[发明专利]基于特征值度量谱聚类的极化SAR图像分割方法

摘要

本发明公开了一种基于特征值度量谱聚类的极化SAR图像分割方法。主要解决现有极化SAR图像分割过程中参数多难以自适应调节的问题。其实现过程是：(1)对极化SAR图像进行特征值分解，构成特征样本集x；（2）对每个像素求其8邻域的三个特征值对应的均值，构造平均特征样本集（3）利用马氏距离对特征样本集x和平均特征样本集分别构造相似度矩阵，根据这两个相似度矩阵得到混合相似度矩阵w′；（4）对混合相似度矩阵w′，通过谱聚类算法得到聚类标签C1；（5）重复步骤（3）-（4），对得到的类标签集合利用MCLA算法进行集成，得到最终分割结果。本发明具有自适应性强，复杂度低，分割结果更加细致精确的优点，可用于极化SAR图像的目标检测和目标识别。

主权项

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。