基于超像素相关矩阵的极化SAR图像半监督分类方法

摘要

本发明公开了一种基于超像素相关矩阵的极化SAR图像半监督分类方法，主要解决现有技术需要大量训练样本的问题。其实现步骤为：1)读入极化SAR图像进行将相干斑噪声的预处理，并合成伪彩色图像；2)计算测试超像素和训练超像素的区域中心，并构建数据矩阵和物理特征相关矩阵；3)利用数据矩阵计算稀疏结构特征相关矩阵；4)将物理特征相关矩阵与稀疏结构特征相关矩阵进行加权融合；5)对融合后的相关矩阵利用半监督的方法进行分类，输出最终的分类结果。本发明减少了相干斑噪声对分类结果的影响，有效地减少了对训练样本数量的要求，提高了分类的准确率，可用于极化SAR图像中地物的分类和识别。

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_i和训练超像素的区域中心Σ_i；(3)将训练超像素的区域中心Σ_i和测试超像素的区域中心Θ_i依次排放，得到数据矩阵：X＝[x₁,…x_i,…x_num]＝[Ψ₁,Ψ₂,…,Ψ_c,Θ₁,Θ₂,…,Θ_n]，其中x_i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_i代表第i类训练超像素的集合，Ψ_i＝[Σ₁ Σ₂ … Σ_m]；(4)计算任意两个超像素之间的修正的Wishart距离dis_i,j，得到相关性sim_i,j,构建物理特征相关矩阵Sim:其中，i＝1…num,j＝1…num，分别是x,x_i,x_j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^*：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：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，||·||_*为核范数，为l_2,1范数，E_ij为矩阵E第i行第j列的元素，||·||₀为l₀范数，表示矩阵中不为0的值的个数，因为l₀范数求解问题是一个NP‑hard问题，故将此约束放宽为l₁范数进行求解，表示为Z_ij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^*进行加权融合，得到新的相关矩阵W＝Sim+αZ^*，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。