[发明专利]基于特征向量分布特性的极化SAR图像分类方法

摘要

本发明公开了一种基于特征向量分布的极化SAR图像分类方法，主要解决现有技术对特征向量分布特性认知不足的问题。其步骤是：1)采用增强Lee对相干矩阵T滤波，得到滤波后的相干矩阵T'；2)对T'特征值分解得到最大特征向量e1；3)对e1的每维分量分别取模值，得到变换后的最大特征向量e1'；4)选取不同匀质区域作为类别代表区域，并提取该区域的e1'；5)对各类匀质e1'进行三维高斯来率模型的均值和协方差参数，并求解各类匀质区域e1'三维高斯概率密度函数；6)对图像进行贝叶斯分类，得到初始分类结果；7)在初始结果上加局部Wishart迭代，并输出最终分类结果。本发明具有对极化SAR图像分类效果好的优点，可用于极化SAR图像目标检测和目标识别。

主权项

基于特征向量分布特性的极化SAR图像分类方法，其特征在于，包括以下步骤：(1)读入待分类极化SAR图像的相干矩阵T＝{T(i)|i＝1,…,M}，M为图像的总像素点数；(2)对待分类极化SAR图像进行增强Lee滤波，得到滤波后的相干矩阵T'＝{T'(i)|i＝1,…,M}；(3)对每个像素点的滤波后的相干矩阵T'(i)进行特征值分解，得到最大特征值对应的特征向量，即最大特征向量e₁＝{e₁(i)|i＝1，…,M}；(4)对每个点的最大特征向量e₁(i)＝[e₁₁(i),e₁₂(i),e₁₃(i)]^H的每维数据e_1j(i),j＝1,2,3分别取模值，得到变换后的最大特征向量向量e₁'＝{e₁'(i)|i＝1,…,M}，其中e₁'(i)＝[e'₁₁(i),e'₁₂(i),e'₁₃(i)]^H，H为矩阵的转置符号；(5)根据地物实际分布图，人工选取k类匀质区域C＝{C₁,…,C_l,…,C_k}，并提取k类匀质区域的变换后的最大特征向量e₁'作为训练样本；(6)采用EM算法分别对k类训练样本的变换后的最大特征向量e₁'的每维数据e'_1j,j＝1,2,3分别进行高斯估计，得到变换后的最大特征向量e₁'均值向量mu和标准差向量sigma：mu＝[μ₁，μ₂，μ₃]^H,μ_j，j＝1,2,3，对应于e₁'各分量的均值；sigma＝[σ₁，σ₂，σ₃]^H，σ_j，j＝1,2,3，对应于e₁'各分量的标准差；(7)计算变换后的最大特征向量e₁'的协方差矩阵Σ，根据公式cov(X,Y)＝E(XY)‑E(X)E(Y)计算变换后的最大特征向量e₁'中的分量的协方差，得到协方差矩阵Σ，其中E(XY)是根据EM算法得出的，由此构造变换后的最大特征向量e₁'的密度函数：$p\left(e_1^{\text{'}}\right|\mathrm{mu},\mathrm{\Σ})={\left(2\mathrm{\π}\right)}^{3/2}{\left|\mathrm{\Σ}\right|}^{-1/2}\exp [-\frac{1}{2}{(e_1^{\text{'}}-\mathrm{mu})}^H{\mathrm{\Σ}}^{-1}(e_1^{\text{'}}-\mathrm{mu})]$(8)根据MAP原则，求解e₁'(i)∈C_q,st.p(e₁'(i)C_q)＝maxP(e₁'(i)e₁'(i)∈C_q)，q＝1,…,l,…k，i＝1,…,M对待分类极化SAR图像中所选匀质区域的全部像素点进行分类，并输出分类结果；(9)将步骤(8)的初始分类结果进行局部Wishart迭代优化。