基于加权合成核与TMF的极化SAR图像分类方法

摘要

本发明公开了一种基于加权合成核与TMF的极化SAR图像分类方法，涉及极化SAR图像分类，其步骤为：步骤1，选择极化SAR图像的极化特征和训练样本，构建特征空间；步骤2，构建加权合成核；步骤3，利用加权合成核结合支持向量机实现初始分类，作为标记场X的初始值；步骤4，估计新的标记场X和新的辅助场U；步骤5，直到标记场X收敛，作为极化SAR图像最终的分类结果。本发明主要解决现有方法初始分类精度不高，与Markov场不能处理极化SAR图像的非平稳特性的问题。本发明能使同质区域分类结果更平滑且能更好地保持边缘信息，分类精度明显提高，可用于极化SAR图像的目标检测与识别。

主权项

一种基于加权合成核与TMF的极化SAR图像分类方法，其特征在于，包括以下步骤：步骤1，从极化SAR图像中选取N个极化特征，将极化特征归一化，得到归一化的特征并且建立特征空间；步骤2，设定极化SAR图像的类别数目M，将已知的属于每一类的像素点作为该类别的类别训练样本；步骤3，通过任意两个类别的类别训练样本在特征空间上的欧氏距离来确定核函数的权重系数；利用核函数的权重系数构建加权合成核；步骤4，利用加权合成核结合支持向量机SVM对极化SAR图像中的每个像素点实现M个类别的分类，并记录每个像素点在组合次的分类过程中的分类结果；步骤5，在极化SAR图像中的每个像素点所记录的次分类结果中统计每个像素点各类别所获票数；将每个像素点所获票数最多的类别标记为该像素点的最终类别；将每个像素点的最终类别确定为该像素点的分类结果，所有像素点的分类结果的集合就是初始分类结果；步骤6，对三重Markov场(X,Y,U)进行初始化，将步骤1到步骤5得到的初始分类结果作为极化SAR图像原始的标记场X，将极化SAR图像中所有像素点的协方差矩阵C的集合作为极化SAR图像的观测场Y，将所有像素点随机初始化的平稳态类别的集合作为极化SAR图像的原始的辅助场U；步骤7，利用原始的标记场X和原始的辅助场U，对极化SAR图像的所有像素点的先验概率的先验参数α和似然概率的似然参数β进行估计；步骤8，利用极化SAR图像的所有像素点的先验参数α和似然参数β，估计极化SAR图像的所有像素点在新的标记场中的类别和在新的辅助场中的平稳态类别，得到极化SAR图像的所有像素点在新的标记场中的类别的估计值、所有像素点在新的辅助场中的平稳态类别的估计值；将所有像素点在新的标记场中的类别的估计值确定为极化SAR图像的新的标记场，将所有像素点在新的辅助场中的平稳态类别的估计值确定为极化SAR图像的新的辅助场；步骤9，判断极化SAR图像的新的标记场是否收敛；如果新的标记场不收敛，设定新的标记场为原始的标记场X，新的辅助场为原始的辅助场U，重新执行步骤7和步骤8，直到新的标记场收敛；如果新的标记场收敛，将新的标记场作为最终的标记场，将最终的标记场作为极化SAR图像最终的分类结果，并输出该极化SAR图像最终的分类结果。