主权项 |
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λ<sub>1</sub>,λ<sub>2</sub>,λ<sub>3</sub>且λ<sub>1</sub>≥λ<sub>2</sub>≥λ<sub>3</sub>;(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λ<sub>1</sub>,λ<sub>2</sub>,λ<sub>3</sub>及体散射功率Pv,构成每个像素点的特征向量[λ<sub>1</sub>,λ<sub>2</sub>,λ<sub>3</sub>,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X<sub>m</sub>={x<sub>j</sub>|j=1,...,m},其中,x<sub>j</sub>是第j个采样点的特征,并利用马氏距离对特征子集X<sub>m</sub>构造相似度矩阵W;5a)根据特征子集X<sub>m</sub>中第j个采样点的特征<img file="FDA0001109034620000011.GIF" wi="462" he="86" />利用马氏距离构造相似度矩阵w<sub>j</sub>:<maths num="0001"><math><![CDATA[<mrow><msub><mi>w</mi><mi>j</mi></msub><mo>=</mo><msqrt><mrow><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>-</mo><msub><mi>x</mi><mi>p</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mo>·</mo><msubsup><mi>C</mi><mi>m</mi><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mo>·</mo><mrow><mo>(</mo><msub><mi>x</mi><mi>j</mi></msub><mo>-</mo><msub><mi>x</mi><mi>p</mi></msub><mo>)</mo></mrow></mrow></msqrt><mo>,</mo><mi>p</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><mo>,</mo><mi>m</mi><mo>,</mo></mrow>]]></math><img file="FDA0001109034620000012.GIF" wi="1007" he="87" /></maths>其中,x<sub>j</sub>表示特征子集X<sub>m</sub>中第j个采样点的特征,x<sub>p</sub>表示特征子集X<sub>m</sub>中第p个采样点的特征,C<sub>m</sub>是特征子集X<sub>m</sub>的协方差矩阵;5b)根据第j个采样点相似度矩阵w<sub>j</sub>,构造特征子集X<sub>m</sub>的相似度矩阵W:W=[w<sub>1</sub>,...,w<sub>j</sub>,...,w<sub>m</sub>];(6)根据特征子集X<sub>m</sub>的相似度矩阵W,利用NJW谱聚类算法,对特征子集X<sub>m</sub>进行聚类,得到特征子集X<sub>m</sub>的初始聚类标签Y;(7)对特征子集X<sub>m</sub>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λ<sub>1</sub>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H<sub>p</sub>;(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H<sub>p</sub>对标记为海洋的像素点进行NJW谱聚类,得到最终地物类别。 |