[发明专利]基于加权核范数最小化的极化SAR特征分类方法

说明书

本发明公开了一种基于加权核范数最小化的极化SAR特征分类方法，主要解决现有技术图像分类精度低的问题。其实现过程为：1)提取I₃种极化SAR特征图像，利用加权核范数最小化方法对各特征图像进行去噪，得到极化特征张量F；2)由F获得两个正交矩阵分量A₁、A₂；3)利用A₁、A₂计算并更新正交核张量G_new；4)利用快速独立分量方法从G_new估计出解混矩阵W；5)利用W获得两个更新的正交矩阵分量A_1,new、A_2,new，从而获得低秩特征张量Y_new；6)判断Y_new是否满足迭代终止条件，若满足，则利用最新的低秩特征张量Y_new结合支持向量机得到最终的分类结果，否则,返回3)。本发明分类的区域一致性好、信息保留完整，可用于极化SAR图像分类。

技术领域

本发明属于图像处理技术领域，特别是涉及极化SAR极化特征分类方法，可应用于目标识别与分类。

背景技术

合成孔径雷达SAR是一种高分辨率雷达体制，能实时获取地面目标的二维高分辨图像。微波具有一定穿透地物目标的能力，因而SAR能发现隐蔽于森林、草丛、浅层地表的目标。SAR所具备的这些优势已使其广泛应用于各项领域。

极化SAR是一种多通道相干微波成像系统，是单极化SAR的扩展系统。它通过矢量测量方法来获取地物目标信息。众所周知，电磁波是一种矢量波，它除了包含幅度、相位、频率等分量外，还应包括极化分量，极化用于描述电磁波电场矢量末端的振荡方式。极化SAR图像含有丰富的目标信息，这些信息需要依托于特征才能被发现与应用，极化SAR图像的目标检测、分类与识别等都依赖于目标特征。随着极化SAR系统的不断研发及其实用化，大量的包含地物信息的极化数据的特征得以收集。每一个特征都能从特定的角度描述目标的散射特性。但是单一特征并不能充分的描述有相似散射机理的不同类型目标，或者具有不同散射机理的同一类型目标。通过多特征结合，可以引入更加丰富的信息，但是也可能会引入冗余信息，增加了计算复杂度，降低了分类效果。同时极化SAR图像存在着大量相干斑噪声，在进行分类之前需进行相应的滤波去噪才能得到更好的效果。

针对极化SAR图像含有大量相干斑噪声，很多极化SAR滤波算法已经提出。Vasile等人提出了一种空域滤波算法IDAN，通过选取同质像元估计中心像元值，能够有效地抑制相干斑，参见VasileG,TrouveE,Lee J S and Buzuloiu V.2006.Intensity-drivenadaptive-neighborhood technique for polarimetric and interferometric SARparameters estimation.IEEE Transactions on Geoscience and Remote Sensing,44(6):1609–1621[DOI: 10.1109/TGRS.2005.864142]。但是该算法大多由当前像元和局部或半局部的邻域像元信息来计算，对图像的结构信息利用不足，尤其在边缘细节信息丰富的异质区，以至于图像边缘细节分类不太理想。马晓双等人提出了一种非局部加权均值滤波算法，通过利用图像块的结构相似性作为均值滤波的加权权重，改进了传统算法根据单像元加权的缺点，更好的利用了图像的结构信息，能够良好的保持图像的纹理信息，参见Ma XS,Shen H F,Yang J and Zhang L P.2015.Polarimetric SAR speckle filtering usinga nonlocal weighted minimum mean squared error filter.Journal of Image andGraphics, 20(1):140–150。然而在极化SAR图像中相似性结构较少、冗余信息不足的区域，非局部加权均值算法会出现过滤波现象，丢失边缘细节信息，混淆图像边缘细节的分类。