主权项 |
一种基于超像素相关矩阵的极化SAR图像半监督分类方法,包括如下步骤:(1)输入极化SAR图像,对其进行降相干斑噪声的预处理,并合成伪彩色图像;(2)对伪彩色图像过分割,计算测试超像素的区域中心Θ<sub>i</sub>和训练超像素的区域中心Σ<sub>i</sub>;(3)将训练超像素的区域中心Σ<sub>i</sub>和测试超像素的区域中心Θ<sub>i</sub>依次排放,得到数据矩阵:X=[x<sub>1</sub>,…x<sub>i</sub>,…x<sub>num</sub>]=[Ψ<sub>1</sub>,Ψ<sub>2</sub>,…,Ψ<sub>c</sub>,Θ<sub>1</sub>,Θ<sub>2</sub>,…,Θ<sub>n</sub>],其中x<sub>i</sub>代表数据矩阵中第i个超像素的区域中心,i=1…num,num为超像素的总个数,Ψ<sub>i</sub>代表第i类训练超像素的集合,Ψ<sub>i</sub>=[Σ<sub>1</sub> Σ<sub>2</sub> … Σ<sub>m</sub>];(4)计算任意两个超像素之间的修正的Wishart距离dis<sub>i,j</sub>,得到相关性sim<sub>i,j</sub>,构建物理特征相关矩阵Sim:<img file="FDA0001142609850000011.GIF" wi="1566" he="351" />其中,<img file="FDA0001142609850000012.GIF" wi="702" he="175" />i=1…num,j=1…num,<img file="FDA0001142609850000013.GIF" wi="158" he="62" />分别是x,x<sub>i</sub>,x<sub>j</sub>的最大似然估计,Tr[·]为矩阵的迹,参数q表示极化SAR发射和接收天线是否为同一指令,若是,则q=3,否则q=4;(5)构建稀疏结构特征相关矩阵Z<sup>*</sup>:5.1)将数据矩阵X本身作为稀疏表示的字典,通过对系数矩阵Z的秩进行最小化约束,求得系数矩阵Z:<img file="FDA0001142609850000014.GIF" wi="597" he="278" />其中,矩阵A为稀疏表示的基,即字典,E为噪声,λ为控制噪声影响的参数,β 为约束矩阵Z稀疏性的参数,||·||<sub>*</sub>为核范数,<img file="FDA0001142609850000021.GIF" wi="622" he="109" />为l<sub>2,1</sub>范数,E<sub>ij</sub>为矩阵E第i行第j列的元素,||·||<sub>0</sub>为l<sub>0</sub>范数,表示矩阵中不为0的值的个数,因为l<sub>0</sub>范数求解问题是一个NP‑hard问题,故将此约束放宽为l<sub>1</sub>范数进行求解,表示为<img file="FDA0001142609850000022.GIF" wi="480" he="94" />Z<sub>ij</sub>为矩阵Z第i行第j列的元素;5.2)由系数矩阵Z计算稀疏结构特征相关矩阵<img file="FDA0001142609850000023.GIF" wi="347" he="118" />其中T表示矩阵的转置;(6)对物理特征相关矩阵Sim和稀疏结构特征相关矩阵Z<sup>*</sup>进行加权融合,得到新的相关矩阵W=Sim+αZ<sup>*</sup>,其中α为控制矩阵融合的权重,取值范围为0到50;(7)利用融合后的相关矩阵W进行半监督分类,得到每个测试超像素的类别;(8)将每个测试超像素所属的类别对应到原始极化SAR图像,输出最终的分类结果。 |