本發(fā)明屬于圖像處理技術領域，特別涉及一種基于時間序列極化SAR圖像多尺度描述基元的稀疏流形分類方法。

背景技術：

合成孔徑雷達(Synthetic Aperture Radar，SAR)是一種用于地面目標物體成像的雷達系統(tǒng)。SAR憑借其高分辨率、全天時和全天候的特性，成為了地面觀測的重要工具。SAR圖像分類是遙感圖像解譯的一個重要組成部分，在農(nóng)林業(yè)規(guī)劃、災害監(jiān)測、環(huán)境保護、軍事偵察等領域都有著廣泛的應用。

針對單幅SAR圖像，統(tǒng)計分布是重要分類手段；針對極化SAR圖像，極化分解是常用分類方法；針對多幅時間序列圖像，利用干涉信息的解纏可以獲取相干信息。如何融合極化統(tǒng)計等非相干信息和時間序列相干信息是時間序列極化SAR圖像分類的一個重要方向。常用的多特征融合方法基本可以分為三類：聯(lián)合訓練法、核函數(shù)方法、子空間方法。在聯(lián)合訓練法的每個迭代周期中，模型對每個特征進行單獨的訓練然后將不同模型的差異反饋至訓練集。核函數(shù)方法中每個特征對應匹配于一個特定的核，所有的核通過線性或者非線性的方法組合起來，代表方法有Simple MKL。子空間方法假定存在一個隱含子空間可以通過特定的映射生成每一個特征，通過尋找這個子空間實現(xiàn)特征融合，主成分分析(Principal Component Analysis，PCA)是一種經(jīng)典的子空間方法。然而，因為解纏問題和InSAR反演流程的復雜性，精確的高度反演后再用于分類存在過程復雜的問題，如何在不需要精確解纏和反演的基礎上獲取相干信息是關鍵。更為重要的是，非相干特征和相干特征的聯(lián)合訓練、核函數(shù)、子空間方法都沒有在特征初期就充分聯(lián)合兩者信息。

稀疏信號可以通過稀疏表達進行信息壓縮。傳統(tǒng)的稀疏編碼模型通過組合過完備字典中的基原子來逼近輸入信號，但是這些模型在非線性情況下表現(xiàn)不佳，尤其是在分類情況比較復雜時時。

技術實現(xiàn)要素：

為了解決上述技術問題，本發(fā)明提供了一種基于時間序列極化SAR圖像多尺度描述基元的稀疏流形分類方法。

本發(fā)明所采用的技術方案是：一種極化SAR圖像多尺度描述基元的稀疏流形分類方法，其特征在于，包括以下步驟：

步驟1：準備待分類時間序列SAR圖像數(shù)據(jù)集，從待分類圖像中提取極化相干矩陣；

步驟2：對待分類圖像中提取的極化相干矩陣進行極化尺度上的極化分解和時間尺度上的隨機游走，形成多尺度描述基元；

步驟3：利用步驟1得到待分類時間序列極化SAR圖像重疊部分的非相干信息和相干信息，并進行歸一化；

步驟4：非相干信息、相干信息分別單獨輸入支持向量機分類器；歸一化的特征分別輸入聯(lián)合訓練法、Simple MKL、主成分分析法，以這些作為對比試驗；

步驟5：利用基于稀疏流形表達的非線性產(chǎn)生式模型進行特征提取和信息降維；

步驟6：用支持向量機對步驟5中提取的最終特征進行分類。

本發(fā)明的多尺度SAR圖像基元能夠在特征初期充分融合圖像的非相干信息和相干信息，提供了進一步利用其它分類方法的潛力，可以成為一種通用的時間序列極化SAR圖像處理的基礎技術。本發(fā)明提出的一種基于稀疏流形表達的分類方法可以對全圖各像素的多尺度信息基元形成的原始信息進行特征空間映射，以進行特征提取和信息降維。最后本發(fā)明基于支持向量機分類器對上述特征進行分類。

附圖說明

圖1本發(fā)明實施例的單像素點多尺度描述基元說明圖。

圖2本發(fā)明實施例的驗證過程說明圖。

具體實施方式

為了便于本領域普通技術人員理解和實施本發(fā)明，下面結合附圖及實施例對本發(fā)明作進一步的詳細描述，應當理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

傳統(tǒng)的時間序列極化SAR圖像的非相干特征和相干特征融合不能在特征形成初期充分結合特征，本發(fā)明提供的多尺度描述基元在極化尺度利用多個極化相干分解提取極化信息，在時間尺度利用隨機游走方法以相似度為權值提取相干信息，組合形成一個多尺度立方體，能夠很好地整合特征，為后續(xù)操作打下基礎。

傳統(tǒng)的稀疏表達模型不能很好地處理非線性情況。本發(fā)明方法的基于稀疏流形表達的非線型產(chǎn)生式模型引入流形表達改造壓縮感知。流形思想假定高維空間里的點實際存在于一個低維空間中。保留原始字典空間中像素的位置關系并以此為基礎在低維流形空間映射對應特征點并通過引入觀測矩陣降低初始輸入信號的維度?；谌珗D的多尺度描述基元經(jīng)過這種模型的處理后能被有效地壓縮，且能較好地解決SAR圖像在相干和非相干兩個特征提取尺度的不一致性以及SAR圖像相干成像帶來的乘性模型問題。

本發(fā)明的目的在于構造一個多尺度SAR圖像信息基元來解決這個時間序列極化SAR特征提取的基礎問題，即提供一個基礎信息基元：在時間尺度利用隨機游走方法提取相干信息；在極化尺度利用極化相干分解提取極化信息；最終對于每個分類像素獲得一個多尺度信息塊。針對全圖多尺度信息塊組合數(shù)據(jù)量過大、極化非相干和相干兩個尺度信息不一致、SAR圖像數(shù)據(jù)乘性模型帶來的非線性問題，本發(fā)明進一步構造了一個基于稀疏流形表達的多層次的非線性產(chǎn)生式模型來對其進行特征提取和信息降維。該模型能較好的解決SAR圖像在相干和非相干兩個特征提取尺度的不一致性以及SAR圖像相干成像帶來的乘性模型問題。

本發(fā)明可采用計算機軟件技術實現(xiàn)流程自動運行，包括兩個階段：多尺度信息基元的構造階段以及基于多尺度描述基元的稀疏流形表達方法的對比驗證過程階段。

如圖1，本發(fā)明實施例的多尺度信息基元構造階段包括以下2個步驟：

步驟1.1：準備待分類時間序列SAR圖像數(shù)據(jù)集，從待分類圖像中提取極化相干矩陣，實現(xiàn)方式如下：

1)設在執(zhí)行之前需要準備好M張待分類時間序列極化SAR圖像數(shù)據(jù)集D，這里的數(shù)據(jù)集D來自于同一地點在一段時間內(nèi)T個時刻的極化雷達圖像；

2)對張圖像進行配準并根據(jù)極化信息生成每幅圖像的極化相干矩陣；

3)提取數(shù)據(jù)集所有圖像重疊部分及對應的T個極化相干矩陣。

步驟1.2：對待分類圖像中提取的極化相干矩陣進行極化尺度上的極化分解和時間尺度上的隨機游走，形成多尺度描述基元，實現(xiàn)方式如下：

1)在極化尺度分別進行Pauli分解、SDH分解、Huynen分解、Holm分解和Cloude分解；

2)在時間尺度以像素間相似度為權值，以像素點周圍八個點以及前后時刻十八個點組成的三維空間內(nèi)進行隨機游走，以多條路徑所有帶權信息和作為目標像素的相干信息；

3)組合非相干信息和相干信息形成多尺度描述基元。

如圖2，本發(fā)明實施例中對基于多尺度描述基元的稀疏流形表達方法的對比驗證過程包括以下3個步驟：

步驟2.1：利用步驟1得到待分類時間序列極化SAR圖像重疊部分的非相干信息和相干信息，并進行歸一化；

步驟2.2：非相干信息、相干信息分別單獨輸入支持向量機分類器；歸一化的特征分別輸入聯(lián)合訓練法、Simple MKL、PCA，以這些作為對比試驗。

步驟2.3：利用基于稀疏流形表達的非線性產(chǎn)生式模型進行特征提取和信息降維，實現(xiàn)方式如下：

1)提取步驟1得到的多尺度描述基元間的位置關系；

2)利用得到的位置關系在低維流形空間重構特征：

此公式表示算法代價函數(shù)。公式第一部分提取特征，第二部分利用1-范數(shù)約束保證欠定方程有唯一解。其中N表示樣本的數(shù)量，K是樣本鄰域中像素個數(shù)，l從1到N表示每個樣本的下標，y_l表示低維流形空間中第l個樣本的對應特征，k從1到K表示每個鄰域像素的下標，y_k表示第l個樣本的第k個鄰域像素，w_lk表示樣本y_l與鄰域像素y_k的位置關系，b_l代表樣本y_l的實際類別，λ表示局部性約束的權值。

3)利用高斯觀測矩陣Φ對重構特征進行再降維；

4)最后用支持向量機對提取的最終特征進行分類。

應當理解的是，本說明書未詳細闡述的部分均屬于現(xiàn)有技術。

應當理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本發(fā)明專利保護范圍的限制，本領域的普通技術人員在本發(fā)明的啟示下，在不脫離本發(fā)明權利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā)明的請求保護范圍應以所附權利要求為準。