[发明专利]基于加权核范数最小化的极化SAR特征分类方法

摘要

本发明公开了一种基于加权核范数最小化的极化SAR特征分类方法，主要解决现有技术图像分类精度低的问题。其实现过程为：1)提取I3种极化SAR特征图像，利用加权核范数最小化方法对各特征图像进行去噪，得到极化特征张量F；2)由F获得两个正交矩阵分量A1、A2；3)利用A1、A2计算并更新正交核张量Gnew；4)利用快速独立分量方法从Gnew估计出解混矩阵W；5)利用W获得两个更新的正交矩阵分量A1,new、A2,new，从而获得低秩特征张量Ynew；6)判断Ynew是否满足迭代终止条件，若满足，则利用最新的低秩特征张量Ynew结合支持向量机得到最终的分类结果，否则,返回3)。本发明分类的区域一致性好、信息保留完整，可用于极化SAR图像分类。

主权项

1.基于加权核范数最小化的极化SAR特征分类方法，包括如下步骤：(1)对像素大小为I1×I2的极化SAR图像进行精致Lee滤波，提取极化SAR图像的I3种特征图像f，I3＞3；(2)对每一种特征图像f进行去噪，将去噪后的特征图像f_new组合成三维极化特征张量(3)对三维极化特征张量F进行降维：(3a)令Yold是大小为p×I1×I2元素全为零的低秩特征张量，p为最后需降维的维数,p＜I3；(3b)根据三维极化特征张量F，得出解混矩阵W：(3b1)由极化特征张量F得到第一维展开矩阵的协方差矩阵和第二维展开矩阵的协方差矩阵由该第一维展开矩阵的协方差矩阵和第二维展开矩阵的协方差矩阵得到对应的第一维初始化正交矩阵分量A₁和第二维初始化正交矩阵分量A₂；(3b2)利用A1和A2对极化特征张量F进行初步正交投影，获得正交核张量G，根据正交核张量G得到第三维的正交矩阵分量A3；(3b3)利用A3对正交核张量G进行正交投影，得到新的正交核张量Gnew，根据新的正交核张量Gnew，利用快速独立分量方法从Gnew估计出解混矩阵W；(3c)利用第一维正交矩阵分量A₁、第二维正交矩阵分量A₂和解混矩阵W对极化特征张量F进行投影变换，得到极化特征张量第一分量和第二分量其中T为矩阵的转置；(3d)由极化特征张量第一分量F₁和极化特征张量第二分量F₂，得到新的第一维的正交矩阵分量A_1,new和新的第二维的正交矩阵分量A_2,new，并利用这两个新的正交矩阵分量得到第一维投影矩阵和第二维投影矩阵(3e)利用第一维投影矩阵P1、第二维投影矩阵P2和解混矩阵W对特征张量F进行投影变换，得到新的低秩特征张量Ynew＝F×1P1×2P2×3W；(3f)判断是否成立：若成立，则新的低秩特征张量Y_new迭代到稳定，执行(4)；否则，令A₁＝A_1,new,A₂＝A_2,new，Y_old＝Y_new,返回(3b2)；其中，表示矩阵的二范数，ε₀表示收敛精度；(4)利用选取的部分训练样本训练支持向量机分类器，将最新得到的低秩特征张量Ynew沿第三维展开得到Ynew的第三维展开矩阵Ynew,(3)，并将该第三维展开矩阵Ynew,(3)输入到训练好的分类器中，得到最终的分类结果。