[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

说明书

本发明公开了一种基于多核K均值和判别随机场的极化SAR图像分类方法，主要解决现有方法计算复杂度高和融合高维度极化特征时存在局限性的问题，其实现方案为：提取极化SAR图像的高维度极化特征，构建N维归一化极化特征组；根据N维归一化极化特征组，利用多核K均值算法，构建一元势能函数；构建二元势能函数和统计分布；根据一元势能函数、二元势能函数和统计分布，构建条件后验概率分布；利用迭代条件估计ICM算法极大化条件后验概率分布，估计新的标记场，进而得到极化SAR图像分类结果。本发明降低了计算复杂度，使同质区域分类结果更平滑，分类精度明显提高，可用于极化SAR图像的目标检测与识别。

技术领域

本发明属于雷达极化与图像处理技术领域，尤其涉及一种极化合成孔径雷达SAR图像的分类方法，可用于极化SAR图像的目标检测与识别。

背景技术

极化SAR图像分类是众多图像解译工具中的一个关键环节，是极化SAR领域中的重要研究课题，已广泛用于军事与民用领域。在地表测绘方面，可以利用极化SAR图像分类研究城市管理规划、地质矿产分布等；在海洋研究方面，可以利用极化SAR图像分类监测海冰分布、研究海浪特征等；在地球变化研究方面，利用极化SAR图像分类可以研究陆地沉陷和土地沙漠化程度，实时监测冰川和火山运动。此外，极化SAR图像分类在军事领域的应用也不容小觑，通过极化SAR图像分类可以对战场环境中的飞机、坦克、装甲车辆等战术目标进行识别和探测，或对雷达站、敌方指挥中心、基地要塞等重要目标所在位置进行分析，为制定作战计划提供依据。

随着对模式识别和机器学习算法的深入研究以及海量极化SAR数据的成功获取，极化SAR图像分类算法也得到了飞速发展，其中，由美国卡内基梅隆大学的S.Kumar博士和M.Hebert博士提出的判别随机场DRF模型建立在观测数据之上，直接对后验概率进行建模，该模型最大的优势在于无需对模型作任何近似，多种局部判别分类器可以很好地实现该模型的构造，属于自适应模型，更适合于处理具有复杂结构的图像分析问题。此外，针对高维度特征信息，DRF模型只需将不同类型的特征分开处理，而不需要考虑所提特征的分布情况，具有更强的多特征融合能力，在SAR图像、自然图像、医学图像分类应用中取得了重大突破。随着极化特征提取方法的不断涌现，越来越多的极化特征被提取，包括极化矩阵、极化分解特征、纹理特征、空间结构特征等，且不同类型的特征组在地物目标的类别判定中所做出的贡献是不同的。而DRF模型在融合高维度特征时未能充分考虑不同类型的特征组在地物目标的类别判定中所做出的贡献，将限制了该模型在极化SAR特征融合中的应用。

2016年，伊朗的A.Masjedi博士在支持向量积SVM核框架下对高维极化特征进行选择和融合，提出了SWM分类算法。支持向量积SVM是在统计学习理论的基础上发展起来的一种新型的机器学习方法，能够有效地解决传统学习方法中小样本、非线性、过拟合和维数灾难等实际难题，是一种经典的二值核分类器，多类SVM模型最大的问题就是计算复杂度高，耗时。因此，针对大场景多类别的极化SAR图像分类问题，该模型需要进一步进行优化和改进。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多核K均值和判别随机场的极化SAR图像分类方法，以减小分类的计算复杂度，有效融合极化SAR图像的高维度极化特征，提高分类的精度。

为实现上述目的，本发明的技术方案包括如下步骤：

(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：