[发明专利]基于加权核范数最小化的极化SAR特征分类方法

权利要求书

1.基于加权核范数最小化的极化SAR特征分类方法，包括如下步骤：

(1)对像素大小为I₁×I₂的极化SAR图像进行精致Lee滤波，提取极化SAR图像的I₃种特征图像f，I₃＞3；

(2)对每一种特征图像f进行去噪，将去噪后的特征图像f_new组合成三维极化特征张量

(3)对三维极化特征张量F进行降维：

(3a)令Y_old是大小为p×I₁×I₂元素全为零的低秩特征张量，p为最后需降维的维数,p＜I₃；

(3b)根据三维极化特征张量F，得出解混矩阵W：

(3b1)由极化特征张量F得到第一维展开矩阵的协方差矩阵和第二维展开矩阵的协方差矩阵由该第一维展开矩阵的协方差矩阵和第二维展开矩阵的协方差矩阵得到对应的第一维初始化正交矩阵分量A₁和第二维初始化正交矩阵分量A₂；

(3b2)利用A₁和A₂对极化特征张量F进行初步正交投影，获得正交核张量G，根据正交核张量G得到第三维的正交矩阵分量A₃；

(3b3)利用A₃对正交核张量G进行正交投影，得到新的正交核张量G_new，根据新的正交核张量G_new，利用快速独立分量方法从G_new估计出解混矩阵W；

(3c)利用第一维正交矩阵分量A₁、第二维正交矩阵分量A₂和解混矩阵W对极化特征张量F进行投影变换，得到极化特征张量第一分量和第二分量其中T为矩阵的转置；

(3d)由极化特征张量第一分量F₁和极化特征张量第二分量F₂，得到新的第一维的正交矩阵分量A_1,new和新的第二维的正交矩阵分量A_2,new，并利用这两个新的正交矩阵分量得到第一维投影矩阵和第二维投影矩阵

(3e)利用第一维投影矩阵P₁、第二维投影矩阵P₂和解混矩阵W对特征张量F进行投影变换，得到新的低秩特征张量Y_new＝F×₁P₁×₂P₂×₃W；

(3f)判断是否成立：若成立，则新的低秩特征张量Y_new迭代到稳定，执行(4)；否则，令A₁＝A_1,new,A₂＝A_2,new，Y_old＝Y_new,返回(3b2)；

其中，表示矩阵的二范数，ε₀表示收敛精度；

(4)利用选取的部分训练样本训练支持向量机分类器，将最新得到的低秩特征张量Y_new沿第三维展开得到Y_new的第三维展开矩阵Y_new,(3)，并将该第三维展开矩阵Y_new,(3)输入到训练好的分类器中，得到最终的分类结果。