基于稀疏低秩的判别谱聚类的极化SAR图像分类方法技术

本发明专利技术公开了一种基于稀疏低秩的判别谱聚类的极化SAR图像分类方法，主要解决现有技术的分类精度低和区域一致性差的问题。其实现方案为：对极化SAR图像进行相似性处理，在稀疏、低秩的约束下，引入判别损失函数，定义新的目标函数，并构造其对应的增广拉格朗日方程；在增广拉格朗日乘子法的基础上利用矩阵奇异值分解算法，得到迭代方程并利用其进行迭代求解；对迭代求解结果进行谱聚类得到极化SAR图像的最终分类结果。实验结果表明，本发明专利技术分类精度高，区域一致性好，比现有的方法具有更好的性能。可用于极化SAR图像的目标分类、检测与识别。

【技术实现步骤摘要】
基于稀疏低秩的判别谱聚类的极化SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及一种极化SAR图像分类方法，可用于极化SAR图像的目标检测与目标识别。
技术介绍
随着计算机软硬件技术的不断提高，遥感系统越来越先进，获取地物信息的方式越来越多样化，先进的遥感手段促进了对地观察技术的发展。合成孔径雷达SAR是获取地物信息的一种重要工具，它能在任何气候下不分白天黑夜的工作，在获取地物信息上比其它传统方式更具有优势。而极化SAR能同时获取地物目标的四个不同极化通道的散射特征，既包含了振幅信息，也包含了相位信息，比常规SAR包含更多的地物信息，如极化度、同极化比、交叉极化比、散射熵及同极化相位差等。这些极化信息揭示了地物的散射差别，有助于进一步进行信息挖掘，为地物分类研究提供了基础条件。极化SAR图像的分类是指将图像的像元按其性质分为若干个类别的过程，目前极化SAR图像分类主要分为三种方法：第一种是基于统计分布模型的贝叶斯分类方法。例如，李仲森等人1994年在InternationalJournalofRemoteSensing的第15卷第11期上发表的《Classificationofmulti-lookpolarmetricSARimagerybasedoncomplexWishartdistribution》,该文献提出一种基于Wishart距离的分类方法，成为最经典的方法之一，但是该方法只考虑了单个像素的信息，分类的区域一致性较差。第二种是基于机器学习的分类方法。例如，Pierre-LouisFrison等人2009年在IEEETransactionsonGeoscienceandRemoteSensing的第47卷第12期上发表的《SupportvectormachineformultifrequencySARpolarmetricdataclassification》，该文献提出一种基于支持向量机的分类方法，该方法需要人工提取特征，然而人工提取的特征不是最适合分类的特征，从而导致分类精度不高。第三种方法是基于深度学习的分类方法。例如，谢慧明等人2014年在IEEEInternationalGeoscienceandRemoteSensingSymposium上发表的《Multilayerfeaturelearningforpolarimetricsyntheticradardataclassification》，该文献提出了一种基于多层特征学习的分类方法，该方法首先对待分类极化SAR图像进行滤波，然后获取每个像素点的原始特征，选取训练数据集和测试数据集，将训练数据集输入到多层自编码器中进行训练，最后将测试数据集输入到多层自编码器中进行预测分类。该方法只研究单个像素的信息，会受到相干斑噪声的影响，从而影响区域内的一致性和分类精度。同时，该方法中的训练数据集较小，导致深度学习模型的过拟合，从而影响分类精度。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于稀疏低秩的判别谱聚类的极化SAR图像分类方法，以提高分类区域内一致性和分类精度。为实现上述目的，本专利技术采取的技术方案包括如下：1.基于判别谱聚类的极化SAR图像分类方法，包括：(1)输入数据集X＝{xi}，定义一个加权图G＝{X,E,S}，将数据集X作为加权图G的顶点集；设E＝{(xi,xj),i≠j}是加权图边集；S＝(Sij)n×n为加权图的相似矩阵，Sij表示数据点xi和xj之间的相似度，Sij≥0，i,j＝1,2,...,n，其中n是数据点的个数，||.||2表示l2范数，σ2为X的标准差；(2)定义P是加权图G上随机游动的概率转移矩阵，P＝D-1S，其中D是一个对角矩阵，D的对角元(3)将概率转移矩阵P分解为真实概率转移矩阵和偏移误差矩阵E1两个部分，即(4)根据(3)的结果，在低秩和稀疏约束下构造如下目标函数:其中是的秩，||E1||0表示E1的零范数，λ是非负平衡参数，取值为λ＝0.05；(5)定义判别聚类项的损失函数E2＝E(Y,W|X)，Y表示类标签，W表示分类器；(6)设定辅助变量Q，根据判别损失函数E2，将(4)中的目标函数转换成如下等价形式:其中，β是非负平衡参数，取值为β＝0.001，||.||1表示l1范数，||·||*表示迹范数；(7)构造与式<2>对应的增广拉格朗日函数：其中H为拉格朗日算子，＜·,·＞表示矩阵的内积运算，μ是自适应惩罚参数，取值为μ＝10-7，||.||F表示F范数；(8)设置迭代停止条件设立为：或者达到最大迭代次数t，其中，ε为给定的精确度，取t＝1000，ε＝10-8，||.||∞表示无穷范数；对式<3>进行迭代求解，当方程的近似解满足迭代停止条件时，停止迭代，得到偏移误差矩阵E1、判别损失函数E2和真实概率转移矩阵(9)利用真实概率转移矩阵通过马尔可夫链算法对极化SAR图像进行谱聚类，得到极化SAR图像的分类结果。本专利技术与现有技术相比，具有如下优点：第一，本专利技术充分利用低秩与稀疏约束，并引入判别信息对数据进行分类，通过数据特征得到相似度矩阵，结合相似度矩阵得到概率转移矩阵，将其中需要的聚类特征利用增广拉格朗日求得，有效地克服了原始信息中误差的影响，提高了分类精度。第二，本专利技术在分类算法中加入了判别信息，利用其对数据进行划分，使数据的信息得到更有效的利用，分类更准确。附图说明图1是本专利技术的实现流程图；图2是本专利技术适用的极化SAR图像；图3是本专利技术仿真所用的极化SAR图像真实的地物标记图；图4是利用本专利技术对仿真所用极化SAR图像的分类结果图；图5是利用现有技术对仿真所用极化SAR图像的分类结果图。具体实施方式以下结合附图对本方法进行详细说明。参照图1，基于稀疏低秩的判别谱聚类的极化SAR图像分类方法，包括如下步骤：步骤1，输入待分类的极化SAR图像。本实施例输入一幅如图2所示的极化SAR图像，该图像的像素集为X＝{x1,x2,...,xi,...,xn}，其中xi表示极化SAR图像里的第i个像素，i＝1,2,...,n，n表示极化SAR图像的像素个数。步骤2，对极化SAR图像进行相似性处理。对待分类的极化SAR图像进行相似性处理，得到相似矩阵S＝(Sij)n×n，其中Sij表示第i个数据点xi和第j个数据点xj之间的相似度，i,j＝1,2,...,n，，||.||2表示l2范数，σ2为X的标准差；通过相似矩阵S得到概率转移矩阵：P＝D-1S，其中D是一个对角矩阵，D的对角元步骤3，引入判别信息。定义判别损失函数E2＝E(Y,W|X)，其表示为：其中，Y为类标签，W为分类器，W＝(Wpq)c×c＝[W1,W2,...,Wq,...,Wc]T，Wpq是W的第p行第q列的元素，Wq是第q类的分类器参数向量，类标签表示数据点xi的标签；是指示函数，当时该指示函数取值为1，其他情况取值为0；Nq表示第q类所包含的数据点的个数，c表示标签个数，e为自然常数，ξ为正则化参数，取值为ξ＝5×10-5。步骤4，定义目标函数。设定辅助变量Q，根据判别损失函数E2，定义目标函数:其中，表示真实概率转移矩阵，E1表示偏移误差矩阵，λ是E1的非负平衡参数，取值为λ＝本文档来自技高网...

【技术保护点】
1.基于稀疏低秩的判别谱聚类的极化SAR图像分类方法，包括：(1)输入数据集X＝{xi}，定义一个加权图G＝{X,E,S}，将数据集X作为加权图G的顶点集；设E＝{(xi,xj),i≠j}是加权图边集；S＝(Sij)n×n为加权图的相似矩阵，Sij表示数据点xi和xj之间的相似度，

【技术特征摘要】
1.基于稀疏低秩的判别谱聚类的极化SAR图像分类方法，包括：(1)输入数据集X＝{xi}，定义一个加权图G＝{X,E,S}，将数据集X作为加权图G的顶点集；设E＝{(xi,xj),i≠j}是加权图边集；S＝(Sij)n×n为加权图的相似矩阵，Sij表示数据点xi和xj之间的相似度，Sij≥0，i,j＝1,2,...,n，其中n是数据点的个数，||.||2表示l2范数，σ2为X的标准差；(2)定义P是加权图G上随机游动的概率转移矩阵，P＝D-1S，其中D是一个对角矩阵，D的对角元(3)将概率转移矩阵P分解为真实概率转移矩阵和偏移误差矩阵E1两个部分，即(4)根据(3)的结果，在低秩和稀疏约束下构造如下目标函数:其中是的秩，||E1||0表示E1的零范数，λ是非负平衡参数，取值为λ＝0.05；(5)定义判别聚类项的损失函数E2＝E(Y,W|X)，Y表示类标签，W表示分类器；(6)设定辅助变量Q，根据判别损失函数E2，将(4)中的目标函数转换成如下等价形式:其中，β是非负平衡参数，取值为β＝0.001，||.||1表示l1范数，||·||*表示迹范数；(7)构造与式<2>对应的增广拉格朗日函数：其中H为拉格朗日算子，＜·,·＞表示矩阵的内积运算，μ是自适应惩罚参数，取值为μ＝10-7，||.||F表示F范数；(8)设置迭代停止条件设立为：或者达到最大迭代次数t，其中，ε为给定的精确度，取t＝1000，ε＝10-8，||.||∞表示无穷范数；对式<3>进行迭代求解，当方程的近似解满足迭代停止条件时，停止迭代，得到偏移误差矩阵E1、判别损失函数E2和真实概率转移矩阵(9)利用真实概率转移矩阵通过马尔可夫链算法对极化SAR图像进行谱聚类，得到极化SAR图像的分类结果。2.根据权利要求1所述的方法，其中步骤(5)中定义的判别聚类项的损失函数E2＝E(Y,W|X)，其具体表达式为：其中，e为自然常数，分类器W＝(Wpq...

【专利技术属性】
技术研发人员：张向荣，焦李成，于心源，唐旭，侯彪，白静，马文萍，马晶晶，
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