[发明专利]基于复矩阵和多特征协同学习的遥感图像分类方法

权利要求书

1.基于复矩阵和多特征协同学习的遥感图像分类方法，其特征在于，步骤包括：

步骤1，输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波预处理；

步骤2，对极化SAR图像提取原始复矩阵和多类特征，分别构造极化SAR复矩阵字典和多特征字典；

步骤3，对极化SAR图像用简单线性迭代聚类方法生成超像素，对于每个超像素，分别提取复矩阵和多特征来表示超像素；

步骤4，使用黎曼距离度量极化SAR复矩阵字典中特征向量的距离，构建基于超像素的黎曼最近子空间模型；采用欧氏距离来度量多特征中特征向量的距离；

步骤5，建立一阶导的优化算法，求解步骤4中的基于超像素的黎曼最近子空间模型，得到系数矩阵A；

步骤6，通过复矩阵字典、特征字典、步骤3得到的超像素的复矩阵和多特征，建立协同学习模型，用于联合学习复矩阵和多特征，得到多特征的表示系数B；

步骤7，基于步骤5中系数A和步骤6中的系数B，获得得到极化SAR图像的分类结果。

2.如权利要求1所述的基于复矩阵和多特征协同学习的遥感图像分类方法，其特征在于，所述步骤2具体为：

极化SAR数据比传统的SAR数据包含更多的散射信息，因为它的散射回波根据不同的发射和接收模式来自四个通道；极化数据表示为S矩阵，即极化散射矩阵；极化散射矩阵包含了目标的全部极化信息，通常情况下，它具有复数的形式，极化散射矩阵表示为：

S＝[S_hh,S_hv,S_vh,S_vv] (1)

其中h和v分别为水平和垂直发射和接收模式，在满足互易的条件下，S_hv＝S_vh；S_hh表示水平接收的水平向发射的极化波的回波数据、S_hv为垂直接收的水平向发射的极化波的回波数据、S_vv为垂直接收的垂直向发射极化波的回波数据；S矩阵用散射向量K表示为：

通过多视图处理，每个像素由协方差矩阵C表示，极化协方差矩阵又称为复埃米尔特矩阵，极化协方差矩阵C写成：

其中协方差矩阵C是复矩阵，对角元素是实数，非对角元素是复数；(.)^*指共轭转置。

3.如权利要求1所述的基于复矩阵和多特征协同学习的遥感图像分类方法，其特征在于，所述步骤3中复矩阵字典的方法为：从极化SAR数据的每个类别中分别随机挑选N_k个像素；其中每个像素都通过多视图处理由协方差矩阵C表示，其中，C是复矩阵，将每个挑选出来的复矩阵放入字典集D中，构成复矩阵字典，表示为D＝{D¹,D²,…D^c},其中c是类数。