[发明专利]基于Freeman熵和自学习的极化SAR图像精细分类方法

权利要求书

1.一种基于Freeman熵和自学习的极化SAR图像精细分类的方法，包括如下步骤：

（1）对极化SAR图像G的所有像素点进行特征值分解；

（2）每个像素点分别得到的三个大小不同的特征值λ₁,λ₂,λ₃且λ₁≥λ₂≥λ₃；

（3）对极化SAR图像G的所有像素点进行Freeman分解，得到每个像素点的三种散射功率Pv,Ps,Pd，其中，Pv表示体散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；

（4）取每个像素点的三个特征值λ₁,λ₂,λ₃及体散射功率Pv，构成每个像素点的特征向量[λ₁,λ₂,λ₃,Pv]，用所有像素点的特征构成特征矩阵X；

（5）从特征矩阵X中随机采样m个点，构造特征子集X_m＝{x_j|j＝1,...,m}，其中，x_j是第j个采样点的特征，并利用马氏距离对特征子集X_m构造相似度矩阵W；

5a)根据特征子集X_m中第j个采样点的特征，利用马氏距离构造相似度矩阵w_j：

wj=(xj-xp)T·Cm-1·(xj-xp),p=1,2,...,m,]]>

其中，x_j表示特征子集X_m中第j个采样点的特征，x_p表示特征子集X_m中第p个采样点的特征，C_m是特征子集X_m的协方差矩阵；

5b)根据第j个采样点相似度矩阵w_j，构造特征子集X_m的相似度矩阵W：

W＝[w₁,...,w_j,...,w_m]；

（6）根据特征子集X_m的相似度矩阵W，利用NJW谱聚类算法，对特征子集X_m进行聚类，得到特征子集X_m的初始聚类标签Y；

（7）对特征子集X_m和初始聚类标签标签Y进行学习，训练一个支撑矢量机分类器SVM；

（8）用训练的支撑矢量机SVM对特征矩阵X进行分类，得到一个新的SVM分类结果标签Y′；

（9）根据SVM分类结果标签Y′，利用每个像素点的特征值λ₁对特征矩阵X进行马尔可夫随机场迭代，得到优化的分类结果标签Y′′；

（10）根据每个像素点的三种散射功率Pv,Ps,Pd，计算每个像素点的Freeman散射熵H_p；

(11)根据优化分类结果标签Y′′，取出标记为海洋的像素点，利用Freeman散射熵H_p对标记为海洋的像素点进行NJW谱聚类，得到最终地物类别。