基于Freeman熵和自学习的极化SAR图像精细分类方法技术
【技术实现步骤摘要】
基于Freeman熵和自学习的极化SAR图像精细分类方法
本专利技术属于图像处理
，涉及极化合成孔径雷达图像分类，可用于图像目标检测以及图像目标分类与识别。
技术介绍
随着雷达技术的日益发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息。极化SAR图像的理解和解译涉及信号处理，模式识别等众多学科。极化SAR图像分类作为极化SAR图像处理的基本问题之一，为极化SAR图像后期的识别奠定基础。现有的极化SAR图像分类可以分为无监督聚类和有监督分类两类。无监督聚类方法包括：Cloude等人提出的利用散射熵，散射角以及逆熵的阈值来划分类别以及Freeman等人提取每个像素的三种散射功率，按所占比重对图像进行分类。以上这两种方法所用的阈值均需要人为确定，代价大且过于武断。有监督分类方法包括：Kong等人提出的利用数据的统计信息对极化SAR图像进行分类，这种方法对数据分布有严格要求；Hellmann等人提出的利用神经网络分类器来进行分类，这种方法的收敛速度慢，且容易陷入局部最优。同时，由于极化SAR图像真实地物标签很难获得，使得人工定义标签的代价大...
【技术保护点】
一种基于Freeman熵和自学习的极化SAR图像精细分类的方法，包括如下步骤：（1）对极化SAR图像G的所有像素点进行特征值分解；（2）每个像素点分别得到的三个大小不同的特征值λ1,λ2,λ3且λ1≥λ2≥λ3；（3）对极化SAR图像G的所有像素点进行Freeman分解，得到每个像素点的三种散射功率Pv,Ps,Pd，其中，Pv表示体散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；（4）取每个像素点的三个特征值λ1,λ2,λ3及体散射功率Pv，构成每个像素点的特征向量[λ1,λ2,λ3,Pv]，用所有像素点的特征构成特征矩阵X；（5）从特征矩阵X中随机采样m个点，构造...
【技术特征摘要】
1.一种基于Freeman熵和自学习的极化SAR图像精细分类的方法，包括如下步骤：(1)对极化SAR图像G的所有像素点进行特征值分解；(2)每个像素点分别得到三个大小不同的特征值λ1,λ2,λ3且λ1≥λ2≥λ3；(3)对极化SAR图像G的所有像素点进行Freeman分解，得到每个像素点的三种散射功率Pv,Ps,Pd，其中，Pv表示体散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；(4)取每个像素点的三个特征值λ1,λ2,λ3及体散射功率Pv，构成每个像素点的特征向量[λ1,λ2,λ3,Pv]，用所有像素点的特征构成特征矩阵X；(5)从特征矩阵X中随机采样m个点，构造特征子集Xm＝{xj|j＝1,...,m}，其中，xj是第j个采样点的特征，并利用马氏距离对特征子集Xm构造相似度矩阵W；5a)根据特征子集Xm中第j个采样点的特征利用马氏距离构造相似度矩阵wj：其中，xj表示特征子集Xm中第j个采样点的特征，xp表示特征子集Xm中第p个采样点的特征，Cm是特征子集Xm的协方差矩阵；5b)根据第j个采样点相似度矩阵wj，构造特征子集Xm的相似度矩阵W：W＝[w1,...,wj,...,wm]；(6)根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y；(7)对特征子集Xm和初始聚类标签Y进行学习，训练一个支撑矢量机分类器SVM；(8)用训练的支撑矢量机SVM对特征矩阵X进行分类，得到一个新的SVM分类结果标签Y′；(9)根据SVM分类结果标签Y′，利用每个像素点的特征值λ1对特征矩阵X进行马尔可夫随机场迭代，得到优化的分类结果标签Y″；(10)根据每个像素点的三种散射功率Pv,Ps,Pd，计算每个像素点的Freeman散射熵Hp；(11)根据优化分类结果标签Y″，取出标记为海洋的像素点，利用Freeman散射熵Hp对标记为海洋的像素点进行NJW谱聚类，得到最终地物类别。2.根据权利要求1所述的极化SAR图像分类方法，其中步骤(6)所述的根据特征子集Xm的相似度矩阵W，利用NJW谱聚类算法，对特征子集Xm进行聚类，得到特征子集Xm的初始聚类标签Y，按照如下步骤进行：6a)计算相似度矩阵W的拉普拉斯矩阵L＝D-1/2WD-1/2,其中D为相似度矩阵W的度矩阵，D＝{d1,...,dj,...,d...
【专利技术属性】
技术研发人员：缑水平，焦李成，杜芳芳，马文萍，马晶晶，乔鑫，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。