基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法技术

本发明专利技术公开一种基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法，主要解决现有分类方法中由于极化合成孔径雷达全极化SAR图像的标记样本较少造成的分类精度低的问题。其实现步骤为：得到极化相关矩阵T、提取其极化特征向量并做归一化处理、建立训练样本集、构造Spatial‑Wishart流形正则项等步骤，计算分类准确率并输出极化SAR图像分类结果。本发明专利技术既解决了传统无监督极化SAR图像分类准确率不高的问题，也避免了监督分类方法需要大量标签数据而造成的人工标记困难和代价高的弊端，联合利用少量有标签数据和大量无标签廉价数据获得了更好的分类效果，可用于极化SAR图像的目标分类、检测和识别。

Semi supervised polarization SAR image classification method based on multi core fusion and spatial Wishart LapSVM

The invention discloses a multi fusion method and semi supervised classification of polarimetric SAR image based on LapSVM space Wishart, mainly to solve the classification accuracy of existing classification methods in small samples as markers of polarimetric synthetic aperture radar polarimetric SAR image caused by the problem of low. The method comprises the following steps: polarization correlation matrix T and extract the feature vector and normalized polarization, the sample set is built and the structure of Spatial Wishart Manifold Regularization steps, calculate the classification accuracy and the output results of polarimetric SAR image classification. The invention not only solves the traditional unsupervised classification of polarimetric SAR image accuracy rate is not high, but also to avoid the drawbacks of manual marking difficulties and cost of supervised classification method requires a large amount of labeled data caused by the high, combined with a few labeled data and a large number of unlabeled cheap data obtained a better classification effect, can be used for target classification the polarimetric SAR image detection and recognition.

【技术实现步骤摘要】
基于多核融合与空间WishartLapSVM的半监督极化SAR图像分类方法
本专利技术属于图像处理
，涉及极化SAR图像分类方法，可用于极化SAR图像的地物分类、目标识别等
中。
技术介绍
极化SAR(PolarimetricSAR)是能够对目标进行全极化测量的合成孔径雷达，通过测量和记录不同极化状态组合回波的相位差信息对目标进行全极化测量成像。极化SAR数据包含更丰富的目标散射信息，能够对目标进行更为全面表达和描述，提高对地物的识别能力，同时，其具有全天候、全天时，分辨率高等优点，在目标检测与识别、分类以及参数反演等方面具有十分突出的优势，因此广泛应用于军事、农业、导航等众多领域。目前极化SAR成像技术已获得飞速发展，但对应的极化SAR图像处理技术还无法满足现有要求。因此，迫切需要开发能够对极化SAR图像进行全方位解读的图像处理技术。根据学习过程中是否需要用到有标签数据，现有的极化SAR图像分类方法可以分为监督分类和无监督分类。监督学习是通过大量标记样本的训练获得一个最优模型，再利用该最优模型实现对无标记数据的预测，如Lee等人提出的基于复Wishart分布的极化协方差本文档来自技高网...

【技术保护点】
一种基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法，包括如下步骤：(1)输入待分类极化SAR图像，得到其极化相干矩阵T；(2)基于极化SAR图像中的极化相干矩阵T，得到极化特征向量，并做特征归一化处理；(3)从待分类的极化SAR图像中每类随机选取1％的数据进行标记，同时联合30％的无标记数据，共同构成训练样本集；(4)基于空间一致性假设及极化SAR数据的极化相干矩阵服从复Wishart分布，设计极化SAR图像像素点之间的相似性度量准则，并根据聚类假设，构造Spatial‑Wishart流形正则项；(5)选定一组核函数，基于多核加权融合策略计算融合核矩阵，对极化特征...

【技术特征摘要】
1.一种基于多核融合与空间WishartLapSVM的半监督极化SAR图像分类方法，包括如下步骤：(1)输入待分类极化SAR图像，得到其极化相干矩阵T；(2)基于极化SAR图像中的极化相干矩阵T，得到极化特征向量，并做特征归一化处理；(3)从待分类的极化SAR图像中每类随机选取1％的数据进行标记，同时联合30％的无标记数据，共同构成训练样本集；(4)基于空间一致性假设及极化SAR数据的极化相干矩阵服从复Wishart分布，设计极化SAR图像像素点之间的相似性度量准则，并根据聚类假设，构造Spatial-Wishart流形正则项；(5)选定一组核函数，基于多核加权融合策略计算融合核矩阵，对极化特征向量进行高维映射；(6)利用训练样本集训练Spatial-WishartLapSVM，并基于PCG算法进行快速优化求解；(7)利用所训练的Spatial-WishartLapSVM模型，并基于one-vs-one多分类策略对无标记训练样本和测试样本进行标签预测；(8)计算分类准确率并输出极化SAR图像分类结果。2.根据权利要求1所述的基于多核融合与空间WishartLapSVM的半监督极化SAR图像分类方法，其特征在于，其中步骤(2)所述的基于极化SAR图像的极化相关矩阵获得每个像素点的特征向量，是按照如下步骤进行：(2a)基于极化SAR图像每个像素点维数为3×3的极化相关矩阵T，可以将特征向量表达为如下维数为9×1向量形式：I＝(|T11|2,|T22|2,|T33|2,|Re[T12]|2,|Re[T13]|2,|Re[T23]|2,|Im[T21]|2,|Im[T23]|2,|Im[T31]|2)(2b)利用空间信息，每个像素点的特征向量表示为其周围邻域的多个像素点特征的联合，可以表示为xi＝[......,Ii-1,Ii,Ii+1,......]；(2c)将整幅待分类极化SAR图像的样本特征向量进行归一化处理。3.根据权利要求1所述的基于多核融合与空间WishartLapSVM的半监督极化SAR图像分类方法，其特征在于，其中步骤(4)所述的构造Spatial-Wishart流形正则项按如下步骤进行：(4a)基于极化SAR像素点的极化相干矩阵服从复Wishart分布，设计任意两像素点之间的Spatial-Wishart相似度：视数为n的样本的极化相干矩阵T服从复Wishart分布，其概率密度函数为：其中，k(n,q)＝πq(q-1)/2Γ(n)…Γ(n-q+1)式中的∑表示T的数学期望，n是视数，k是归一化系数，Γ为Gamma函数，Tr是矩阵的迹。给定其中像素点j，像素点i的极化相干矩阵Ti发生的概率为对上式取对数似然，可以得到像素点i和像素点j之间的相似度：Lij(Ti|Tj)＝qnln(n)+(n-q)ln|Ti|-nTr(Tj-1Ti)-nln(Tj)-ln(k(n,q))同理，可以得到像素点j和像素点i之间的相似度：Lji(Tj|Ti)＝qnln(n)+(n-q)ln|Tj|-nTr(Ti-1Tj)-nln(Ti)-ln(k(n,q))由此，我们定义极化SAR图像中的任意两个像素点之间的相似度为：L(Ti,Tj)＝Lij(Ti,Tj)+Lji(Tj,Ti)＝qnln(n)+(n-q)ln|Ti|-nTr(Tj-1Ti)-nln(Tj)-ln(k(n,q)+qnln(n)+(n-q)ln|Tj|-nTr(Ti-1Tj)-nln(Ti)-ln(k(n,q)＝-qln|Ti|-nTr(Tj-1Ti)-nTr(Ti-1Tj)-qln|Tj|+C其中，C是一个常数。假设所有像素点的先验概率...

【专利技术属性】
技术研发人员：王敏，王勇，
申请(专利权)人：苏州闻捷传感技术有限公司，
类型：发明
国别省市：江苏,32