一种基于特征向量度量谱聚类的极化SAR图像分类方法技术

本发明专利技术属于遥感图像处理技术领域，具体公开了一种基于特征向量度量谱聚类的极化SAR图像分类方法。主要解决对极化相干矩阵特征值分解后得到的特征向量的研究利用问题。其实现过程主要包括：(1)对极化SAR图像进行Lee滤波；(2)对每个像素的相干矩阵进行特征值分解得到特征向量；(3)用最大特征值对应的特征向量构造特征；(4)用夹角余弦距离这种度量方式构造相似度矩阵；(5)对相似度矩阵，用谱聚类算法得到初始分类标签(6)在初始分类标签的基础上进行wishart聚类，得到最终分类结果。本发明专利技术具有复杂度低，分类结果更加细致精确的优点，可用于极化SAR图像的目标检测和目标识别。

【技术实现步骤摘要】
【专利摘要】本专利技术属于遥感图像处理
，具体公开了一种基于特征向量度量谱聚类的极化SAR图像分类方法。主要解决对极化相干矩阵特征值分解后得到的特征向量的研究利用问题。其实现过程主要包括：(1)对极化SAR图像进行Lee滤波；(2)对每个像素的相干矩阵进行特征值分解得到特征向量；(3)用最大特征值对应的特征向量构造特征；(4)用夹角余弦距离这种度量方式构造相似度矩阵；(5)对相似度矩阵，用谱聚类算法得到初始分类标签(6)在初始分类标签的基础上进行wishart聚类，得到最终分类结果。本专利技术具有复杂度低，分类结果更加细致精确的优点，可用于极化SAR图像的目标检测和目标识别。【专利说明】一种基于特征向量度量谱聚类的极化SAR图像分类方法
本专利技术属于遥感图像处理
，涉及极化合成孔径雷达图像分类，可用于图 像目标检测以及图像目标分类与识别，具体是一种基于特征向量度量谱聚类的极化SAR图 像分类方法。
技术介绍
随着雷达技术的日益发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更 丰富的目标信息。极化SAR图像的理解和解译涉及信号处理，模式识别等众多学科。极化 SAR图像分类作为极化SAR图像处理的基本问题之一，为极化SAR图像后期的目标识别奠定 了基础。 现有的极化SAR图像分类方法大致可以归为两类，第一类是基于极化SAR统计特 性的分类方法，如Lee等人根据极化SAR相干矩阵服从复wishart分布的特性而提出的 wishart聚类法，还有根据相干矩阵三个特征值的分布特点提出的一些有效分类算法；第 二类是基于极化SAR散射机理的方法，典型的有Cloude和Pottier提出的基于散射熵和散 射角的极化SAR图像分类方法，该方法在对目标进行特征分解的基础上，提出了散射熵和 散射角的概念，并在H-a平面上对目标图像进行了划分；Freeman提出的基于三种散射功率 分解模型的极化SAR图像分类方法，将单一目标的散射分解为若干个已有模型的线性叠加 来进行表达，并将这些独立的模型作为散射特征来实现极化SAR图像分类。 现有的方法对极化SAR相干矩阵及其进行特征值分解后得到的特征值进行了充 分的研宄，并取得了一定的成果，但矩阵论的理念表明，最能体现一个矩阵性质的是矩阵的 特征向量，特征向量包含的方向信息体现了矩阵变换的本质，现有方法对特征向量的利用 较少，造成了散射信息的浪费。
技术实现思路
本专利技术的目的是克服上述现有技术的缺点，挖掘特征向量的极化散射信息，研宄 特征向量对极化SAR图像分类的贡献，具体提出一种基于特征向量度量谱聚类的极化SAR 图像分类方法。 本专利技术的技术方案是：一种基于特征向量度量谱聚类的极化SAR图像分类方法， 包括如下步骤： (1)读入极化SAR图像G，得到极化SAR图像G的总样本集X和极化SAR图像G的 极化相干矩阵集合T = ITi I i = 1，...，M}，其中M是极化SAR图像G包含的像素点数； (2)采用Lee滤波算法对极化相干矩阵集合T进行滤波，得到滤波后的极化相干矩 阵集合 Τ' = {T/ I i = 1，. . .，M}; (3)对第i个像素点的滤波后极化相干矩阵IV进行特征值分解，得到第i个像素 点的特征向量集合F i = {ν?,ν丨,V丨}·, f = l，...，ikf，其中，V;表示第i个像素点的第一个特征值 对应的特征向量，％表示第i个像素点的第二个特征值对应的特征向量，V丨表示第i个像素 点的第三个特征值对应的特征向量； (4)第i个像素点的第三个特征值对应的特征向量<，中包含三个复数元素， 分别用<、ν?2、v〗3表示，取出这三个复数的实部和虚部构成一个包含六个实元素的向 量沁={，〇; 1,/^2,^42，/^3,^4 3}，其中7乂1、/14、4分别为14、4、4的实部， 2?、z_v〗2、M 3分别为4、v;2、4的虚部，将极化SAR图像G中所有的像素点数进行上 述操作就可以得到一个特征向量集合G = = ; (5)从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集Xni，由 样本子集X n^特征向量集合F'丨构成特征样本集匕IJ = 1，···《}; (6)对样本子集Xm中第j个像素点的特征向量={/0^/0",〇丨3}和 第P个像素点的特征向量v'f ，利用夹角余弦距离构造相似度 矩阵 【权利要求】1. 一种基于特征向量度量谱聚类的极化SAR图像分类方法，其特征在于，包括如下步 骤： (1) 读入极化SAR图像G，得到极化SAR图像G的总样本集X和极化SAR图像G的极化 相干矩阵集合T=ITiIi= 1，...，M}，其中M是极化SAR图像G包含的像素点数； (2) 采用Lee滤波算法对极化相干矩阵集合T进行滤波，得到滤波后的极化相干矩阵集 合T={TiIi=1，· · ·，M}; (3) 对第i个像素点的滤波后极化相干矩阵Τ'i进行特征值分解，得到第i个像素点的 特征向量集合Γ = ，其中，ν?表示第i个像素点的第一个特征值对应 的特征向量，<表示第i个像素点的第二个特征值对应的特征向量，％表示第i个像素点的 第三个特征值对应的特征向量； (4) 第i个像素点的第三个特征值对应的特征向量^中包含三个复数元素，分 别用4、ι4、4表示，取出这三个复数的实部和虚部构成一个包含六个实元素的向量 v'L= {rvL，M1,rv;2，M2，n4,M3}，其中 、n4、n4 分别为 、v;2、4 的实部， W1、?4、M3分别为4、v〗2、4的虚部，将极化SAR图像G中所有的像素点数进行上 述操作就可以得到一个特征向量集合K = ; (5) 从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集Xm，由样本 子集\的特征向量集合G构成特征样本集4 = {<|，= 1,; (6) 对样本子集Xm中第j个像素点的特征向量ν'丨={〇/1,7〇丨2,;〇丨3}和第口个 像素点的特征向量,Zvf1,rv^,,rvf3, <丨，利用夹角余弦距离构造相似度矩阵wj:其中，IlgIl表示求向量W的2-范数，Ilv/Il表示求向量v#的2-范数； (7) 根据样本子集Xni中第j个像素点的相似度矩阵w\构造样本子集Xni的相似度矩阵 W： W - ; (8) 对样本子集Xni的相似度矩阵w通过Nystr6m逼近求出总样本集X的相似度矩阵 W，计算相似度矩阵W的拉普拉斯矩阵L，对拉普拉斯矩阵L进行特征值分解，得到拉普拉斯 矩阵L的特征向量Y; (9) 对特征向量Y的前k维进行K均值聚类，得到聚类标签C1，其中k是给定的类别 数； (10) 将标签Cl作为初始标签，进行Wishart迭代，将迭代后的结果C作为极化SAR图 像G的分类结果。2. 根据权利要求书1所述的一种基于特征向量度量谱聚类的极化SAR图像分类方法， 其特征在于，其中步骤（8)所述的计算相似性矩阵W的拉普拉斯矩阵L，按如下公式计算： L=Λ^172WΛ^172, 其中：Λ为对角矩罔Aii为对角线元素，3. 根据权利要本文档来自技高网...

【技术保护点】
一种基于特征向量度量谱聚类的极化SAR图像分类方法，其特征在于，包括如下步骤：(1)读入极化SAR图像G，得到极化SAR图像G的总样本集X和极化SAR图像G的极化相干矩阵集合T＝{Ti|i＝1,...,M}，其中M是极化SAR图像G包含的像素点数；(2)采用Lee滤波算法对极化相干矩阵集合T进行滤波，得到滤波后的极化相干矩阵集合T'＝{T'i|i＝1,...,M}；(3)对第i个像素点的滤波后极化相干矩阵T'i进行特征值分解，得到第i个像素点的特征向量集合其中，表示第i个像素点的第一个特征值对应的特征向量，表示第i个像素点的第二个特征值对应的特征向量，表示第i个像素点的第三个特征值对应的特征向量；(4)第i个像素点的第三个特征值对应的特征向量中包含三个复数元素，分别用表示，取出这三个复数的实部和虚部构成一个包含六个实元素的向量v3′i={rv31i,iv31i,rv32i,iv32i,rv33i,iv33i},]]>其中分别为的实部，分别为的虚部，将极化SAR图像G中所有的像素点数进行上述操作就可以得到一个特征向量集合V3′i={v3′1,v3&prime;2...v3′i...v3′M},i=1,...M;]]>(5)从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集Xm，由样本子集Xm的特征向量集合构成特征样本集V3m′={v3m′j|,j=1,...m};]]>(6)对样本子集Xm中第j个像素点的特征向量和第p个像素点的特征向量利用夹角余弦距离构造相似度矩阵wj：wj=v3′j·v3′p||v3′j||.||v3′p||,]]>p＝1,...m其中，表示求向量的2‑范数，表示求向量的2‑范数；(7)根据样本子集Xm中第j个像素点的相似度矩阵wj，构造样本子集Xm的相似度矩阵w：w＝[w1,...,wj,...,wm]；(8)对样本子集Xm的相似度矩阵w通过逼近求出总样本集X的相似度矩阵W，计算相似度矩阵W的拉普拉斯矩阵L，对拉普拉斯矩阵L进行特征值分解，得到拉普拉斯矩阵L的特征向量Y；(9)对特征向量Y的前k维进行K均值聚类，得到聚类标签C1，其中k是给定的类别数；(10)将标签C1作为初始标签，进行wishart迭代，将迭代后的结果C作为极化SAR图像G的分类结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：缑水平，焦李成，丁同鑫，马晶晶，杨淑媛，王爽，马文萍，
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