基于黎曼最近正则子空间模型的极化SAR图像分类方法技术

本发明专利技术公开一种基于黎曼最近正则子空间模型的极化SAR图像分类方法，步骤包括：步骤1，从待分类的极化SAR图像的每个类别中挑选相同数量的像素点，构造每个类的半正定矩阵字典；步骤2，根据矩阵字典、黎曼测度，构建基于RNRS的目标函数；步骤3，对目标函数进行求解，得到每类字典的稀疏表示系数；步骤4，根据稀疏表示系数，计算每类的预测数据，将像素类标赋给真实数据和预测数据残差最小的类别，最终得到极化SAR图像的分类结果。本发明专利技术解决了现有技术中存在的NRS无法有效学习PolSAR数据矩阵结构和通道相关性的问题。和通道相关性的问题。和通道相关性的问题。

Polarimetric SAR image classification method based on Riemann nearest canonical subspace model

【技术实现步骤摘要】
基于黎曼最近正则子空间模型的极化SAR图像分类方法


[0001]本专利技术属于图像处理和遥感
，涉及一种基于黎曼最近正则子空间模型的极化SAR图像分类方法。

技术介绍

[0002]全极化合成孔径雷达(PolSAR)图像分类是雷达图像处理的一项重要任务。它是目标识别和图像理解的基础。与SAR系统相比，PolSAR系统以两种正交极化模式发射和接收电磁波，可获得四通道PolSAR数据，从而为图像分类提供更多的目标散射特性。PolSAR系统被广泛应用于图像分类、土地覆盖制图等方面。现有的PolSAR图像分类方法包括无监督方法和监督方法。
[0003]近年来，基于表示的分类方法已被证明是雷达图像处理领域中一种有效的工具。表示分类方法主要可归纳为三类:稀疏表示分类(SRC)、协作代表表示分类器(CRC)和最近邻正则化子空间(NRS)。SRC在高光谱和SAR图像的地形分类中得到了广泛的应用。可以结合极化特征和稀疏表示，将SRC扩展到PolSAR图像。也有方法对PolSAR图像的Remianian稀疏编码。这些方法都具有L0范数或L1范数的正则项本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于黎曼最近正则子空间模型的极化SAR图像分类方法，步骤包括：步骤1，从待分类的极化SAR图像的每个类别中挑选相同数量的像素点，用像素点的协方差矩阵来构造每个类的半正定矩阵字典；步骤2，根据矩阵字典、黎曼测度，构建基于RNRS的目标函数，目标函数为公式(8)：其中N
k
代表第k类字典中的像素点个数，代表第k类字典中的第i个字典原子的表示系数，X代表测试像素点，是k类字典中的第i个字典原子，λ为平衡残差项和系数项的权重因子，为测试像素点X与第k类字典原子之间的黎曼度量距离，α
k
为第k类字典中原子的表示系数列向量；步骤3，构建一阶导优化求解算法，对目标函数进行求解，得到每类字典的稀疏表示系数；步骤4，根据步骤3计算得到的稀疏表示系数，计算每类的预测数据，将像素类标赋给真实数据和预测数据残差最小的类别，最终得到极化SAR图像的分类结果。2.如权利要求1所述的基于黎曼最近正则子空间模型的极化SAR图像分类方法，所述步骤1具体步骤为：从待分类的极化SAR图像的每个类别中随机挑选N
k
个像素作为训练集；其余像素点作为测试集，通过训练集中像素的协方差矩阵来构造矩阵字典D，其中协方差矩阵为：其中C为协方差矩阵，S
hh
为水平接收的水平向发射极化波的回波数据、S
hv
为垂直接收的水平向发射极化波的回波数据、S
vv
为垂直接收的垂直向发射极化波的回波数据；构建字典D：D＝{D1，D2,
…
,D
C
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)C为总类别数，D
K
为字典D第K类训练像素构成的字典，定义如下：其中，为第k类字典的第i个字典原子，用第k类的第i个训练像素点的协方差矩阵表示。3.如权利要求1所述的基于黎曼最近正则子空间模型的极化SAR图像分类方法，所述步骤2具体的为：构建黎曼最近正则子空间公式：
RNRS公式分为两部分，为残差项，为Tikhonov正则项；其中λ为平衡残差项和Tikhonov正则项的权重因子；其中为X和之间的黎曼度量距离，为RNRS公式进行求解得到测试样本在第k类字典上的估计值；其中黎曼度量距离的公式为：公式(4)中d
R
(A,B)为矩阵A与矩阵B的黎曼度量距离，其中其中其中k代表第k类；X代表测试像素点，代表测试像素点到第k类训练样本中的第i个训练像素点的黎曼度量距离，i＝1～N
k
，N
k
为每个类别中训练像素的个数；将...

【专利技术属性】
技术研发人员：石俊飞，王伟，贺天生，金海燕，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：