基于K-SVD和稀疏表示的极化SAR图像分类方法

摘要

本发明公开了一种基于K-SVD和稀疏表示的极化SAR图像分类方法，解决现有方法对分类类别数目限制以及极化特征信息利用不充分的问题。其实现步骤是：(1)将极化SAR的极化相干矩阵作为输入数据，计算协方差矩阵；(2)对每个像素点提取相干矩阵、协方差矩阵、P_s、P_d、P_v、H、α等，组成特征矩阵；(3)根据实际地物分布，选取训练样本，组成初始字典；(4)用K-SVD算法训练初始字典，得到训练字典；(5)将特征矩阵用训练字典表示，用OMP算法求解稀疏系数；(6)用求解出的稀疏系数重构特征矩阵，确定像素点的类别，得到最终分类结果。本发明利用极化SAR图像的极化特征，不限制分类类别数目，可用于极化SAR图像分类。

主权项

一种基于K‑SVD和稀疏表示的极化SAR图像分类方法，包括如下步骤：(1)将表示极化SAR图像的每个像素点的大小为3*3的极化相干矩阵T作为输入数据，计算每个像素点的大小为3*3的协方差矩阵C；(2)对表示极化SAR图像的每个像素点的极化相干矩阵T，采用克劳德cloude分解方法得到H、α共两个散射参数，采用弗里曼‑德登Freeman‑Durden分解方法得到P_s、P_d、P_v共三个散射参数，将相干矩阵T的9个元素、协方差矩阵C的9个元素、H、α、P_s、P_d、P_v、总功率特征参数SPAN共24个特征作为每个像素的特征向量，该特征向量的维数为24×1，用大小为24×N的特征矩阵F表示整幅极化SAR图像，N为整幅极化SAR图像总的像素点数；(3)根据实际地物分布，从每类点所对应的特征向量中选取一部分作为对应的训练样本集Y＝Y₁,Y₂,...,Y_K，K为总类别数，Y_i是从第i类特征向量中选取的训练样本，i＝1,2,…,K；(4)利用K‑SVD算法解如下公式：得到训练字典D＝[D₁,D₂,...,D_K]，D_i是第i类训练样本集Y_i训练得到的字典，i＝1,2,…,K；式中，X为稀疏系数矩阵，min||·||表示让·的值达到最小，Subject to表示约束条件，表示任意第i列，||·||₀表示向量的0范数，为矩阵的2范数的平方，T₀为稀疏表示中稀疏向量中非零值的个数的上限；(5)利用OMP算法解如下公式：min||X_i||₀Subject to F_j＝D_iX_i，i＝1,2,…,K，更新K个稀疏系数矩阵X＝[X₁,X₂,...,X_K]，X_i是第i类字典对应的稀疏系数矩阵，i＝1,2,…,K，式中，F_j为特征矩阵中F的第j个列向量，即为特征向量，j＝1,2,…,N，N为待分类的总像素点数；(6)利用步骤(5)求出的稀疏系数矩阵重构特征向量F_j，通过求解重构特征向量与原向量的差值确定F_j的类别；(7)重复步骤(6)直到图像中所有的点都分类完毕，根据像素点所属的类别，用不同颜色将不同类别的像素点表示出来。