基于多视张量积扩散的非监督极化SAR图像地物分类方法技术

本申请涉及一种基于多视张量积扩散的非监督极化SAR图像地物分类方法。所述方法包括：采用快速超像素分割方法将待分类的极化SAR图像进行分割得到多个超像素，利用这3个高维特征向量基于分割后的多个超像素构建得到3个图模型，根据3个图模型进行多视张量积运算得到多个多视张量积图，并根据多个多视张量积图进行线性融合处理得到融合后的多视张量积图，再根据融合后的多视张量积图的相似度矩阵进行扩散，得到扩散后的相似度矩阵，再对扩散后的相似度矩阵进行谱聚类，以实现对所述极化SAR图像中的地物进行分类。采用本方法能够降低相干斑噪声的干扰，有效提升分类精度。有效提升分类精度。有效提升分类精度。

【技术实现步骤摘要】
基于多视张量积扩散的非监督极化SAR图像地物分类方法


[0001]本申请涉及极化SAR图像分类
，特别是涉及一种基于多视张量积扩散的非监督极化SAR图像地物分类方法。

技术介绍

[0002]合成孔径雷达(synthetic aperture radar，SAR)作为各种遥感技术中具有全天候、全天时、高分辨成像能力的技术手段，在遥感领域倍受青睐，成为遥感信息获取技术中不可或缺的重要分支。极化SAR(Polarimetric synthetic aperture radar，PolSAR)采用水平极化和垂直极化的方式交替发射与接收雷达信号,凭借着微波对地物的穿透能力，能够获得更为丰富的目标物散射信息。因此，针对极化SAR图像的解译研究尤为迫切，而地物分类正是极化SAR图像解译中最为基础且关键的一项任务。其不仅可以实现对农作物生长状况的监测，还可以用于研究地质和矿产的分布情况、城市的发展变迁、矿产资源的勘探、自然灾害的评估等等，能够广泛应用于军事以及民用领域。
[0003]由于成像方式的差异性，极化SAR图像与光学图像有着不同的表征方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多视张量积扩散的非监督极化SAR图像地物分类方法，其特征在于，所述方法包括：获取待分类的极化SAR图像，并采用快速超像素分割方法对所述极化SAR图像进行分割得到多个超像素；根据所述极化SAR图像提取5个具有代表性的特征向量，并根据这5个特征向量进行组合得到3个高维特征向量，利用这3个高维特征向量基于分割后的多个超像素构建得到3个图模型；根据3个所述图模型进行多视张量积运算得到多个多视张量积图，并根据所述多个多视张量积图进行线性融合处理得到融合后的多视张量积图，再基于所述融合后的多视张量积图的相似度矩阵进行扩散，得到扩散后的相似度矩阵；根据所述扩散后的相似度矩阵进行谱聚类，以实现对所述极化SAR图像的地物分类。2.根据权利要求1所述的非监督极化SAR图像地物分类方法，其特征在于，所述根据这5个特征向量进行组合得到3个高维特征向量，利用这3个高维特征向量基于分割后的多个超像素构建得到3个图模型具体包括：对所述极化SAR图像中各像素点均进行5个特征向量提取，并根据各像素点对应提取的5个特征向量进行组合得到与各像素点对应的3个高维特征向量；计算所述多个超像素中处于同一超像素内的各像素点的3个高维特征向量的平均特征向量作为该超像素的特征向量，使得各所述超像素均对应有3个特征向量；根据不同的3个特征向量分别进行图模型构建得到对应的3个所述图模型。3.根据权利要求2所述的非监督极化SAR图像地物分类方法，其特征在于，所述5个具有代表性的特征向量包括：Yamaguchi4特征向量、Krogager特征向量、HSI颜色空间特征向量、Cloude
–
Pottier
’
s特征向量以及由散射功率熵和同极化率组成的特征向量。4.根据权利要求3所述的非监督极化SAR图像地物分类方法，其特征在于，所述根据各像素点对应的5个特征向量进行组合得到与各像素点对应的3个高维特征向量包括：将所述Yamaguchi4特征向量、HSI颜色空间特征向量、Cloude
–
Pottier
’
s特征...

【专利技术属性】
技术研发人员：邹焕新，李美霖，曹旭，马倩，李润林，成飞，贺诗甜，魏娟，孙丽，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：