[发明专利]基于超像素和度量学习的极化SAR地物分类方法

摘要

本发明公开一种基于超像素和度量学习的极化SAR地物分类方法，实现步骤为：(1)输入图像；(2)滤波；(3)分割伪彩色图；(4)提取特征；(5)确定待供选取样本集；(6)采用度量学习分类器，进行迭代分类，得到分类结果；(7)对分类结果进行上色；(8)输出上色后的分类结果图。本发明采用基于超像素和度量学习的极化SAR地物分类方法对图像进行分类，避免了各种复杂的特征分解过程，特征提取的操作比较简单方便，保持了很好的空间连续性，降低了相干斑噪声的影响，提高了分类精度。

主权项

1.一种基于超像素和度量学习的极化SAR地物分类方法，包括步骤如下：(1)输入待分类的极化SAR图像；(2)滤波；采用滤波窗口大小为7×7的Lee滤波方法，对待分类的极化SAR图像进行滤波，去除相干斑噪声，得到滤波后的极化SAR图像，并对滤波后的极化SAR数据进行Pauli分解，获得伪彩色图；(3)分割伪彩色图：(3a)在伪彩色图中设置等间距的3000个种子点；(3b)采用几何流扩张方法膨胀等间距的3000个种子，形成区域；(3c)采用几何流公式，进行区域边界曲线运动；(3d)根据伪彩色图未分配区域的轮廓，更新边界上像素点以及在边界附近未分配像素点；(3e)判断区域边界曲线是否相交，若是，停止边界曲线的增长，得到3000个超像素，执行步骤(4)，否则，执行步骤(3b)；(4)提取特征：(4a)分别提取滤波后的极化SAR图像一个像素的协方差矩阵中位于上三角处的三个元素的实部值和虚部值、协方差矩阵中位于对角线上三个元素的实部值，将所提取的9个值依次按列构成一个像素9维的特征向量；(4b)对滤波后的极化SAR图像的所有像素进行步骤(4a)的相同操作，得到所有像素的特征向量；(5)采用普里姆算法，确定待供选取样本集；(6)迭代分类：(6a)从供训练集选取的样本集中选取一个像素点的8邻域点与该像素点落入同一个超像素块中的像素点，将该像素点的8邻域点加入到训练集中，并将8邻域的点从待供选取样本集中删除；(6b)对样本集中所有像素点进行步骤(6a)的相同操作，得到训练集；(6c)使用度量学习分类器对训练集进行分类，得到训练好的度量学习分类器；(6d)使用训练好的度量学习分类器对滤波后的极化SAR数据进行分类，同时获得每个像素点的置信度；(6e)根据从训练好的度量学习分类器得到的置信度，每次每类选取置信度最高的像素点加入到训练集中；(6f)判断是否满足迭代截止条件，若是，则执行步骤(7)，否则，执行步骤(6a)；(7)上色：(7a)将分类结果中标签相同的作为同一类别；(7b)按照红色、绿色、蓝色三基色上色法，对分类结果进行上色，同一类别上相同的颜色，得到上色后的分类结果图；(8)输出上色后的分类结果图。