：所有的像素点经过空间信息加权后的集合表示为n为图像中所有像素点的个数；

(3)将所有空间信息加权后的像素点数据集合X^*划分为L个数据子集，并对L个数据子集同时利用Nystrom逼近方法求取相似近邻矩阵，得到第l个数据子集求取的相似近邻矩阵为其中l∈1,2,…L；U表示A^l的近似特征向量，Λ为对角矩阵，B＝UΛU^T，B为第l个数据子集中r个采样样本之间的相似近邻矩阵，C为第l个数据子集中r个采样样本与余下的q-r个样本之间的相似近邻矩阵，q为第l个数据子集中总样本个数；

(4)使用拍卖理论优化公式对步骤(3)中求取的相似近邻矩阵A^l进行优化，得到拍卖图矩阵S^l,l∈1,2,…L；

(5)对步骤(4)中的拍卖图矩阵S^l进行稀疏处理，得到稀疏拍卖图矩阵W^l；

(6)利用步骤(5)中求取的数据子集的稀疏拍卖图矩阵W^l，对L个数据子集进行半监督分类合并每个数据子集的分类结果，得到每个像素点分类后的类别标签矩阵Y；

(7)利用步骤(6)中得到的每个像素点样本点的类别标签对所有的像素点进行着色并计算分类正确率，输出分类后的图像。

本发明的优点是：

1，本发明通过对原始图像像素点数据进行处理，对其进行入空间信息加权，进而构造出较之于传统图矩阵更能准确表示像素点之间相似性的拍卖稀疏图矩阵，提高了对图像细节划分的精确度。

2，在构造图矩阵方面，本发明利用Nystrom逼近的方法构造图矩阵，利用样本数据集中部分采样点之间的相似图矩阵，以及采样点与余下样本点之间的相似图矩阵来估计整个样本数据集的相似图矩阵，较之于传统构图方法大大减少了构图的时间，从而降低了对图像分类的时间。

附图说明

图1本发明的实现流程图；

图2已有方法和本发明方法的实验结果图。

具体实施方式

参照图1，本发明的具体实施步骤如下：

步骤1、图像预处理

(1a)从电脑硬盘的极化SAR图像数据文件夹中获取极化SAR图像的相干特征数据X；

(1b)利用Pauli分解方法对极化SAR图像的相干特征数据进行处理得到Pauli RGB图

(1c)用超像素分割法对其Pauli RGB图分割成50块，本实验中用到的极化SAR图像

为120×80农田仿真图；

步骤2、利用分割后的Pauli RGB图对每个像素点进行空间信息加权

(2a)将Pauli RGB图每一个像素点x_i的周围m个像素点用X_m＝{x_i1,x_i2,x_ij…,x_im}∈R^d×m表示，其中x_ij∈X_m表示像素点x_i周围的第j个像素点，j＝1,2,…,m，d为像素点数据的维度，m为像素点x_i周围像素点的个数，其中d＝9,m＝4；

(2b)使用x_i周围的m个像素点对该像素点x_i进行空间信息加权：所有的像素点经过空间信息加权后的集合表示为n＝9600为图像中所有像素点的个数，并且随机取1％的像素点作为训练样本，其余的像素点为测试样本。

步骤3构造相似图矩阵

(3a)将所有空间信息加权后的像素点数据集合X^*平均划分为L＝4个数据子集；

(3b)对L个数据子集同时利用Nystrom逼近方法求取相似近邻矩阵，得到第l个数据子集求取的相似近邻矩阵为其中l∈1,2,…L；U表示A^l的近似特征向量，Λ为对角矩阵，B＝UΛU^T，B为第l个数据子集中r＝100个采样样本之间的相似近邻矩阵，C为第l个数据子集中r个采样样本与余下的q-r个样本之间的相似近邻矩阵，q＝2400为第l个数据子集中总样本个数，其中其中表示两个样本点与之间的欧式距离,计算时取σ＝1；

步骤4使用拍卖理论优化公式对步骤(3)中求取的相似近邻矩阵A^l进行优化，得到拍卖图矩阵S^l,l∈1,2,…L。

拍卖理论优化公式为：其中P＝(p₁,p₂,p_i…,p_q)^T表示第l个数据子集中像素点之间的相似性的向量，p_i为P中的第i个元素，i∈1,2…q，π＝(π₁,π₂,π_j…,π_q)^T为A^l的优化向量，π_i为π中的第j个元素，j＝1,2,…q，为A^l中第i行第j列的元素。

步骤5对步骤(4)中的拍卖图矩阵S^l进行稀疏处理，得到稀疏拍卖图矩阵W^l：

W^l＝S^l·H，

其中，为一个稀疏矩阵，其中h_ij为稀疏矩阵H中第i行第j列的元素，其中矩阵H中每行前8个元素元素取1，其余都取0。

步骤6对数据子集进行半监督分类。

(6a)利用步骤(5)中求取的数据子集的稀疏拍卖图矩阵W^l，对L个数据子集进行半监督分类，公式如下：

$\underset{Y}{\arg min}\underset{ij}{\Σ}{W}^l\left|\right|y_i^l-y_j^l\left|\right|$

其中W^l的表现形式为

其中为W^l中第i行第j列的元素,为第l个数据子集中第i个像素点素点的类别标签，为第l个数据子集中第j个像素点的类别标签,当像素点和像素点相似度较高，即值很大的时候，要使上述公式得到最优解，则和的距离要近，取即第i个像素点和第j个像素点被分到同一类，分类后第l个数据子集的类别标签矩阵为

(6b)合并4个数据子集的分类结果，得到所有像素点分类后的类别标签矩阵

步骤7利用步骤(6)中得到的每个像素点样本点的类别标签对所有的像素点进行着色并计算分类正确率，输出分类后的图像。

本发明的效果可以通过仿真实验具体说明：

1.实验条件

实验所用微机CPU为Intel Corei5-2430M内存4GB，编程平台是Matlab R2011b。

实验用图为120×80的农田仿真图，该图一共有9600个像素点，七类农作物，取其中1％的像素点作为训练样本，其余的为测试样本。

2.实验内容

对比算法是:已经出版的基于低秩表示图的半监督分类方法，基于锚点图的半监督分类方法，基于拍卖图的半监督分类方法，以及本发明的方法对上述120×80的农田仿真图进行半监督分类，结果如图2所示，其中，图2(a)PauliRGB图，图2(b)标准结果图，图2(c)基于低秩表示图的半监督分类方法的分类结果图，图2(d)基于锚点图的半监督分类方法的分类结果图，图2(e)基于拍卖图的半监督分类方法的分类结果图，图2(f)本发明方法的分类结果图。图2中的数字序号表示农作物的类别

将图2(c)、图2(d)、图2(e)、图2(f)分别与图2(b)比较对比可见，本发明方法的分类结果对于7类农作物的分类结果较之已有的三种方法都有所提升。对上述四种方法对农田仿真图进行半监督分类的时间和分类正确率进行统计，结果见表1

表1已有的对比方法以及本发明方法对农田仿真图分类的结果

从表1可以看出，本发明相比于其他的方法正确率更高，且运行时间更短。