本发明属于图像处理
技术领域：
，更进一步涉及目标识别
技术领域：
中的一种基于动态纹理特征的极化合成孔径雷达sar(syntheticapertureradar，sar)图像地物分类方法。
背景技术：
：极化sar能够提供丰富的地物目标散射信息，通过有效的方法确定和理解散射机制，能够极大地提高对极化sar图像目标检测和地物分类的能力。极化sar图像地物分类常用的特征可大致分为两类，一类是极化分解特征，或根据极化特性和散射机理计算获得的极化特征，如freeman分解分量、yamaguchi分解分量或极化散射参数极化散射熵h,极化散射各向异性度a等；另一类是数字图像处理中的常用特征，如颜色特征，纹理特征，空间关系特征等。由于地物目标的后向散射响应与电磁波的传播方向有关，在不同的入射角下，同种目标可能具有完全不同的响应，而两种不同的地物却可能具有相似的响应。为了避免目标散射响应多样性带来散射机制理解的模糊性，极化sar图像地物分类所使用的特征往往具有旋转不变的性质。然而，随着极化基的变化，即随着极化方位角与椭率角的旋转，地物的极化响应随之变化，且不同的地物极化响应的变化规律不同。可见，目标散射响应的多样性中包含了丰富的地物信息，这些信息能够反映出地物目标的某些特性，但往往被旋转不变的特征所忽略。因此，通过有效的方法探索目标散射响应的多样性中反映出的地物特征，能够作为一种信息的补充，提高极化sar图像地物分类的准确率。技术实现要素：本发明针对现有技术对极化sar目标散射响应多样性的信息利用不足的问题，提出一种基于动态纹理特征的极化sar图像地物分类方法，从极化sar的极化响应出发，将不同极化基下极化响应的变化规律看作一种动态纹理特征，通过动态分形纹理对这一特征进行描述，进而实现地物分类。本发明所采用的技术方案是一种基于动态纹理特征的极化sar图像地物分类方法，包括以下步骤：步骤1，读入极化sar数据；步骤2，数据滤波；步骤3，生成pauli伪彩图像序列，包括利用极化基变换，将原始极化sar数据变换为不同极化基下的极化sar数据；对每一极化基下的极化sar数据，使用pauli分解分量合成一幅rgb伪彩图像；将伪彩图像按照极化基旋转角度由小到大排列为一组pauli伪彩图像序列；步骤4，动态分形纹理特征提取，包括对pauli伪彩图像序列提取动态分形纹理特征，刻画地物散射响应随极化基变化而变化的不同规律，并以此作为地物分类的特征；步骤5，利用随机森林分类器进行第一次地物分类，初步得到被分为地物边界区域类的样本；步骤6，对在步骤5中被分为地物边界区域一类的样本，按照步骤4重新提取动态分形纹理特征，利用随机森林分类器进行第二次分类；步骤7，使用择多滤波器对步骤5、6两步的分类结果进行平滑处理，获得地物分类结果。而且，步骤4所述动态分形纹理特征提取，其具体实现包括以下子步骤：步骤4.1，以极化sar图像的每一个像素点为中心，选择邻域大小为15x15像素的数据立方，获得其三个方向的中心截面图像，其中n为pauli伪彩图像序列长度；步骤4.2，将步骤4.1中获得的三幅中心截面图像转换为灰度图像，利用多层大津法将每一幅灰度图像分解为若干幅二值化图像；步骤4.3，对步骤4.2中获得的每一幅二值化图像，求平均灰度等级vi与面积ai，然后提取轮廓，计算hausdorff分形维度di，得到特征向量；步骤4.4，将步骤4.3中从三个中心横截面所产生的全部二值化图像中提取出的特征向量按序连结为一个长特征向量，作为该像素点的动态分形纹理特征。而且，步骤3的极化基变换，是通过旋转极化方位角φ进行旋转变换，或者通过椭率角τ进行旋转变换。本发明可用于极化sar图像的地物分类。本发明的优点是：1、利用地物极化响应随极化基的变化规律，有效地描述了不同类型地物的特征，相比于传统的极化sar图像地物分类方法，具有更加准确、一致的分类结果。2、相比传统的静态纹理特征，动态纹理特征不仅刻画了地物的极化响应在空间的分布规律，也刻画了地物的极化响应随极化基的变化规律，包含了更丰富的信息，有利于地物分类；相比统计框架下的地物分类方法，基于动态纹理特征的方法不需要对极化特征进行统计建模，更加简单直观。附图说明图1是本发明的流程图；图2是本发明实施例的极化椭圆及其参数示意图；图3是本发明实施例的flevoland地区radarsat-2c波段的数据在不同极化方位角下的pauli伪彩图；图4是本发明实施例的flevoland地区radarsat-2c波段的数据在不同椭率角下的pauli伪彩图；图5是本发明实施例的动态分形纹理特征提取的流程图；图6是本发明实施例的实验数据示意图，其中，(a)是flevoland地区radarsat-2c波段的极化sar数据的pauli伪彩图；(b)地物类型标注图；图7是本发明实施例的测试结果示意图，其中，(a)是旋转极化方位角的地物分类结果图；(b)是旋转椭率角的地物分类结果图。具体实施方式为了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。本发明实施例中基于动态纹理特征的极化sar图像地物分类方法流程如附图1所示，包括以下步骤，步骤1，读入极化sar数据，以极化相干矩阵t3＝(tij)3x3矩阵为例。步骤2，滤波。为消除相干斑对极化sar图像的影响，采用滤波窗口大小为5x5像素的精致lee滤波器，对原始极化sar数据进行滤波，得到滤波后的极化sar数据。步骤3，生成pauli伪彩图像序列。包括利用极化基变换，将原始极化sar数据变换为不同极化基下的极化sar数据；对每一极化基下的极化sar数据，使用pauli分解分量合成一幅rgb伪彩图像；将伪彩图像按照极化基旋转角度由小到大排列为一组pauli伪彩图像序列。极化基变换，是通过旋转极化方位角φ进行旋转变换，或者通过椭率角τ进行旋转变换。两种方式取其一即可，准确率都较高。具体实施时，也可以采用两种方式分别处理供参考。极化sar通过发射和接收电磁波获取地物信息，电磁波的极化状态可由极化椭圆进行描述，如附图2所示。极化方位角φ和椭率角τ称为一组极化基，以极化方位角φ和椭率角τ为基底，电场强度可以表示为：其中，e0x为电场强度的水平分量，e0y为电场强度的垂直分量，j为虚数单位。改变极化基，即改变电磁波极化方式时，对应的地物散射响应也会随之发生变化。旋转极化方位角φ，即对极化相干矩阵t3进行旋转变换：其中t3′为旋转后的极化相干矩阵，u3t(2φ)为旋转矩阵，t3矩阵的对角元素随极化方位角变化规律如下：t11(φ)＝t11t22(φ)＝t22cos2(2φ)+t33sin2(2φ)+re[t23]sin(4φ)t33(φ)＝t22sin2(2φ)+t33cos2(2φ)-re[t23]sin(4φ)其中，re[t23]表示取极化相干矩阵t3内元素t23的实部，t11、t22、t33是t3矩阵的对角元素，t11(φ)、t22(φ)、t33(φ)是旋转极化方位角φ后的相应结果。同理，旋转椭率角τ，即利用旋转矩阵u3t(2τ)：对t3矩阵进行旋转变换，则对角元素变换规律如下：t11(τ)＝t11cos2(2τ)+t33sin2(2τ)+im[t13]sin(4τ)t22(τ)＝t22t33(τ)＝t11sin2(2τ)+t33cos2(2τ)-im[t13]sin(4τ)其中，t11、t22、t33是t3矩阵的对角元素，t11(τ)、t22(τ)、t33(τ)是旋转椭率角τ后的相应结果，im[t13]表示取极化相干矩阵t3内元素t13的虚部。因此，通过对极化相干矩阵进行旋转变换，可以获得不同极化基下的极化相干矩阵。旋转极化方位角φ，生成pauli伪彩图像序列的具体步骤如下：第一步利用下式，对极化相干矩阵进行旋转变换，其中极化方位角φ由0到90°每隔3.6°取一个值。第二步对每一组极化基下的极化数据，利用pauli分解得到3个极化分量，合成对应的伪彩图像。将生成的pauli伪彩图按照旋转角度依次排列，从而得到一组pauli伪彩图像序列。以flevoland地区的radarsat-2c波段数据为例，通过上述步骤生成的pauli伪彩图像序列中的部分图像如附图3所示，φ分别取0°、10.8°、21.6°、32.4°、54°、21.6°、64.8°、75.6°、86.4°。旋转椭率角τ，生成pauli伪彩图像序列的具体步骤如下：第一步利用下式，对极化相干矩阵进行旋转变换，其中椭率角τ由0°到45°每隔3.6°取一个值。第二步交换极化椭圆长短轴后，椭率角τ由45°到0°每隔3.6°取一个值，在下文中以负值表示，利用第一步中的公式对极化相干矩阵进行旋转变换。第三步对每一组极化基下的极化数据，利用pauli分解得到3个极化分量，合成对应的伪彩图像。将生成的pauli伪彩图按照旋转角度依次排列，从而得到一组pauli伪彩图像序列。以flevoland地区的radarsat-2c波段数据为例，通过上述步骤生成的pauli伪彩图像序列中的部分图像如附图4所示，τ分别取0°、10.8°、21.6°、32.4°、43.2°、-36°、-25.2°、-14.4°、-3.6°、-0°。得到旋转极化方位角φ生成的pauli伪彩图像序列，或者旋转椭率角τ生成pauli伪彩图像序列后，进入后续步骤进行处理。步骤4，动态分形纹理特征提取。对步骤3中生成的pauli伪彩图像序列提取动态分形纹理特征，刻画地物散射响应随极化基变化而变化的不同规律，并以此作为地物分类的特征。对极化sar图像的每一个像素点，以该点为中心，选择大小为15×15×n的窗，进行动态分形纹理特征的提取。其中n为图像序列长度，在n个图像中都以当前像素点为中心取15x15像素大小的区域，即每一个窗都以当前像素点为中心，包含其15x15像素大小的邻域内随极化基变化而改变的数据立方。选择数据立方的三个方向的中心截面，提取分形纹理特征，作为该像素点的动态纹理特征。获得的动态分形纹理特征能够反映该像素点处的极化响应随空间和极化基的变化规律。下面结合附图5具体解释动态分形纹理特征提取的步骤：第一步以极化sar图像的每一个像素点为中心，选择邻域大小为15x15像素的数据立方，获得其三个方向的中心截面图像，包括x-z截面、y-z截面和x-y截面。第二步将三幅中心截面图像转换为灰度图像，利用多层大津法选择6个灰度阈值，将每一幅灰度图像分解为11幅二值化图像，例如对x-y截面分解得到图像b1、b2、b3…b11。多层大津法为现有技术，可参见costaaf,humpiremamanig,trainaajm.anefficientalgorithmforfractalanalysisoftextures[c]//graphics,patternsandimages.ieee,2012:39-46.本发明不予赘述。其中6幅二值化图像由6个灰度阈值根据下式获得：其中，i(x,y)为图像坐标为(x,y)的像素点的灰度值，threshold为所选择的阈值，ib为二值化后的图像值。另外5幅二值化图像由6个灰度阈值根据下式获得：其中tl与tu表示将6个灰度阈值从小到大依次排列后相邻的较小与较大的两个阈值。第三步对第二步中获得的一组二值化图像，依次求第i幅图像的平均灰度等级vi与面积ai，然后提取轮廓，利用下式计算hausdorff分形维度di：其中n(ε)为用边长为ε的超立方体覆盖被测形体所得的数目，本发明中，将ε设置为与待处理图像大小一致。将第i幅图像获得的三个特征值平均灰度等级vi、面积ai、hausdorff分形维度di连结为一个特征向量fi，即fi＝{di,vi,ai}，并按照图像序号i从小到大将每一个特征向量fi连结为一个长特征向量fxy，即fxy＝{f1,f2,...,fn}，同理，可以获得x-z截面的特征向量fxz与y-z截面的特征向量fyz。第四步将从三个中心横截面所产生的全部二值化图像中提取出的特征向量fxy＝{f1,f2,...,fn}、fxz＝{f1,f2,...,fn}、fyz＝{f1,f2,...,fn}按序连结为一个长特征向量f＝{fxy,fxz,fyz}，作为该像素点的动态分形纹理特征。步骤5，利用随机森林分类器进行第一次地物分类。选取3.33％的数据作为训练样本，剩余数据作为测试样本，基于步骤4中提取的动态分形纹理特征对地物进行分类。在提取分形纹理特征时，较大尺寸的窗包含了更多的邻域像素，能够对当前像素点的特征提取提供更多信息，因而有利于提高分类的准确率。然而，在地物边界处，使用大尺寸的窗会使一个窗内包含多种地物类型，降低了地物边界处分类的有效性和准确性。因此，使用15×15×n像素大小的窗进行第一次分类时，将训练样本中窗内包含多种地物的样本单独设置为一类。分类完成后，被分为该类的测试样本即为可能的地物边界区域，这些区域需要进一步精细分类。步骤6，地物边界分类。本发明提出，依据动态分形纹理特征，对极化sar图像地物进行先整体后边界的两次分类。在本步骤中，对在步骤5中被分为地物边界区域一类的样本，采用5×5×n像素大小的窗，按照步骤4重新提取动态分形纹理特征，利用随机森林分类器进行第二次分类。步骤7，后处理。使用滤波窗口为5x5像素的择多滤波器对步骤5、6两步的分类结果进行平滑处理，获得最终的分类结果。具体实施时，以上流程可采用计算机软件技术实现自动运行。下面，结合flevoland地区radarsat-2c波段的极化sar数据对本发明地物分类的有效性和准确性做进一步说明。1.实验数据测试实验选取flevoland地区radarsat-2c波段的极化sar数据，图像尺寸为1200x1400像素，分辨率为12mx8m，如附图6(a)所示。该地区包含水域、林地、建筑和耕地四种地物类型，地物类型标注图如附图6(b)所示。2.地物分类结果使用本发明所提出的方法进行地物分类，分类结果如表1所示。旋转极化方位角φ时，平均分类准确率为93.98％，旋转椭率角τ时，平均分类准确率为94.07％。对应的分类结果图像如附图7所示。表1radarsat-2flevoland地区地物分类准确率(％)表2对比了本发明提出的方法与几种传统的基于统计框架的地物分类方法的分类结果。相比于几种基于统计框架的地物分类方法，本发明的分类准确率有明显的提升。表2几种方法在radarsat-2flevoland地区的地物分类准确率比较分类方法平均准确率(％)kp分布83.51g0p分布82.89复wishart分布63.60本发明方法-旋转极化方位角93.98本发明方法-旋转椭率角94.07实验结果表明，旋转变化的特征可以为地物分类提供丰富的信息，本发明的方法能够有效地描述不同土地覆被的特征，具有更加准确、一致的分类结果。本发明的创新之处在于，以动态纹理特征刻画了极化sar地物响应随极化基的改变而变化的规律，并应用于地物分类之中。地物目标的后向散射响应与电磁波的传播方向有关，传统的具有旋转不变性的极化特征往往不能完全反映地物目标的散射性质。因此，通过旋转变化序列描述目标散射多样性，以动态纹理为特征探索地物响应随极化基的变化规律，能够为刻画地物性质提供更加丰富的信息，有利于极化sar图像中地物的分类。以上结合实施例对本发明作了说明，应指出，本领域技术人员可以做出各种形式的和细节上的改变，而不偏离由所附权利要求所确定的本发明的精神和范围。当前第1页12