基于nsct和判别字典学习的极化sar分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，特别涉及一种SAR图像分类方法，可用于目标识 别领域。
【背景技术】
[0002] 合成孔径雷达SAR因其全天时、全天候、高分辨的强大优势而倍受青睐。同传统的 单极化合成孔径雷达相比，极化合成孔径雷达是对目标进行全极化测量，能获得更为丰富 的目标信息，因此近年来备受关注。
[0003] 极化合成孔径雷达获得的图像被称为极化SAR图像。极化SAR图像分类是极化SAR 图像解译过程中的一个重要研宄内容，其目的是利用极化SAR传感器获取的极化测量数据 来确定极化SAR图像中各单元所属类别。极化SAR图像分类的结果在军用和民用方面得到 了广泛的应用，具有重要的应用价值。
[0004] 近年来，大量的极化SAR图像分类方法被提出。一些学者从极化散射信息的角度 出发对极化SAR图像的像素进行分类，主要方法是基于统计特性分析的分类方法和基于物 理散射特性分析的分类方法，提取与极化SAR数据相关的具有散射特性的特征，然后采用 现有分类方法实现极化SAR图像分类的目的。虽然该分类方法领域已经获得了比较理想的 成果，但是它要求使用者对极化SAR数据的固有物理特性有较为深刻的理解，因此限制了 该方法的广泛使用。
[0005] 另有学者在已有的极化SAR图像数据的特征集的基础之上，引入更为有效的分类 方法对极化SAR图像进行分类，如有人将近几年较为热门的基于稀疏表示的SRC分类方法 应用到极化SAR图像的分类中，虽然该领域已有较为理想的分类效果，但仍然存在以下问 题。首先，SRC方法是基于重构误差最小准则对数据进行分类，但事实上数据重构和数据分 类两者之间是有差异的，如果仅考虑重构误差而不考虑分类误差，将会影响数据分类效果； 其次，由于SRC分类器是基于重构误差最小准则，这样每个样本都要进行多次重构误差计 算，就会对分类速度产生影响；最后，极化SAR图像数据因其成像原理的特殊性，使得它具 有较强的乘性噪声，因此若直接在极化SAR图像数据的原始特征域中进行分类将会受到噪 声的干扰，影响其分类效果。
【发明内容】
[0006] 本发明的目的在于针对上述已有技术的不足，提供一种基于NSCT和判别字典学 习的极化SAR分类方法，以能够提高分类准确率和分类速度。
[0007] 为实现上述目的，本发明的技术方案包括如下步骤：
[0008] (1)输入待分类极化SAR图像，获取其各像素点的相干矩阵，并对该相干矩阵进行 Lee滤波处理，得到去噪后的相干矩阵；
[0009] (2)对去噪后的相干矩阵进行Cloude分解，得到3个非负特征值和3个特征向 量，再通过计算得到散射熵和散射角，并将散射角和3个非负特征值作为各像素点的分类 特征；
[0010] (3)对各像素点的每个分类特征进行3层非下采样Contourlet变换NSCT，将变换 得到的低频系数作为对应像素点的变换域分类特征；
[0011] (4)使用像素点的变换域分类特征，结合判别字典学习模型进行字典和分类器的 训练；
[0012] (5)使用训练得到的字典和分类器对各测试样本进行分类，得到分类结果。
[0013] 本发明与现有技术相比具有如下优点：
[0014] 1、本发明在对极化SAR图像数据进行分类时，仅用其相干矩阵的Cloude分解得到 的4个值作为后续分类特征，这样不仅利于理解，而且可以降低提取特征的计算复杂度。
[0015] 2、本发明在对极化SAR图像进行分类的过程中，引入非下采样Contourlet变换对 分类特征进行变换，这种变换可以在低频子带上进行多分辨率、多方向上的迭代变换，而且 每个方向子带的图像大小和原始图像大小相等，且该变换是一种冗余变换，可以使图像的 边缘和纹理细节最大程度地保留下来，同时该变换还具有平移不变性。
[0016] 3、本发明中极化SAR图像的分类特征经过3层非下采样Contourlet变换后，得到 低频系数和高频系数，其中低频系数相比于高频系数更加具有分类判别能力，因此本发明 中只提取第3层变换后的低频系数作为各像素点的变换域分类特征。提高了分类准确率。
[0017] 4、本发明所使用的判别字典学习模型在训练过程中是将字典和分类器统一进行 优化求解的，并且求解得到的分类器为线性分类器，这样可以在很大程度上提升算法的分 类速度。因而，本发明提供的极化SAR图像分类方法，可以提高分类速度；
[0018] 综上，本发明提供的极化SAR图像分类方法，不仅能够提高分类准确率，同时还可 以提高分类速度。
【附图说明】
[0019] 图1为本发明的实现流程示意图；
[0020] 图2为本发明所使用的极化SAR伪彩图；
[0021] 图3为使用本发明对图2进行分类的仿真效果图。
【具体实施方式】
[0022] 下面将结合附图，对本发明的技术方案及效果进行清楚、完整地描述。
[0023] 参照图1，本发明的实现步骤如下：
[0024] 步骤1，输入待分类极化SAR图像，获取其各像素点的相干矩阵，并对该相干矩阵 进行Lee滤波处理，得到去噪后的相干矩阵。
[0025] 步骤2,对去噪后的相干矩阵进行Cloude分解，得到3个非负特征值和3个特征向 量。
[0026] 对去噪后的相干矩阵进行分解获取分类特征，分解方法有Freeman分解、Cloude 分解、四成份分解等方法；
[0027] 本发明采用Cloude分解对极化SAR图像的每一个像素进行分解，得到3个非负特 征值λ U λ 2，λ 3和3个特征向量V D V2, V3。
[0028] 其中，λ i代表W和HH同极化回波强度，不包括它们之间的相干部分；λ 2代表W 和HH相干强度；λ 3是考虑介质引起的去极化效应；VV表示垂直发射和垂直接收的极化方 式，HH表示水平