基于谱聚类的极化SAR图像分类方法

摘要

本发明公开了一种基于谱聚类的极化SAR图像分类方法，主要解决现有无监督极化SAR分类方法分类精度不高的问题。其实现步骤为：提取表征极化SAR目标散射特征的散射熵H，结合空间坐标信息，作为Mean Shift算法的输入特征空间；在特征空间用Mean Shift算法进行分割，得到M个区域；在M个区域上，选取各区域的代表点作为谱聚类的输入，对各区域进行谱分割，进而完成对所有像素点的谱聚类，获得预分类结果；最后，对预分类得到的整幅图像用能反映极化SAR分布特性的Wishart分类器进行迭代分类，得到分类结果。实验表明，本发明所实现的极化SAR图像分类效果更好，可用于对各种极化SAR图像进行无监督分类。

主权项

一种基于谱聚类的极化SAR图像分类方法，包括如下步骤：(1)对待分类的大小为R×Q的极化SAR图像进行滤波，去除斑点噪声；(2)对滤波后的极化SAR图像每个像素点的相干矩阵进行Cloude分解，提取每个像素的散射熵H特征，得到整幅图像的关于散射熵H的特征空间；(3)用Mean Shift算法对获取到的特征空间进行分割，得到M个区域；(4)在已获得的M个区域上，选取每个区域的典型代表点作为新的像素点Y_δ,δ＝1,...,M，得到M个新像素点，将这M个新像素点映射为具有M个节点的全连接图，并对这个全连接图进行谱聚类；(4a)根据相似性准则，构造新像素点Y_δ的邻接矩阵A，将邻接矩阵A中每一个元素A_ij定义为：$A_{ij}=\left\{\begin{array}{cc}\exp \left(\frac{-d^2(T_i,T_j)}{2{\sigma }^2}\right)& i\ne j\\ 0& i=j\end{array}\right.$其中A_ij是邻接矩阵A中第i行第j列的元素，i＝1,...,M,j＝1,…,M，σ为尺度参数，d(T_i,T_j)为新像素点Y_i和Y_j的相似性度量，T_i和T_j分别是新像素点Y_i和Y_j的相干矩阵，d(T_i,T_j)定义如下：$d(T_i,T_j)=\frac{1}{2}tr(T_i\times T_j^{-1}+T_j\times T_i^{-1})-q$其中q为常数，取值为q＝3，tr(·)是矩阵的迹；(4b)根据邻接矩阵A，构造规范的拉普拉斯矩阵L：$L=D^{-\frac{1}{2}}{\mathrm{AD}}^{-\frac{1}{2}}$其中D是对角矩阵，对角矩阵D对角线上的每一个元素为(4c)对拉普拉斯矩阵L进行特征值分解，得到前k个最大特征值对应的特征向量，形成特征向量矩阵X＝[x₁,x₂,…,x_k]，k为分类类别数；(4d)根据特征向量矩阵X得到规范化矩阵V：规范化矩阵V中每一个元素V_θ,Ζ定义为：$V_{\theta ,Z}=\frac{X_{\theta ,Z}}{{\left(\underset{Z=1}{\overset{k}{\Sigma }}{X}_{\theta ,Z}^2\right)}^{-\frac{1}{2}}}$其中X_θ,Z是特征向量矩阵X第θ行第Ζ列的元素，θ＝1,…,M,Ζ＝1,…,k；(4e)用k‑means算法对规范化矩阵V的行向量进行聚类；(4f)对规范化矩阵V的行向量聚类后，当规范化矩阵V的第θ行为第c类时，将新像素点Y_δ标记为第c类，δ＝1,…,M，c＝1,…,k；(5)在M个区域上，将由新像素点Y_δ所代表的区域标记为与新像素点Y_δ相同的类别，完成对整幅图像的预分类；(6)对预分类得到的整幅图像用能反映极化SAR分布特性的Wishart分类器进行迭代分类，得到更为准确的分类结果。