[发明专利]基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法

说明书

本发明公开一种基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法，主要解决现有分类方法中由于极化合成孔径雷达全极化SAR图像的标记样本较少造成的分类精度低的问题。其实现步骤为：得到极化相关矩阵T、提取其极化特征向量并做归一化处理、建立训练样本集、构造Spatial‑Wishart流形正则项等步骤，计算分类准确率并输出极化SAR图像分类结果。本发明既解决了传统无监督极化SAR图像分类准确率不高的问题，也避免了监督分类方法需要大量标签数据而造成的人工标记困难和代价高的弊端，联合利用少量有标签数据和大量无标签廉价数据获得了更好的分类效果，可用于极化SAR图像的目标分类、检测和识别。

技术领域

本发明属于图像处理技术领域，涉及极化SAR图像分类方法，可用于极化SAR图像的地物分类、目标识别等技术领域中。

背景技术

极化SAR(Polarimetric SAR)是能够对目标进行全极化测量的合成孔径雷达，通过测量和记录不同极化状态组合回波的相位差信息对目标进行全极化测量成像。极化SAR数据包含更丰富的目标散射信息，能够对目标进行更为全面表达和描述，提高对地物的识别能力，同时，其具有全天候、全天时，分辨率高等优点，在目标检测与识别、分类以及参数反演等方面具有十分突出的优势，因此广泛应用于军事、农业、导航等众多领域。目前极化SAR成像技术已获得飞速发展，但对应的极化SAR图像处理技术还无法满足现有要求。因此，迫切需要开发能够对极化SAR图像进行全方位解读的图像处理技术。

根据学习过程中是否需要用到有标签数据，现有的极化SAR图像分类方法可以分为监督分类和无监督分类。监督学习是通过大量标记样本的训练获得一个最优模型，再利用该最优模型实现对无标记数据的预测，如Lee等人提出的基于复Wishart分布的极化协方差矩阵监督分类方法，Heermann等人提出的基于反向传播的神经网络的分类方法等。无监督学习是通过挖掘数据内部的结构和固有属性从而完成分类或聚类，其学习过程不需要标签数据，如Cloude等人提出的H/α无监督分类方法，Lee等人提出的基于Freeman分解的极化SAR图像无监督分类算法等。

半监督学习是一种监督学习和无监督相结合的学习方法，通过利用少量标记样本，并同时联合大量廉价的无标记样本，充分利用无标记样本所蕴含的固有结构和信息来提升分类效果，既避免了监督学习中用到大量标记数据所造成的人工标记困难，成本高等问题，也有效解决了无监督学习分类精度低的弊端。

由于目前所存在的监督和无监督的极化SAR图像分类方法均有其一定局限性，因此，研究一种行之有效的半监督极化SAR图像分类方法是本技术领域的当务之急。

发明内容

本发明的目的在于克服当前领域中监督和无监督极化SAR图像分类方法的固有弊端和不足，提出一种基于多核融合与空间Wishart-LapSVM的半监督极化SAR图像分类方法，通过在少量标记样本的基础上，利用大量廉价的无标记样本提升分类精度。

本发明的技术方案是基于极化SAR数据的聚类假设与空间一致性假设，构造Spatial-Wishart流形正则项，以及利用多核加权融合方式对极化特征向量实现高维映射，从而实现基于LapSVM的半监督极化SAR地物分类，充分利用大量廉价的无标记样本提升分类效果。其具体实施方案如下：

(1)输入待分类极化SAR图像，得到其极化相干矩阵T；

(2)基于极化SAR图像中的极化相干矩阵T，联合空间信息，构造极化特征向量，并做特征归一化处理；

(3)从待分类的极化SAR图像中每类随机选取1％的数据进行标记，同时联合30％的无标记数据，共同构成训练样本集；

(4)基于空间一致性假设及极化SAR数据的极化相干矩阵服从复Wishart分布，设计极化SAR图像像素点之间的相似性度量准则，并根据聚类假设，构造Spatial-Wishart流形正则项；