[发明专利]基于视觉先验模型的极化SAR图像分类方法

摘要

本发明公开了一种基于视觉先验模型的极化SAR图像分类方法，主要解决现有技术分类准确度低的问题。其分类步骤为：对极化SAR原始相干矩阵T进行重排得到重排矩阵T_r，并用主成分分析方法对T_r进行处理，得到白化矩阵W；用基于视觉先验模型的方法对T_r进行字典学习，得到自适应字典θ_u；将重排矩阵T_r和自适应字典θ_u作为输入数据，利用最大后验概率估计方法计算T_r中所有像元的稀疏系数并组合得到极化SAR图像的稀疏系数Y，并用K均值算法对Y进行初始聚类，得到聚类标签；用聚类标签对矩阵T进行复迭代分类并上色，得到最终彩色分类结果图。本发明具有自适应性和普适性强、分类结果图像细节信息保留完整、分类准确度高的优点，可用于极化SAR图像目标识别。

主权项

一种基于视觉先验模型的极化SAR图像分类方法，包括如下步骤：(1)将极化SAR的原始相干矩阵T作为输入数据，对矩阵T中元素进行重新排列，得到重排矩阵T_r；(2)用主成分分析PCA方法对重排矩阵T_r进行处理，得到矩阵T_r的白化矩阵W；(3)用基于视觉先验模型的字典学习方法对重排矩阵T_r进行字典学习，得到针对待分类极化SAR图像的自适应字典θ_u：3a)初始化视觉先验模型的参数：设初始迭代计数i＝0，模型中神经元个数j＝15，神经元中方向向量B_i的列数k＝30，初始自适应字典θ_i由方向向量B_i和权值R_i组成θ_i＝{R_i,B_i}，方向向量B_i是大小为8×k的随机矩阵，权值R_i是大小为k×j的随机矩阵；3b)从重排矩阵T_r中随机独立地选取100个像元作为每次迭代时的训练样本x_i，对每次迭代时的训练样本x_i进行零均值和白化处理，得到预处理样本x_i′：x_i′＝W×(x_i‑mean(x_i))；3c)输入预处理样本x_i′和初始自适应字典θ_i，通过最大后验概率估计方法计算稀疏系数y_ij：y_ij＝arg maxp(y_ij|θ_i,x_i′)其中，p(y_ij|θ_i,x_i′)是稀疏系数y_ij的后验概率，arg max表示稀疏系数y_ij是使p(y_ij|θ_i,x_i′)取最大值时的值；3d)将3c)中得到的稀疏系数y_ij作为输入数据，用最大似然估计方法更新自适应字典θ_i，得到更新后的自适应字典θ_i+1：θ_i+1＝arg maxlog[p(x_i′|θ_i,y_ij)p(y_ij)]，其中，arg max表示θ_i+1是使log[p(x_i′|θ_i,y_ij)p(y_ij)]取最大值时的值，p(y_ij)是稀疏系数y_ij的先验概率，p(x_i′|θ_i,y_ij)是预处理样本x_i′的后验概率；3e)迭代计数i＝i+1，重复步骤3b)‑3d)直到迭代计数i等于给定的迭代次数u＝5000， 得到最终的自适应字典θ_u；(4)将重排矩阵T_r和步骤(3)中学习到的自适应字典θ_u作为输入数据，根据下式，利用最大后验概率估计方法计算矩阵T_r中每个像元的稀疏系数y_a：y_a＝arg maxp(y_a|θ_u,T_r)a＝1,2,...,N；将所有像元的稀疏系数组合在一起，得到极化SAR图像的稀疏系数：Y＝{y₁,y₂,...,y_N}，其中，N表示重排矩阵T_r中像元的数目；(5)用K均值聚类算法对极化SAR图像稀疏系数Y进行初始类别划分，得到极化SAR图像的最终的聚类标签{Class₁,Class₂,...,Class_l},其中l表示极化SAR图像稀疏系数的类别，即共有l类；(6)将原始极化SAR相干矩阵T和步骤(5)获得的最终的聚类标签{Class₁,Class₂,...,Class_l}作为输入数据，用复Wishart迭代方法对极化SAR图像进行二次分类，得到最终分类结果{F₁^(z),F₂^(z),...,F_l^(z)}，z为二次分类给定的迭代次数z＝5；(7)用红色R、绿色G、蓝色B三个颜色分量作为三基色，给步骤(6)得到的分类结果{F₁^(z),F₂^(z),...,F_l^(z)}上色，得到最终彩色分类结果图，并将此结果作为最终的分类结果。