本发明雷达图像处理与解译技术，具体的说是涉及一种用于提取极化SAR图像超像素级特征的特征提取方法。本发明方法利用空间金字塔池化模型提取极化SAR图像超像素级特征，将超像素块内各特征层的每个尺度的特征串联得到超像素块的整体特征，极大减少了超像素级特征提取时间，减轻了对分类器的要求，改善了极化SAR图像分类结果。
1.一种基于空间金字塔池化的超像素级特征提取方法，其特征在于，包括以下步骤：S1、提取极化SAR图像每个像素点处的底层极化特征，具体为：S11、以极化SAR图像的散射矩阵 作为输入，提取极化SAR图像每个像素点的极化特征，其中Shh、Svh、Shv、Svv分别为四个极化通道下的极化分量；
S13、所述的极化特征为将相干矩阵转化为9维实数的向量，每个像素点处的极化特征Fi表示为：Fi＝[T11,T22,T33,real(T12),imag(T12),real(T13),imag(T13),real(T23),imag(T23)]S2、生成图像的超像素，图像划分成K个超像素区域：{R1,…,Rj,…,RK},j＝1,…,K，具体包括：S21、将图像每个像素点的伪彩色转化为CIELAB颜色空间；
S22、通过S间距采样像素点，初始化聚类中心Ck＝[lk,ak,bk,xk,yk] ，移动聚类中心至3×3邻域最小梯度处，设置每个像素点的超像素标签s(i)＝‑1,到最近聚类中心点处的距离
d(i)＝∞，其中，S＝(N/K) ，K是设置的超像素数；
S23、在聚类中心Ck附近2S×2S区域内的像素点i，就算Ck到i的距离D，如果D
S25、回到步骤S22进行迭代，直到残差在允许范围内；
S3、将每个超像素块做外接矩形，超像素区域外的点的值用超像素边缘的值表示；
S4、利用空间金字塔池化提取每个超像素块的特征，得到极化SAR图像的超像素级的极化特征，具体包括：S41、将每个超像素块中的每一特征层均匀划分为1×1,2×2,3×3,…,n×n块；
S42、取每一小块取最大值，对于任意的特征层，将每一小块的最大值串联，得到的特征长度为：length＝1×1+2×2+3×3+…+n×nS43、每一超像素块的特征的大小均可表示为：Fs＝9×length。
2.根据权利要求1所述的一种基于空间金字塔池化的超像素级特征提取方法，其特征在于，所述步骤S12的参数L设置为5。
3.根据权利要求2所述的一种基于空间金字塔池化的超像素级特征提取方法，其特征在于，所述步骤S22的参数m设置为[1,40]。
4.根据权利要求3所述的一种基于空间金字塔池化的超像素级特征提取方法，其特征在于，所述步骤S24的迭代次数设置为10。
5.根据权利要求4所述的一种基于空间金字塔池化的超像素级特征提取方法，其特征在于，所述步骤S41的参数n设置为4。
一种基于空间金字塔池化的超像素级特征提取方法
技术领域
[0001] 本发明属于雷达图像处理与解译技术，具体的说是涉及一种基于空间金字塔池化的超像素级特征提取方法。
背景技术
[0002] 在二十一世纪的今天，遥感对地观测技术在军事领域及民用领域发挥着越来越重要的作用。合成孔径雷达(Synthetic Aperture Radar,SAR)是遥感领域研究的一个重要方向。SAR是一种主动式的对地传感器，通过发射和接受特定的电磁波对地表散射信息进行分析。与传统的光学传感器相比，SAR不受光照和天气影响，可实现全天时全天候的对地观测。在气候环境、战场环境日益复杂多变的今天，SAR有着越来越重要的意义。与传统的SAR相比，极化SAR提供了更丰富的散射信息，可从多个极化通道获取极化信息，具有更加丰富的地物特征。极化SAR在目标检测、识别、分类等方面具有十分突出的优势，是极化SAR的主要研究方向。特征提取是极化SAR解译技术至关重要的一部分。不仅在民用方面，如城市发展趋势分析、农作物生长监测、森林树种估计、地质地表分析、冰层厚度探测、洪涝灾害监视等应用领域，还在伪装目标识别、军事勘察等军事方面，极化SAR数据和及其解译技术都有着极其重要的价值与作用。
[0003] 如今，极化SAR图像分类方法按照最小分类单元主要可分为两类：基于像素的图像分类与基于区域的图像分类。基于像素的图像分类方法将像素点作为最小处理单元，分类结果获得每个像素点的标签；基于区域的图像分类将区域作为图像的最小处理单元，分类后获得每个区域的标签。虽然，基于像素的特征提取方法简单易用实现，但是，基于像素的图像分类易受相干斑噪声的影响，忽略了相邻像素点间的空间信息，此外，将每个像素点作为分类单元具有大量的处理单元，同时也增加了分类的时间。基于区域的分类方法不仅能够避免极化SAR数据中相干斑的影响，也能提高分类的精度与减少分类的耗时。
[0004] 传统的超像素级特征提取方法存在字典中视觉单词个数的确定、相似性测度、聚类中心的选择的问题，表现在以下三个方面：
[0005] (1)当选择的字典过大，单词缺乏一般性，对噪声敏感，计算量大；字典太小，单词区分性能差，对相似的特征无法表示。
[0006] (2)相似性测度函数用来将图像特征分类到单词本的对应单词上，但适用于极化SAR特征的相似性测度难以表示。
[0007] (3)聚类中心的选择方法选出的中心点能否代表整体的极化SAR数据，现有的聚类方法如K‑means易收敛到局部最优点且对特征的异常值敏感。
发明内容
[0008] 本发明的目的是为了克服上述现有对极化SAR图像超像素级特征提取方法的不足之处，无需确定字典大小、相似性测度以及聚类中心，且降低超像素级特征提取时间，特提供一种基于空间金字塔池化的超像素级特征提取方法。
[0009] 本发明的分类算法流程见附图1，其详细技术方案如下：
[0010] 步骤1：提取极化SAR图像每个像素点处的底层极化特征，具体为：
[0011] 步骤1‑1：以极化SAR图像的散射矩阵 作为输入，提取极化SAR图像每个像素点的极化特征，其中Shh、Svh、Shv、Svv分别为四个极化通道下的极化分量；
[0012] 散射矩阵S可以表示为：
[0013]
[0014] 其中，
[0015] 步骤1‑2：相干矩阵T可以表示为：
[0016]
[0017] 其中，L是视数，上标*是共轭；
[0018] 步骤1‑3：所述的极化特征为将相干矩阵转化为9维实数的向量，每个像素点处的极化特征Fi表示为：
[0019] Fi＝[T11,T22,T33,real(T12),imag(T12),real(T13),imag(T13),real(T23),imag(T23)]
[0020] 步骤2：生成图像的超像素，图像划分成K个超像素区域：{R1,…,Rj,…,RK},j＝1,…,K，具体包括：
[0021] 步骤2‑1：将图像每个像素点的伪彩色转化为CIELAB颜色空间；
[0022] 步骤2‑2：通过S间距采样像素点，初始化聚类中心Ck＝[lk,ak,bk,xk,yk]T，移动聚类中心至3×3邻域最小梯度处，设置每个像素点的超像素标签s(i)＝‑1,到最近聚类中心1/2
点处的距离d(i)＝∞，其中，S＝(N/K) ，K是设置的超像素数；
[0023] 步骤2‑3：在聚类中心Ck附近2S×2S区域内的像素点i，就算Ck到i的距离D，如果D
[0024]
[0025]
[0026]
[0027] 其中，m为调整dc和ds的参数；
[0028] 步骤2‑4：更新聚类中心Ck并计算残差E；
[0029] 步骤2‑5：回到步骤S22进行迭代，直到残差在允许范围内；
[0030] 步骤3：将每个超像素块做外接矩形，超像素区域外的点的值用超像素边缘的值表示；
[0031] 步骤4：利用空间金字塔池化提取每个超像素块的特征，得到极化SAR图像的超像素级的极化特征，具体包括：
[0032] 步骤4‑1：将每个超像素块中的每一特征层均匀划分为1×1,2×2,3×3,…,n×n块；
[0033] 步骤4‑2：取每一小块取最大值，对于任意的特征层，将每一小块的最大值串联，得到的特征长度为：
[0034] length＝1×1+2×2+3×3+…+n×n
[0035] 步骤4‑3：每一超像素块的特征的大小均可表示为：
[0036] Fs＝9×length
[0037] 本发明的有益效果为：本发明的核心在于充分利用空间金字塔池化模型来提取超像素级特征，主要表现在以下两个方面：第一，利用空间金字塔池化模型无需确定字典大小，避免了字典过大或过小产生的问题；第二，空间金字塔池化模型取每一小块的最大值再进行串联，从而避免了相似性测度问题且节约了运行时间；第三，空间金字塔池化模型不涉及利用聚类方法得到字典中的视觉单词，避免了使用聚类方法而产生的问题；第四，使用超像素级特征不仅利用了像素点间的空间信息，而且节约了分类中训练和测试时间，极大地提高了分类效率。
[0038] 综上所述，较现有的超像素级特征提取方法，本发明克服了现有方法存在的缺陷，并节约了特征提取的时间。
附图说明
[0039] 图1为本发明基于空间金字塔池化模型的超像素特征提取方法的流程图。
[0040] 图2为对应的地物真值参考图。
[0041] 图3为颜色与地物对应参考图。
[0042] 图4为旧金山海湾数据集为了量化评价所使用的样本数表。
[0043] 图5为实施例将MVF，BoW，SCF，本发明结果进行量化后的对比表。
具体实施方式
[0044] 下面结合实例详细说明本发明的技术方案。
[0045] 实施例
[0046] 本发明的实施例采用的极化SAR数据是由AIRSAR系统在四极化精细模式下获取的美国旧金山海湾地区L波段全极化SAR图像。实验选取的区域包含900×1024像素，附图2是旧金山海湾地区人工标定的真实地物参考图。选取的区域包括三种主要地物，分别为：城区、水域、植被类别，灰度对应图为附图3。实验选取占全图像30％的像素点作为训练样本集，所有像素点(包括训练样本)作为分类样本集，附图4是对应使用的样本数表。
[0047] 经过实验，附图4为旧金山海湾数据集为了量化评价所使用的样本数表，其中包括MVF，BoW，SCF，本实验方法的特征进行分类后的精度与提取超像素级特征的时间。MVF为超像素内像素点特征的平均值特征，BoW为使用词袋模型提取的超像素级特征，SCF为使用系数编码提取的超像素级特征。
[0048] 根据本发明的极化SAR图像超像素特征提取方法，降低极化SAR图像的超像素级特征提取时间是可行的，即是含有多类场景的极化SAR图像也可以正确分类与降低超像素级特征提取时间。一证明空间金字塔池化模型提取超像素级特征可以使运行时间大幅度减少。二证明采取空间金字塔池化模型提取超像素级特征可以保证极化SAR图像分类准确率。另外，该超像素级特征提取方法可应用于所有极化SAR图像分类中。
