[发明专利]基于多核K均值和判别随机场的极化SAR图像分类方法

权利要求书

1.一种基于多核K均值和判别随机场的极化SAR图像分类方法，其特征在于，包括以下步骤：

(1)输入极化SAR图像，并设定极化SAR图像中的类别集合：Ω＝{1,2,...,M}，其中M表示极化SAR图像的类别数目，从极化SAR图像中手动获取M类训练样本，根据M类训练样本，利用Wishart分类器得到初始分类结果；

(2)从极化SAR图像中提取极化分解特征和纹理特征，得到N个不同类型的极化特征组，将N个不同类型的极化特征组分别进行归一化，得到N维归一化极化特征组；

(3)初始化极化SAR图像参数：

将极化SAR图像的每个像素点的类别标记集合设定为原始的标记场其中，x_s表示像素点s的类别标记，表示极化SAR图像的像素点集合；

将极化SAR图像的观测场表示为其中，f(y_s)表示像素点s的N维归一化极化特征组；g(y_s)表示像素点s的极化协方差矩阵；

将(1)得到的初始分类结果初始化为原始的标记场x；

将比例参数λ初始化为0.8，将平衡参数C初始化为0.24；

(4)根据N维归一化极化特征组，利用多核K均值算法，构建像素点s的一元势能函数A(x_s,f(y_s))，按如下步骤进行：

4a)根据N维归一化极化特征组，得到权重系数ω_n：

其中，β_n表示第n个中间参数，n＝1，2，...，N，通过下式得到：

其中，u_sc表示像素点s所从属的类别；α_scn表示像素点s属于类别c的第n个中间参数，n＝1，2，...，N，通过下式得到：

其中，u_tc表示像素点t所从属的类别；u_kc表示像素点k所从属的类别；f_n(y_s)表示像素点s的第n个归一化极化特征组；f_n(y_t)表示像素点t的第n个归一化极化特征组；f_n(y_k)表示像素点k的第n个归一化极化特征组；n_c表示从属于类别c的样本数量；π_c表示类别c的类别标记；K_ss表示由像素点s的第n个归一化极化特征组得到的高斯径向基核函数；K_st表示由像素点s和像素点t的第n个归一化极化特征组得到的高斯径向基核函数；K_tk表示由像素点t和像素点k的第n个归一化极化特征组得到的高斯径向基核函数；

4b)根据权重系数ω_n，得到多核K均值聚类误差d(ψ(f(y_s)),μ_c)：

其中，ψ(f(y_s))表示融合后的映射样本；μ_c表示核空间的聚类中心；

4c)根据多核K均值聚类误差d(ψ(f(y_s)),μ_c)，得到像素点s的局部类条件概率p(x_s|f(y_s))：

p(x_s|f(y_s))＝exp(-λ·d(ψ(f(y_s)),μ_c))，

其中，λ表示比例参数；

4d)根据像素点s的局部类条件概率p(x_s|f(y_s))，得到像素点s的一元势能函数A(x_s,f(y_s))；

A(x_s,f(y_s))＝log(p(x_s|f(y_s)))；

(5)根据原始的标记场x，得到像素点s的二元势能函数W(x_s,x_t,μ_st)，按如下步骤进行：

5a)计算像素点s的极化协方差矩阵g(y_s)和像素点t的极化协方差矩阵g(y_t)之间的相似度：

其中：表示核尺度参数；d_SW表示对称的改进型Wishart距离，该d_Wst表示g(y_s)和g(y_t)之间的改进型Wishart距离，该d_Wts表示g(y_t)和g(y_s)之间的改进型Wishart距离：

5b)根据相似度计算二元势能函数W(x_s,x_t,μ_st)：

其中，μ_st＝exp(-(ξ_s-ξ_t)/C)²)表示边界惩罚函数，ξ_s表示像素点s的边界强度，ξ_t表示像素点t的边界强度，C表示平衡参数；x_t表示像素点t的类别标记；c₁和c₂表示极化SAR图像中的两种类别标记；(·)^T表示转置函数；δ(x_s,c₁)为Delta函数，表示当像素点s的类别标记x_s为c₁时，该函数值为1，否则为0；δ(x_t,c₂)为Delta函数，表示当像素点t的类别标记x_t为c₂时，该函数值为1，否则为0；

(6)根据像素点s的极化协方差矩阵g(y_s)，利用Wishart广义伽马WGГ分布，得到像素点s的统计分布p(g(y_s)|Σ_h)，其中，Σ_h表示均值极化协方差矩阵；

所述像素点s的统计分布p(g(y_s)|Σ_h)，表示如下：

其中，θ表示积分变量；ε表示指数形状参数；υ表示形状参数；σ表示尺度参数；L表示极化SAR图像的等效视数；q表示极化协方差矩阵g(y_s)的行数；Γ(·)表示伽马函数；|·|表示求矩阵行列式的操作；(·)^-1表示求矩阵的逆的操作；Tr(·)表示求矩阵的迹的操作；K表示多变量伽马函数，表示为K＝π^q(q-1)/2Γ(L)···Γ(L-q+1)；

(7)估计极化SAR图像新的标记场

7a)根据像素点s的一元势能函数A(x_s,f(y_s))、二元势能函数W(x_s,x_t,μ_st)和统计分布p(C_s|Σ_h)，得到像素点s的条件后验概率分布p(x_s|f(y_s),g(y_s))：

其中，表示像素点s的邻域像素点集合；Z为常数，表示分布函数；

7b)通过极大化像素点s的条件后验概率分布p(x_s|f(y_s),g(y_s))，估计得到像素点s的新的类别标记

7c)重复7a)到7b)，对极化SAR图像中的所有像素点在新的标记场的类别标记进行估计；将所有像素点在新的标记场的类别标记的估计值集合作为极化SAR图像的新的标记场即

(8)根据新的标记场是否收敛，得出极化SAR图像最终的分类结果；

如果新的标记场不收敛，则设定新的标记场为原始的标记场x，并返回(4)，直到新的标记场收敛；

如果新的标记场收敛，将新的标记场作为极化SAR图像最终的分类结果，并输出该极化SAR图像最终的分类结果。