基于点-域距离的增量式极化SAR地物分类方法技术

本发明专利技术公开了一种基于点‑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。本发明专利技术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。

【技术实现步骤摘要】
基于点-域距离的增量式极化SAR地物分类方法
本专利技术属于图像处理和遥感
，特别涉及一种极化SAR图像的地物分类，可用于对具有区域一致性的极化SAR图像进行分类。
技术介绍
极化合成孔径雷达SAR是通过实时的测量目标的散射回波的一种多通道、多参数的雷达成像系统。它是微波
的先进测控技术。极化SAR图像分类是图像解译的重要内容，但是极化SAR图像包含全方位的极化信息，除了增大了目标辨识度，在目标检测与识别、地物分类等多方面有广泛的应用外，同时也增加了极化SAR图像分类的难度，因而提高极化SAR图像分类水平具有重要的现实意义。目前的极化SAR图像分类方法主要是利用数据的极化信息和统计特性进行分类的。典型的基于目标分解的分类方法有：Freeman分解和H/α分解。Freeman分解是把极化信息的协方差矩阵分解为体散射、偶次散射和表面散射三种散射机制模型。H/α分解则是在基于相干矩阵的基础上，利用散射熵和散射角提出的分解方法。除此以外，根据是否知道数据的先验信息，分为监督分类和无监督分类。监督分类是利用已知的训练样本和真实的地物分类结果等进行分类，常用的有贝叶斯分类器和支持向量本文档来自技高网...

【技术保护点】
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li,j与第i+I行j+J列预测标签li+I,j+J的点‑域距离di+I,j+J，得到点‑域优化...

【技术特征摘要】
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li,j与第i+I行j+J列预测标签li+I,j+J的点-域距离di+I,j+J，得到点-域优化距离矩阵Dij：Dij＝[di-1,j-1,di-1,j,...,di+I,j+J,...,di+1,j+1]其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0，li,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Dij上求得其点-域距离的最大值di+z1,j+z2，进而得到取最大点-域距离di+z1,j+z2的样本标签值lz，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li,j是否正确：若r＝1，则认为初始分类结果中预测标签li,j正确，并用预测标签li,j对应的测试样本xi,j构成预测标签的正确矩阵R，其中xi,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li,j错误，并用预测标签li,j对应的测试样本xi,j构成预测标签的错误矩阵W，再将li,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h，并将h与迭代终止阈值B进行比较：若h＜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h≥B，则返回步骤(4d)。2.根据权利要求1所述的增量式优化的极化SAR地物分类方法，所述步骤1中的极化相干矩阵T是一个复矩阵，其每一个样本点表示为：其中Ti,j表示极化相干矩阵T中第i行j列的样本，和分别表示t21、t31和t32的共轭复数。3.根据权利要求1所述的基于点-域距离的增量式极化SAR地物分类方法，所述步骤1中对极化相干矩阵T进行取实部与归一化处理，按如下步骤进行：(1a)对极化相干矩阵T进行取实部，得到一个实矩阵Td，实矩阵Td中每一个样本Tdi,j表示为：(1b)将实矩阵Td中的每个样本Tdi,j中的t′11、t′21、t′31、t′22、t′32和t′33作为构成数据特征矩阵X1中的每个样本的特征，即将数据特征矩阵X1中的每一个样本x′i,j表示为：x′i,j＝[x1,x2,x3,x4,x5,x6]，其中x1＝t′11，x2＝t′21，x3＝t′31，x4＝t′22，x5＝t′32和x6＝t′33；(1c)对数据特征矩阵X1中的样本进行最大值归一化处理，得到用于分类的极化SAR数据矩阵X。4.根据权利要求1所述的方法，其特征在于：所述步骤3中利用K近邻分类对极化SAR数据矩阵X进行分类，按如下步骤进行：(3a)计算极化SAR数据矩阵中测试样本xi,j与训练样本yhv的欧式距离eh：

【专利技术属性】
技术研发人员：杨淑媛，孟丽珠，焦李成，马文萍，冯志玺，刘振，赵慧，段韵章，马晶晶，缑水平，
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