[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

说明书

本发明公开了一种基于复矩阵和多特征协同学习的遥感图像分类方法，通过在黎曼RNRS分类方法的基础上引入超像素，减少了散斑噪声和计算时间，并且通过基于超像素的协同学习方法，将复杂矩阵和多特征融合到NRS分类框架中。本发明能够充分利用矩阵信息和极化特征，尤其在异质区域能够进行精确分类，得到更好的分类结果。

技术领域

本发明属于图像处理和遥感技术领域，涉及一种基于复矩阵和多特征协同学习的遥感图像分类方法。

背景技术

全极化合成孔径雷达是一种具有多极化模式的微波测量设备，它可以在白天和夜间以及全天候条件下监测地球表面。与合成孔径雷达(Synthetic Aperture Radar,SAR)SAR系统相比，极化SAR系统通过发射和接收两个正交极化模式的电磁波，可以在地层中获得更多的目标散射。因此，获得了四通道极化SAR数据，为地形目标提供了更多的散射信息。近年来，极化SAR系统受到了越来越多的关注，国内外很多专家学者都在从事这方面的研究，它已经广泛应用于图像分类、作物监测、目标识别等领域。然而，对于城区、森林等异质区域，传统的基于目标分解的方法很难将图像分为语义一致的地物区域，这也是极化SAR图像分类的一个挑战。

极化SAR图像分类是雷达图像处理的一项重要任务，其中，特征学习是进行分类的关键。目前，最近正则化子空间(NRS)方法，在自然和遥感图像处理领域取得了巨大成功。最近正则化子空间方法作为一种流行的表示学习方法，这种方法简单有效，因为它可以通过L2范数正则化获得解析解，在图像分类中得到了广泛的应用。然而，NRS方法不能很好地学习极化SAR数据，因为它是一个复埃米尔特矩阵，而不是一个向量，矩阵矢量化又会破坏数据结构和交叉极化信息。后来又在此基础上提出了黎曼最近子空间分类方法(RNRS)，其中采用原始协方差矩阵为每个类构造数据字典，原始协方差矩阵是一个复矩阵，它赋予黎曼流形空间，该模型能有效地学习极化SAR原始数据。

上述极化SAR分类方法虽然在分类性能上有了很大提高，但是仍有几个缺点：(1)RNRS分类是一种像素级的分类方法，耗时长，容易因斑点噪声造成误分类。特别是在RNRS方法中，求解过程中需要涉及一些矩阵运算，然而像素的矩阵运算非常耗时。(2)只有极化SAR数据无法很好地对异质成因的地形对象进行分类。尽管RNRS方法可以有效地学习复杂的矩阵结构和信道信息，但在异构区域可能会导致错误分类。这是因为同一异质物体内的散射矩阵完全不同，具体地说，同一类中的相邻像素总是产生完全不同的散射回波，不同类中的像素可能具有类似的非均匀散射回波。

综上所述，现有的极化SAR图像分类方法仍存在一些缺陷，容易受斑点噪声的干扰，难以对异质成因的地表进行高精度分类。

发明内容

本发明的目的是提供一种基于复矩阵和多特征协同学习的遥感图像分类方法，能够在异质区域进行精确分类，得到更好的分类结果。

本发明所采用的技术方案是：

基于复矩阵和多特征协同学习的遥感图像分类方法步骤包括：

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；