[发明专利]基于Freeman熵和自学习的极化SAR图像精细分类方法

摘要

本发明公开了一种基于Freeman熵和自学习的极化SAR图像精细分类方法。主要解决现有监督分类中地物标签难以获得以及阴影和混合散射区域不好区分的问题。其实现过程是：(1)对极化相干矩阵进行特征值分解，得到三个特征值；（2）对极化协方差矩阵进行分解，得到三种散射功率；（3）根据三个特征值与体散射功率构造输入特征向量；（4）对随机采样点的输入特征向量进行谱聚类；（5）根据采样点及其聚类标记进行SVM分类；（6）对分类结果进行MRF迭代；（7）对错分的像素点进行谱聚类，得到极化SAR图像的精细分类地物类别。本发明与现有的极化SAR图像分类方法相比，无需人工定义标签，分类结果更加精确，可用于极化SAR图像的目标检测和分类识别。

主权项

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。