【技术实现步骤摘要】
极化SAR图像有监督分类方法及装置
本专利技术涉及图像处理
，具体涉及一种极化SAR图像有监督分类方法及装置。
技术介绍
极化合成孔径雷达(SyntheticApertureRadar，SAR)利用不同的极化通道组合，能获得比传统SAR更丰富、更详细的地物信息，因而被广泛应用于农业、军事、海洋等领域。极化SAR图像分类是极化SAR图像处理和极化SAR图像解译的重要内容。现有的极化SAR图像分类方法用到的特征主要是从极化SAR数据，如极化散射矩阵S、极化相干矩阵T和极化协方差矩阵C等，以及各种极化目标分解方法中提取的。近年来，纹理特征和颜色特征也被用于极化SAR图像分类的特征。但是由于大量特征之间的冗余性，一些单视角子空间学习方法，如主成分分析PCA，拉普拉斯特征映射LE，用于提取极化SAR数据的特征时，忽略了不同视角特征之间的差异性和关联性。多视角子空间学习方法虽然避免了上述技术问题，但是多视角子空间学习方法在极化SAR图像分类方面难以同时保持数据结构、判别信息和视角信息，进而导致极化SAR图像的分类精度不佳。多视角子空间学习方法主要包括典型相关分析CCA方...
【技术保护点】
1.一种极化SAR图像有监督分类方法，其特征在于，所述方法包括：依据预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，以及预设真实地物标记图像，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵；依据所获取的各降维映射矩阵，获取各像素点的低维特征；依据所述获取的各像素点的低维特征，利用预设分类器对待分类的各像素点进行分类；其中，所述预设多视角子空间学习模型为依据多视角典型相关分析MCCA方法模型，并结合数据结构和判别信息的保持以及自适应权重参数构建的模型：
【技术特征摘要】
1.一种极化SAR图像有监督分类方法，其特征在于，所述方法包括：依据预设训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，以及预设真实地物标记图像，利用预设多视角子空间学习模型获取其各自对应的降维映射矩阵；依据所获取的各降维映射矩阵，获取各像素点的低维特征；依据所述获取的各像素点的低维特征，利用预设分类器对待分类的各像素点进行分类；其中，所述预设多视角子空间学习模型为依据多视角典型相关分析MCCA方法模型，并结合数据结构和判别信息的保持以及自适应权重参数构建的模型：其中，且为V个视角的样本数据集，所述为V个视角对应的映射向量，所述为V个视角的对应的视角权重，所述Di为第i个视角特征的维数，所述n为样本数目，所述wi表示映射矩阵Wi的任意一个列向量，且所述d为降下来的维数，所述T表示转置；所述r和β为参数。2.根据权利要求1所述的极化SAR图像有监督分类方法，其特征在于，所述预设训练样本为依据预设真实地物标记的类别，从待分类的极化SAR图像中随机选取预设数量的各类别的像素点。3.根据权利要求1所述的极化SAR图像有监督分类方法，其特征在于，所述方法在“依据各像素点的低维特征，利用分类器对待分类的像素点进行分类”的步骤之后还包括下述步骤：用不同颜色标识极化SAR图像中分类结果中的每一类样本，得到极化SAR图像分类结果彩图。4.根据权利要求1所述的极化SAR图像有监督分类方法，其特征在于，所述方法在“依据训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集，利用多视角子空间学习模型获取其各自对应的降维映射矩阵”的步骤之前还包括下述步骤：利用滤波器对所述待分类的极化SAR图像进行滤波；依据滤波后的待分类的极化SAR图像，采用极化SAR原始数据和目标分解方法，获取极化特征向量集；依据滤波后的待分类的极化SAR图像，采用灰度共现矩阵和Gabor滤波方法，获取纹理特征向量集；依据滤波后的待分类的极化SAR图像，采用RGB和HSV颜色直方图方法，获取颜色特征向量集；依据所获取的极化特征向量集、纹理特征向量集和颜色特征向量集获取所述训练样本的极化特征向量集、纹理特征向量集和颜色特征向量集。5.根据权利要求1-4任意一项所述的极化SAR图像有监督分类方法，其特征在于，所述方法还包括依据所述预设多视角子空间学习模型，迭代求解得到V个视角对应的映射矩阵和V个视角的对应的视角权重具体步骤为：固定所述采用拉格朗日乘子算法，得到V个视角的对应的视角权重固定所述采用拉格朗日乘子...
【专利技术属性】
技术研发人员：黄夏渊，聂祥丽，乔红，张波，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。