[发明专利]基于Freeman熵和自学习的极化SAR图像精细分类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及极化合成孔径雷达图像分类，可用于图像目标检测以及图像目标分类与识别。

背景技术

随着雷达技术的日益发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息。极化SAR图像的理解和解译涉及信号处理，模式识别等众多学科。极化SAR图像分类作为极化SAR图像处理的基本问题之一，为极化SAR图像后期的识别奠定基础。

现有的极化SAR图像分类可以分为无监督聚类和有监督分类两类。

无监督聚类方法包括：Cloude等人提出的利用散射熵，散射角以及逆熵的阈值来划分类别以及Freeman等人提取每个像素的三种散射功率，按所占比重对图像进行分类。以上这两种方法所用的阈值均需要人为确定，代价大且过于武断。

有监督分类方法包括：Kong等人提出的利用数据的统计信息对极化SAR图像进行分类，这种方法对数据分布有严格要求；Hellmann等人提出的利用神经网络分类器来进行分类，这种方法的收敛速度慢，且容易陷入局部最优。同时，由于极化SAR图像真实地物标签很难获得，使得人工定义标签的代价大且不准确。

发明内容

本发明目的在于克服上述已有技术的缺点，提出了一种基于Freeman熵和自学习的极化SAR图像精细分类方法，以自动获得训练样本标签，提高分类精度。

为实现上述目的，本发明的极化SAR图像分类方法，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）对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；