基于张量分解降维的极化图像分类方法技术

本发明专利技术属于图像处理技术领域，涉及极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,POLSAR）图像处理技术，公开了一种基于张量分解降维的极化图像分类方法。该方法利用极化数据和极化特征量矩阵构构建一个三维极化特征张量，利用基于张量分解的降维方法得到低维特征张量，从低维特征张量中选取训练样本进行支持向量机（Support Vector Machine,SVM）分类，在不需要破坏三维极化特征张量的结构和相邻像素点的空间关系的基础上，去除了特征量之间的冗余性，避免了维数灾难问题，很好地改善了分类效果，并且提高了算法的效率与稳健性，能够应用在各种复杂地形的分类中。

【技术实现步骤摘要】
基于张量分解降维的极化图像分类方法
本专利技术属于图像处理
，涉及极化合成孔径雷达（PolarimetricSyntheticApertureRadar,POLSAR）图像处理技术，具体涉及一种基于张量分解降维的极化图像分类方法。
技术介绍
目标的极化特征量描述了目标的散射特性，对极化特征量进行分析与处理，有助于挖掘目标的散射机理与极化特性表征之间的紧密联系，从而实现更精确地对极化图像分类与解译。目标极化分解是目前研究最多、应用最为广泛的一类目标极化散射特性分析工具。目标极化分解研究始于20世纪70年代。1970年，Huynen在“雷达目标唯象学理论”一文中首次提出了目标极化分解概念。此后，Cloude、Krogager、Freeman等知名学者相继投入该方面研究，根据研究对象不同，目标极化分为相干情形和非相干情形，前者针对确定性目标包括Pauli基分解、Krogager分解等，后者针对分布式目标包括Huynen分解及其衍生分解、Barnes1分解、Touzi分解、Cloude分解及其衍生分解、H/A/Alpha分解、Freeman分解及其衍生分解、Yamaguchi四成分分解及VanZyl分解等一系列杰出的研究成果。如何有效地利用多种极化特征量对感兴趣区域进行地物分类、解译已经成为一个研究热点，尽管各国学者提出了很多有效的POLSAR图像分类方法，但由于场景的复杂性和地物种类的多样性，目前还没有找到具有广泛适用性的高精度分类方法。根据分类过程是否存在人工干预，POLSAR图像分类可分为基于极化统计特性或目标散射特性的非监督分类方法和基于先验知识的监督分类方法。监督分类方法需要关于地物类型的先验知识，对于复杂场景及地物种类较多时适用性较差。随着散射理论的发展和分类算法的改进，基于极化分解的分类算法精度不断提高，已成为现今POLSAR场景分类研究的重点。申请公布号为CN102999761A、专利技术名称为《基于Cloude分解和K-wishart分布的极化SAR图像分类方法》的中国专利技术专利申请，公开了一种利用Cloude分解进行初分类并结合K-wishart分布进行二次分类的POLSAR图像分类方法。该方法利用传统的Cloude分解方法将POLSAR图像直接划分为8类，并以K-wishart分布为基础在初分类的基础上进行二次迭代分类，避免了多类的划分及合并问题并能够很好地描述POLSAR图像数据分布特征，但是该方法对分类类别数固定不变，对于类别多于8类或少于8类的数据来说缺乏灵活性，分类准确度低。申请公布号为CN103365985A、专利技术名称为《一种类别自适应的极化SAR分类方法》的中国专利技术专利申请，公开了一种基于Freeman分解和同极化比的极化SAR图像分类方法的基础上，结合另一个自极化参数、可视化聚类趋势估计算法和黑框识别算法，实现分类数目的自适应，但是该方法仅利用几种极化特征量，并不能完整的表征目标的特性，导致分类结果失去很多细节信息，并且运算复杂度较高。
技术实现思路
针对现有技术存在的不足，本专利技术的目的是提供一种基于张量分解降维的极化图像分类方法，该方法利用从极化数据中提取的极化特征量矩阵构建一个三维极化特征张量，根据基于张量分解的降维方法得到低维特征张量，从低维特征张量中选取训练样本进行支持向量机（SupportVectorMachine,SVM）分类，在不需要破坏三维极化特征张量的结构和相邻像素点的空间关系的基础上，去除了特征量之间的冗余性，避免了维数灾难问题，很好地改善了分类效果，并且提高了算法的效率与稳健性，能够应用在各种复杂地形的分类中。为了达到上述目的，本专利技术采用以下技术方案予以实现。一种基于张量分解降维的极化图像分类方法，其特征在于，包括以下步骤：步骤1，用极化合成孔径雷达录取目标回波，得到以距离为行向量、方位为列向量的极化数据对极化数据进行极化分解并获取对应的极化特征量，构建三维特征张量其中，I1为极化数据的行数，I2为极化数据的列数，I3为极化特征量种类数；步骤2，构建三维特征张量的第一维展开矩阵和第二维展开矩并分别进行特征分解，将第一维展开矩阵的特征向量集合中的前r1个特征向量作为第一维正交矩阵即将第二维展开矩阵的特征向量集合中的前r2个特征向量作为第二维正交矩阵即其中，r1、r2分别为三维特征张量的第一维展开矩阵和第二维展开矩阵的秩；步骤3，利用第一维正交矩阵和第二维正交矩阵对三维特征张量进行低秩估计，得到正交核张量再构建正交核张量的第三维展开矩阵并进行特征分解，得到特征值集合和特征向量集合将特征向量集合中的所有特征向量作为正交核张量的第三维正交矩阵然后，正交核张量的第三维展开矩阵与第三维正交矩阵相乘，得到低秩核张量步骤4，构建低秩核张量的第三维展开矩阵并利用独立分量分析法估计用于降维的变换矩阵其中，p为需要降低的维数，满足p<I3，T为矩阵转置运算符；步骤5，构建三维特征张量的投影矩阵，其具体子步骤为：5a）按照下式进行正交变换，得到映射张量第一分量和映射张量第二分量其中，为三维特征张量，×1、×2、×3分别表示张量第一阶、第二阶、第三阶的张量矩阵乘，为第一维正交矩阵，为第二维正交矩阵，为变换矩阵，T为矩阵转置运算符；5b）对映射张量第一分量的第一维展开矩阵进行特征值分解，将得到的特征向量作为第一维映射矩阵5c）对映射张量第二分量的第二维展开矩阵进行特征值分解，将得到的特征向量作为第二维映射矩阵5d）按照下式分别计算投影矩阵的第一分量和第二分量步骤6，对三维特征张量进行投影变换，获得低维特征张量其具体为：按照下式对三维特征张量进行投影变换，得到低维特征张量其中，为包含了p个特征量的降维后得到的低维特征张量，×1、×2、×3分别表示张量第一阶、第二阶、第三阶的张量矩阵乘，P1为投影矩阵的第一分量，P2为投影矩阵的第二分量，为变换矩阵；步骤7，设定低维特征张量的收敛条件，获取优化的低维特征张量其具体子步骤为：7a）设定低维特征张量的收敛条件，判断是否满足投影变换的迭代终止条件其中，为求张量范数运算，表示当前迭代产生的低维特征张量，表示前一次迭代产生的低维特征张量，k为迭代次数，ε为设定值，表示收敛精度；7b）若不满足收敛条件，返回步骤3，以第一维映射矩阵替代第一维正交矩阵第二维映射矩阵替代第二维正交矩阵进行迭代循环步骤3到步骤7，直到满足收敛条件，得到优化的低维特征张量步骤8，对优化的低维特征张量进行有监督分类，得到基于张量分解降维的极化图像分类结果图。上述技术方案的特点和进一步改进在于：（1）步骤1的具体子步骤为：1a）用极化合成孔径雷达录取回波，得到以距离为行向量，方位为列向量的极化数据其中，I1为极化数据的行数，I2为极化数据的列数；1b）将极化数据进行极化分解，提取极化特征量及对应的极化特征量矩阵；1c）将提取的极化特征量矩阵排列成一个三维特征张量其中，I1为极化数据的行数，I2为极化数据的列数，I3为极化特征量种类数。（2）步骤2的具体子步骤为：2a）将三维特征张量分别沿第一维和第二维展开，得到三维特征张量的第一维和第二维展开矩阵2b）按照下面两式分别对第一维展开矩阵和第二维展开矩阵进行特征分解，得到各自对应的特征值集合和特征向量集合和Χ(1)u1本文档来自技高网...

【技术保护点】
一种基于张量分解降维的极化图像分类方法，其特征在于，包括以下步骤：步骤1，用极化合成孔径雷达录取目标回波，得到以距离为行向量、方位为列向量的极化数据对极化数据进行极化分解并获取对应的极化特征量，构建三维特征张量其中，I1为极化数据的行数，I2为极化数据的列数，I3为极化特征量种类数；步骤2，构建三维特征张量的第一维展开矩阵和第二维展开矩并分别进行特征分解，将第一维展开矩阵的特征向量集合中的前r1个特征向量作为第一维正交矩阵即将第二维展开矩阵的特征向量集合中的前r2个特征向量作为第二维正交矩阵即其中，r1、r2分别为三维特征张量的第一维展开矩阵和第二维展开矩阵的秩；步骤3，利用第一维正交矩阵和第二维正交矩阵对三维特征张量进行低秩估计，得到正交核张量再构建正交核张量的第三维展开矩阵并进行特征分解，得到特征值集合和特征向量集合将特征向量集合中的所有特征向量作为正交核张量的第三维正交矩阵然后，正交核张量的第三维展开矩阵与第三维正交矩阵相乘，得到低秩核张量步骤4，构建低秩核张量的第三维展开矩阵并利用独立分量分析法估计用于降维的变换矩阵其中，p为需要降低的维数，满足p<I3，T为矩阵转置运算符；步骤5，构建三维特征张量的投影矩阵，其具体子步骤为：5a）按照下式进行正交变换，得到映射张量第一分量和映射张量第二分量其中，为三维特征张量，×1、×2、×3分别表示张量第一阶、第二阶、第三阶的张量矩阵乘，为第一维正交矩阵，为第二维正交矩阵，为变换矩阵，T为矩阵转置运算符；5b）对映射张量第一分量的第一维展开矩阵进行特征值分解，将得到的特征向量作为第一维映射矩阵5c）对映射张量第二分量的第二维展开矩阵进行特征值分解，将得到的特征向量作为第二维映射矩阵5d）按照下式分别计算投影矩阵的第一分量和第二分量P1=B1B1T]]>P2=B2B2T;]]>步骤6，对三维特征张量进行投影变换，获得低维特征张量其具体为：按照下式对三维特征张量进行投影变换，得到低维特征张量其中，为包含了p个特征量的降维后得到的低维特征张量，×1、×2、×3分别表示张量第一阶、第二阶、第三阶的张量矩阵乘，P1为投影矩阵的第一分量，P2为投影矩阵的第二分量，为变换矩阵；步骤7，设定低维特征张量的收敛条件，获取优化的低维特征张量其具体子步骤为：7a）设定低维特征张量的收敛条件，判断是否满足投影变换的迭代终止条件其中，为求张量范数运算，表示当前迭代产生的低维特征张量，表示前一次迭代产生的低维特征张量，k为迭代次数，ε为设定值，表示收敛精度；7b）若不满足收敛条件，返回步骤3，以第一维映射矩阵替代第一维正交矩阵第二维映射矩阵替代第二维正交矩阵进行迭代循环步骤3到步骤7，直到满足收敛条件，得到优化的低维特征张量步骤8，对优化的低维特征张量进行有监督分类，得到基于张量分解降维的极化图像分类结果图。...

【技术特征摘要】
1.一种基于张量分解降维的极化图像分类方法，其特征在于，包括以下步骤：步骤1，用极化合成孔径雷达录取目标回波，得到以距离为行向量、方位为列向量的极化数据对极化数据进行极化分解并获取对应的极化特征量，构建三维特征张量其中，I1为极化数据的行数，I2为极化数据的列数，I3为极化特征量种类数；步骤2，构建三维特征张量的第一维展开矩阵和第二维展开矩并分别进行特征分解，将第一维展开矩阵的特征向量集合中的前r1个特征向量作为第一维正交矩阵即将第二维展开矩阵的特征向量集合中的前r2个特征向量作为第二维正交矩阵即其中，r1、r2分别为三维特征张量的第一维展开矩阵和第二维展开矩阵的秩；步骤3，利用第一维正交矩阵和第二维正交矩阵对三维特征张量进行低秩估计，得到正交核张量再构建正交核张量的第三维展开矩阵并进行特征分解，得到特征值集合和特征向量集合将特征向量集合中的所有特征向量作为正交核张量的第三维正交矩阵然后，正交核张量的第三维展开矩阵与第三维正交矩阵相乘，得到低秩核张量步骤4，构建低秩核张量的第三维展开矩阵并利用独立分量分析法估计用于降维的变换矩阵其中，p为需要降低的维数，满足p＜I3，T为矩阵转置运算符；步骤5，构建三维特征张量的投影矩阵，其具体子步骤为：5a)按照下式进行正交变换，得到映射张量第一分量和映射张量第二分量其中，为三维特征张量，×1、×2、×3分别表示张量第一阶、第二阶、第三阶的张量矩阵乘，为第一维正交矩阵，为第二维正交矩阵，为变换矩阵，T为矩阵转置运算符；5b)对映射张量第一分量的第一维展开矩阵进行特征值分解，将得到的特征向量作为第一维映射矩阵5c)对映射张量第二分量的第二维展开矩阵进行特征值分解，将得到的特征向量作为第二维映射矩阵5d)按照下式分别计算投影矩阵的第一分量和第二分量步骤6，对三维特征张量进行投影变换，获得低维特征张量其具体为：按照下式对三维特征张量进行投影变换，得到低维特征张量其中，为包含了p个特征量的降维后得到的低维特征张量，×1、×2、×3分别表示张量第一阶、第二阶、第三阶的张量矩阵乘，P1为投影矩阵的第一分量，P2为投影矩阵的第二分量，为变换矩阵；步骤7，设定低维特征张量的收敛条件，获取优化的低维特征张量其具体子步骤为：7a)设定低维特征张量的收敛条件，判断是台满足投影变换的迭代终止条件其中，为求张量范数运算，表示当前迭代产生的低维特征张量，表示前一次迭代产生的低维特征张量，k为迭代次数，ε为设定值，表示收敛精度；7b)若不满足收敛条件，返回步骤3，以第一维映射矩阵替代第一维正交矩阵第二维映射矩阵替代第二维正交矩阵进行迭代循环步骤3到步骤7，直到满足收敛条件，得到优化的低维特征张量步骤8，对优化的低维特征张量进行有监督分类，得到基于张量分解降维的极化图像分类结果图。2.根据权利要求1所述的基于张量分解降维的极化图像分类方法，其特征在于，所述步骤1的具体子步骤为：1a)用极化合成孔径雷达录取回波，得到以距离为行向量，方位为列向量的极化数据其中，I1为极化数据的行数，I2为极化数据的列数；1b)将极化数据进行极化分解，提取极化特征量及对应的极化特征量矩阵；1c)将提取的极化特征量矩阵排列成一个三维特征张量其中，I1为极化数据的行数，I2为极化数据的列数，I3为极化特征量种类数。3.根据权利要求1所述的基于张量分解降维的极化图像分类方法，其特征在于，所述步骤2的...

【专利技术属性】
技术研发人员：周峰，陶明亮，刘妍，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61