[发明专利]基于特征值度量谱聚类的极化SAR图像分割方法

权利要求书

1.一种基于特征值度量谱聚类的极化SAR图像分割方法，包括如下步骤：

（1）读入极化SAR图像G，得到极化SAR图像G的总样本集X和极化SAR图像G的极化相干矩阵集合T＝{T_i|i＝1,...,M}，其中M是极化SAR图像G包含的像素点数；

（2）对第i个像素点的极化相干矩阵T_i进行特征值分解，得到第i个像素点的特征值集合i＝1,...,M，其中，表示第i个像素点的第一个特征值，表示第i个像素点的第二个特征值，表示第i个像素点的第三个特征值；

（3）求第i个像素点的8邻域第一个特征值对应的均值求第i个像素点的8邻域第二个特征值对应的均值求第i个像素点的8邻域第三个特征值对应的均值得到第i像素点的平均特征值集合i＝1,...,M；

（4）从极化SAR图像G的总样本集X中随机采样m个像素点构成样本子集X_m，由样本子集X_m的特征值集合构成特征样本集再由样本子集X_m的平均特征值集合构成平均特征样本集

（5）对样本子集X_m中第j个像素点的特征值集合利用马氏距离构造相似度矩阵w^j：

wj=(xmj-xmp)T·C-1·(xmj-xmp),]]>p＝1,...,m，

其中，表示样本子集X_m中第j个像素点的特征值集合，表示样本子集X_m中第p个像素点的特征值集合，C是特征样本集x_m的协方差矩阵；

（6）根据样本子集X_m中第j个像素点的相似度矩阵w^j，构造样本子集X_m的相似度矩阵w：

w＝[w¹,...,w^j,...,w^m]；

（7）对样本子集X_m中第j个像素点的平均特征值集合利用马氏距离来构造平均相似度矩阵

wj‾=(xmj‾-xmp‾)T·C‾-1·(xmj‾-xmp‾),]]>p＝1,...,m，

其中，表示样本子集X_m中第j个像素点的平均特征值集合，表示样本子集X_m中第p个像素点的平均特征值集合，是平均特征样本集的协方差矩阵；

（8）根据样本子集X_m中第j个像素点的平均相似度矩阵构造样本子集X_m的平均相似度矩阵

w‾=[w1‾,...,wj‾,...,wm‾];]]>

（9）对相似度矩阵w和平均相似度矩阵加权得到样本子集X_m的混合相似度矩阵w′：

w′=w+α·w‾,]]>

其中，α表示权值；

（10）对样本子集X_m的混合相似度矩阵w′，通过逼近求出总样本集X的相似度矩阵W，计算相似性矩阵W的拉普拉斯矩阵L，对拉普拉斯矩阵L进行特征值分解，得到拉普拉斯矩阵L的特征向量Y；

（11）对特征向量Y的前k维进行K均值聚类，得到聚类标签C1，其中k是给定的类别数；

（12）重复步骤（4）到（11）共5次，得到聚类标签集合Π＝{C1,C2,...,C5}；对该聚类标签集合Π利用MCLA算法进行集成，得到最终标签Z，即为极化SAR图像G的分割结果。