[发明专利]基于协同正则化和超像素的极化SAR图像分类方法

权利要求书

1.一种基于协同正则化和超像素的极化SAR图像分类方法，其特征在于，该方法包括：

步骤S100，基于获取的极化SAR图像，通过超像素生成方法得到多个超像素及其对应的相干矩阵；

步骤S200，获取各超像素的协方差矩阵；通过预设多个种类的极化目标分解方法分别对所述相干矩阵、所述协方差矩阵进行分解，并结合所述相干矩阵、所述协方差矩阵，提取各超像素预设维度的极化特征；

步骤S300，以每一个超像素为中心的d×d区域内，基于其相干矩阵、极化特征分别计算其与其他超像素的Wishart距离、欧式距离，并进行升序排序；通过预设的权重赋值方法分别获取排序后的Wishart距离、欧式距离对应的权重值，构建各超像素对应的第一权重图、第二权重图；

步骤S400，对每一个超像素，基于其第一权重图、第二权重图构建对应的第一矩阵、第二矩阵；基于所述第一矩阵、所述第二矩阵，分别通过预构建的基于协同正则化的降维模型得到第一低维特征、第二低维特征；所述第一矩阵、第二矩阵为归一化图的Laplacian矩阵；

其中，所述基于协同正则化的降维模型，其表示为：

其中，U⁽¹⁾为第一低维特征，L⁽¹⁾为第一矩阵，U⁽²⁾为第二低维特征，L⁽²⁾为第二矩阵，α为参数，N为超像素的个数，M为降维后的维数，tr(·)为矩阵的迹，T表示转置，R表示实数；

分别通过预构建的基于协同正则化的降维模型得到第一低维特征、第二低维特征，其方法为：

步骤S420，分别对所述第一矩阵、所述第二矩阵中的特征值进行降序排序，排序后选取前M个特征值对应的特征向量作为第一降低维特征、第二低维特征；

步骤A421，基于所述第一低维特征，对矩阵L⁽²⁾+αU⁽¹⁾U^(1)T进行特征值分解，得到多个特征值，进行降序排序，排序后选取前M个特征值对应的特征向量作为更新后的第二低维特征；

步骤S422，基于所述第二低维特征，对矩阵L⁽¹⁾+αU⁽²⁾U^(2)T进行特征值分解，得到多个特征值，进行降序排序，排序后选取前M个特征值对应的特征向量作为更新后的第一低维特征；

步骤S423，获取当前迭代次数及所述第一低维特征与所述更新后的第一低维特征的差的F-范数、所述第二低维特征与所述更新后的第二低维特征的差的F-范数的和，若该和大于预设的阈值或所述当前迭代次数大于预设的最大迭代次数，则输出第一低维特征、第二低维特征，否则循环执行步骤S421-步骤S422的方法；

步骤S500，对所述第一低维特征和所述第二低维特征进行平均，获取各超像素对应的平均特征，通过最近邻分类器得到所述极化SAR图像的分类结果。

2.根据权利要求1所述的基于协同正则化和超像素的极化SAR图像分类方法，其特征在于，所述相干矩阵为每个超像素内各像素点对应相干矩阵的平均值。

3.根据权利要求1所述的基于协同正则化和超像素的极化SAR图像分类方法，其特征在于，所述预设多个种类的极化目标分解方法包括Pauli分解、H/A/α分解、Freeman分解、Kroggar分解、Huynen分解。

4.根据权利要求1所述的基于协同正则化和超像素的极化SAR图像分类方法，其特征在于，步骤S300中“通过预设的权重赋值方法分别获取排序后的Wishart距离、欧式距离对应的权重值”，其方法为：

基于排序后的Wishart距离、欧式距离，选取前k个Wishart距离、欧式距离，分别通过下述公式得到对应的权重值：

其中，w_ij为权重值，σ＝max(d)-min(d)，d为Wishart距离或欧式距离；

其余的Wishart距离、欧式距离对应的权重值置为零。