[发明专利]基于点-域距离的增量式极化SAR地物分类方法

摘要

本发明公开了一种基于点‑域距离的增量式极化SAR地物分类方法，主要解决传统的分类方法分类精度低的问题。其方案是：1.对输入的极化SAR图像的极化相干矩阵T进行取实部与归一化处理，得到用于分类的极化SAR数据矩阵X；2.随机选取不同比例的训练样本；3.利用K近邻分类对极化SAR数据矩阵X进行初始分类，并用预测标签矩阵L₁表示初始分类结果；4.对于预测标签矩阵L₁进行基于点‑域距离的增量式分类结果优化，得到最终的分类结果。本发明将增量式思想运用到极化SAR地物分类中，不断对分类结果进行优化，实现了分类结果的动态的学习更新，使分类精度得到了显著提升。

主权项

1.基于点‑域距离的增量式极化SAR地物分类方法，包括：(1)输入待分类的极化SAR图像的极化相干矩阵T，并对极化相干矩阵T的数据进行取实部与归一化处理，得到用于分类的极化SAR数据矩阵X；(2)选取训练样本占标记样本比例分别为0.1％、0.3％、0.5％、0.8％和1％的训练样本矩阵Y；(3)利用K近邻分类对极化SAR数据矩阵X进行初始分类，并用预测标签矩阵L₁表示初始分类结果；(4)对步骤3的初始分类结果进行基于点‑域距离的增量式分类结果优化，得到预测标签优化矩阵L₂：(4a)计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点‑域距离d_i+I,j+J，得到点‑域优化距离矩阵D_ij：(4a1)构造预测标签矩阵L₁中预测标签l_i,j的空间邻域矩阵N(l_i,j,1)：其中，l_i,j表示预测标签矩阵L₁中第i行j列预测标签，l_i,j∈C,C表示类标签样本集，C＝{1,2,3,...,m}，m表示类别数；(4a2)计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点‑域距离d_i+I,j+J：其中参数I和J的变化范围是[‑1,+1]且I≠0，J≠0；s表示预测标签l_i,j的空间邻域矩阵N(l_i,j,1)中的元素；t表示预测标签l_i+I,j+J的空间邻域矩阵N(l_i+I,j+J,1)中的元素；(4a3)计算第i行j列预测标签l_i,j与空间邻域矩阵N(l_i,j,1)中每个元素的点‑域距离d_i+I,j+J，得到点‑域优化距离矩阵D_ij：D_ij＝[d_i‑1,j‑1,d_i‑1,j,...,d_i+I,j+J,...,d_i+1,j+1]，其中参数I和J的变化范围是[‑1,+1]且I≠0，J≠0，l_i,j表示预测标签矩阵L₁中第i行j列预测标签；(4b)在点‑域优化距离矩阵D_ij上求得其点‑域距离的最大值d_i+z1,j+z2，进而得到取最大点‑域距离d_i+z1,j+z2的样本标签值l_z，其中行变量z1和列变量z2的变化范围是[‑1,+1]且z1≠0，z2≠0；(4c)引入决策因子：根据r的值判断预测标签l_i,j是否正确：若r＝1，则认为初始分类结果中预测标签l_i,j正确，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的正确矩阵R，其中x_i,j表示极化SAR数据矩阵X中第i行j列的测试样本；若r＝0，则认为初始分类结果中预测标签l_i,j错误，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的错误矩阵W，再将l_i,j的值变为0；(4d)利用canny算子在正确矩阵R中实现边缘信息检测，将检测出的边缘位置上的样本点作为新的训练样本，同时将错误矩阵W中的样本作为新的测试样本，重新放入分类器中进行分类；(4e)设定迭代终止阈值B为图像数据大小的万分之五，重复步骤(4a)—(4c)将预测标签矩阵L₁中的值赋给预测标签优化矩阵L₂,即L₂＝L₁；(4f)计算相邻两次错误矩阵W中样本数目差的绝对值nu，并将nu与迭代终止阈值B进行比较：若nu＜B，则对预测标签优化矩阵L₂进行局部邻域的微调，得到最终的分类结果；若nu≥B，则返回步骤(4d)。