[发明专利]基于图低秩稀疏分解的极化SAR图像特征挖掘方法

权利要求书

1.一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法，其特征在于，采用在鲁棒主成分分析法的基础上引入谱图正则项的图低秩稀疏分解方法，对极化SAR图像进行特征挖掘，挖掘出极化SAR图像中的类内差异小、类间差异大的特征；该特征挖掘方法的步骤包括如下：

(1)去除极化SAR图像中的相干斑噪声：

采用滤波窗口大小为7×7的精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除相干斑噪声，得到滤波后的SAR图像；

(2)利用极化目标分解法，从滤波后的极化SAR图像中提取极化特征，得到数据特征矩阵；

(3)对数据特征矩阵进行Pauli分解，生成伪彩图；

(4)利用SLIC法分割伪彩图，得到被分割成超像素块的伪彩图；

(5)生成数据样本：

将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块，将所有插值后超像素块组成数据样本；

(6)构建图低秩稀疏模型如下：

s.t.X＝L+S.

其中，min表示求最小值操作，||·||_*表示核范数操作，L表示数据样本X的低秩近似矩阵，S表示数据样本X的稀疏误差矩阵，λ表示S的稀疏度，max(·)表示求最大值操作，M表示期望分割的超像素的总数，p表示数据样本X的特征维度，||·||₁表示l₁范数操作，γ表示利用交叉验证法得到的L的光滑度，γ＝1，tr(·)表示正则表达式，Φ表示正则化图拉普拉斯矩阵，(·)^T表示转置操作，s.t.表示约束条件；

(7)利用交替方向乘数法求解模型得到特征挖掘后的低秩矩阵；

(8)利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维，得到特征挖掘矩阵。

2.根据权利要求1所述的基于图低秩稀疏分解的极化SAR图像特征挖掘方法，其特征在于，步骤(2)中所述极化目标分解法的步骤如下：

第一步：从滤波后的极化SAR图像的每个像素点的相干矩阵中，提取该像素点的功率、数据分布特征参数和相对峰值；

第二步：利用Freeman-Durden分解方法，对每个像素点提取9个表征Freeman-Durden分解的散射特征参数；

第三步：利用Cloude分解方法，对每个像素点提取6个表征Cloude分解的散射特征参数；

第四步：将每个像素点的9个表征Freeman-Durden分解的散射特征参数与6个表征Cloude分解的散射特征参数组成该像素点的一个15维的初始散射特征矩阵；

第五步：将所有像素点的初始散射特征矩阵组成一个数据特征矩阵。