[发明专利]基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法

权利要求书

1.一种基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法，包括如下步骤：

(1)输入待分类极化SAR图像，得到其极化相干矩阵T；

(2)基于极化SAR图像中的极化相干矩阵T，得到极化特征向量，并做特征归一化处理；

(3)从待分类的极化SAR图像中每类随机选取1％的数据进行标记，同时联合30％的无标记数据，共同构成训练样本集；

(4)基于空间一致性假设及极化SAR数据的极化相干矩阵服从复Wishart分布，设计极化SAR图像像素点之间的相似性度量准则，并根据聚类假设，构造Spatial-Wishart流形正则项；

(5)选定一组核函数，基于多核加权融合策略计算融合核矩阵，对极化特征向量进行高维映射；

(6)利用训练样本集训练Spatial-Wishart LapSVM，并基于PCG算法进行快速优化求解；

(7)利用所训练的Spatial-Wishart LapSVM模型，并基于one-vs-one多分类策略对无标记训练样本和测试样本进行标签预测；

(8)计算分类准确率并输出极化SAR图像分类结果。

2.根据权利要求1所述的基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法，其特征在于，其中步骤(2)所述的基于极化SAR图像的极化相关矩阵获得每个像素点的特征向量，是按照如下步骤进行：

(2a)极化SAR图像的每个像素点的极化相干矩阵以维数为3×3矩阵表示：

其中，T_ij＝T_ji^*,i≠j，

(2b)极化相干矩阵包含了极化SAR数据的全部的极化信息，具有表达极化SAR数据特征的能力，据此，我们将单个像素点的极化向量形式表达为如下维数为1×9的形式：

I＝(|T₁₁|²,|T₂₂|²,|T₃₃|²,|Re[T₁₂]|²,|Re[T₁₃]|²,|Re[T₂₃]|²,|Im[T₂₁]|²,|Im[T₂₃]|²,|Im[T₃₁]|²)

(2c)利用空间信息，每个像素点的特征向量表示为其周围邻域的多个像素点特征的联合，可以表示为：

x_i＝[......,I_i-1,I_i,I_i+1,......]；

(2d)将整幅待分类极化SAR图像的样本特征向量进行归一化处理。