[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

说明书

一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法，用于解决提取的数据受到噪声干扰以及现有技术提取数据缺少像素间的相关性的问题。本发明的实现步骤为：去除极化SAR图像中的相干斑噪声；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；对数据特征矩阵进行Pauli分解；利用SLIC法分割伪彩图；生成数据样本；构建图低秩稀疏模型；利用交替方向乘数法求解模型；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。本发明利用像素间相关性构建模型，利用分解模型得到的稀疏矩阵去除噪声，得到具有像素相关性且不受噪声干扰的低秩矩阵。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像处理技术领域中的一种基于图低秩稀疏分解的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像特征挖掘方法。本发明可用于从极化SAR图像中挖掘感兴趣区域的特征。

背景技术

极化特征提取是极化SAR图像分类的一个关键步骤，在面对众多且复杂的分类特征时，如何对候选特征进行分析，选择有限且最有效的特征组合用于分类。极化特征挖掘是在极化特征提取过程中对已获得的特征间的关系进行捕获，进而提高极化SAR图像分类结果的准确度是极化SAR图像解译技术的重要研究内容。图低秩稀疏分解是一种用于图像恢复的数据挖掘模型，因此可以用来对图像进行特征挖掘，其优势在于鲁棒性强，相干斑噪声抑制能力好，在数据挖掘过程中考虑到各像素单元的相关性。

苏州闻捷传感技术有限公司在其拥有的专利技术“基于低秩稀疏分解和增量学习的极化SAR地物分类方法”(申请号：201710589213.6，授权公告号：CN107392140B)中公开了一种基于低秩稀疏分解和增量学习的极化SAR地物分类方法。该方法构造了一种相似性度量公式，给新增未标记样本标上类标签，实现增量式的循坏迭代标记分类。该发明将低秩稀疏分解、增量学习与极化SAR数据的统计特征相结合，在减少噪声干扰、保持样本相似性和细节信息的同时，实现增量式的样本标记分类，提高了分类精度。但是，该方法仍然存在的不足之处是，提取到的极化特征数据像素的单元信息单一，导致分类结果的区域一致性差，边界模糊。

西安电子科技大学在其拥有的专利技术“基于卡方-棋盘距离度量的弱监督极化SAR分类方法”(申请号：201710550325.0，授权公告号：CN107358256B)中公开了一种基于卡方-棋盘距离度量的弱监督极化SAR分类方法。该方法基于现有目标分解的方法，仅需少量标记样本，采用卡方-棋盘，构造具有四维特征的极化矩阵，然后从极化矩阵中选取1％的标记样本作为训练样本，分步计算测试样本和训练样本的卡方距离以及空间棋盘距离，最终根据卡方距离和棋盘距离得到组合距离，将其作为最近邻方法评判近邻的标准，实现极化SAR图像分类。该方法降低了分类模型的复杂度和时间复杂度。但是，该方法仍然存在的不足之处是，图像散射特征利用不足，易受到噪声的干扰而不能准确表征实际地物，使得对空间信息利用不全造成错分点多，导致分类结果中存在较多的错分点。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法，用于解决提取的数据受到噪声干扰以及现有技术提取数据缺少像素间的相关性的问题。

实现本发明目的的思路是，本发明通过构建图低秩稀疏矩阵，将正则项引入鲁棒主成分分析，正则项是由正则化图拉普拉斯矩阵构成的正则表达式，由邻接矩阵构建正则化图拉普拉斯矩阵，由于邻接矩阵中的每个元素是由每个衡量像素间的颜色特征与该像素空间位置特征的相关性的欧氏距离得到的，将具有像素间相关性信息的邻接矩阵构建的正则化图拉普拉斯矩阵引入鲁棒主成分分析模型，并对其进行分解，分解得到稀疏噪声矩阵和低秩特征矩阵，低秩特征矩阵即为挖掘到的具有像素单元相关性的特征，而由于噪声被分解在稀疏噪声矩阵中，因而低秩矩阵中得到的特征不再受到噪声干扰的影响。

本发明的步骤包括如下：

(1)去除极化SAR图像中的相干斑噪声：