[发明专利]基于多特征联合建模的极化SAR影像分类方法

摘要

本发明公开了基于多特征联合建模的极化SAR影像分类方法，包括：（1）从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；（2）计算当前类训练样本中各像素点的极化协方差矩阵，构建当前类训练样本的极化特征向量；（3）构建当前类训练样本的CoAS模型；（4）构建待分类影像的极化特征向量；（5）构造待分类影像的联合后验概率；（6）根据联合后验概率，结合MRF模型对待分类影像进行分类。本发明方法具有优异的分类效果，与传统的基于统计模型的极化SAR影像分类方法相比，本分类精度可提高5%~10%。

主权项

1.一种基于多特征联合建模的极化SAR影像分类方法，其特征是，包括：构建CoAS模型和对待分类影像进行分类两个步骤，其中：所述的构建CoAS模型进一步包括：(1)从人工标注的极化SAR影像中采集各类地物的像素点作为训练样本；对各类地物训练样本分别执行步骤(2)～(3)：(2)根据当前类地物训练样本的极化协方差矩阵构建极化特征向量v(C)，其中，分别为极化通道hh、hv、vv的幅度；|ρ_hhhv|、|ρ_hhvv|、|ρ_hvvv|分别为极化通道hh和hv间、hh和vv间、hv和vv间的复相关系数；ψ_hhhv、ψ_hhvv、ψ_hvvv分别为极化通道hh和hv间、hh和vv间、hv和vv间的相位差；(3)构建当前类地物的CoAS模型，具体为：3.1利用当前类地物训练样本的极化特征向量，估计各极化特征的Alpha‑stable分布参数；3.2根据Alpha‑stable分布参数计算各极化特征的概率密度函数和累积密度函数；3.3采用Copula函数表示当前类地物训练样本所有极化特征的联合分布密度，采用各极化特征的概率密度函数和累积密度函数估计Copula函数参数，得当前类地物的CoAS模型；所述的对待分类影像进行分类进一步包括：(4)根据待分类影像的极化协方差矩阵构建待分类影像的极化特征向量v(C)；(5)根据待分类影像的极化特征向量v(C)构造联合后验概率，具体为：5.1对各极化特征分别进行：采用各类地物的CoAS模型参数，分别估计当前极化特征关于各类地物的概率密度函数，并获得对应的累积密度函数；5.2根据各极化特征关于各类地物的概率密度函数和累计密度函数，采用各类地物的CoAS模型，计算待分类影像关于各类地物的联合分布密度，即联合后验概率；(6)根据联合后验概率，结合MRF模型对待分类影像进行分类。