[发明专利]一种基于多特征融合的极化SAR图像分类方法

摘要

本发明公开了一种基于多特征融合的极化SAR图像分类方法。本发明首先提取待分类极化SAR图像的极化特征向量，得到高维极化特征集；提取该图像SPAN处理结果的形态学断面特征向量，得到高维形态学特征集；将两类高维特征分别进行保局辨别分析的降维处理后，选取已知类别标签的图像像素点构成训练样本集，再选取整幅图像的其余像素点作为分类样本集；将两类低维特征分别通过基于最大后验概率的SVM，得到各自情况下像素点的类别标签及对应后验概率；采用求和准则或自适应加权求和准则，将每个像素点在两种情况下的后验概率向量结合起来，依据最大后验概率原则，得到高分辨极化SAR图像的最终分类结果。本发明实施，有助于提高分辨极化SAR图像分类准确率及效率。

主权项

1.一种基于多特征融合的极化SAR图像分类方法，其特征在于，包括下列步骤：步骤1：基于待分类极化SAR图像的极化散射矩阵对待分类极化SAR图像进行极化特征提取，由每个像素点x的极化特征向量构成极化特征集F^P，其中S_hh、S_vh、S_hv、S_vv分别为不同极化通道下的极化分量；步骤2：将待分类极化SAR图像转换为SPAN图像，并对SPAN图像进行形态学特征提取，由每个像素点x的形态学断面特征向量构成形态学特征集F^S；步骤3：采用基于保局辨别分析法，分别对极化特征集F^P、形态学特征集F^S进行降维处理，得到极化特征集H^P、形态学特征集H^S：301：在待分类极化SAR图像中随机选取N个像素点构成样本集T，并基于分类需求设置样本集T中各样本的类别标签，基于极化特征集F^P、形态学特征集F^S得到各样本的样本特征向量其中样本标识符i＝1,2,…,N；由N个样本特征向量构成样本特征集N个样本特征向量构成样本特征集302：分别求取对应样本特征集的最优化映射矩阵基于样本特征集构建两个无向加权图：固有图G^int和惩罚图G^pen，其中上标ω∈{P,S}；所述固有图G^int的特性W^int的元素的取值为：若第i个样本与第j个样本的类别标签相同且样本特征向量相邻接，则否则所述惩罚图G^pen的特性W^pen的元素的取值为：若第i个样本与第j个样本的类别标签不同且样本特征向量相邻接，则否则其中ρ表示内核尺度参数；构建对角矩阵D^int、D^pen，所述对角矩阵D^int的对角线元素为对角矩阵D^pen的对角线元素为对表达式进行特征值求解，得到特征向量v，其中λ表示特征值，从N个特征向量中选择前M^ω个最大特征值对应的特征向量并降序排列组成最优化映射矩阵其中M^ω为预设值，符号(·)^T表示矩阵转置；303：根据得到降维处理后的极化特征向量所有构成极化特征集H^P；根据得到降维处理后的形态学断面特征向量所有构成形态学特征集H^S；步骤4：在待分类极化SAR图像中随机选取N′个像素点，并基于分类需求设置所述N′个像素点的类别标签、极化特征向量得到极化训练样本集，基于所述N′个像素点的类别标签、形态学断面特征向量得到形态学训练样本集；通过极化训练样本集训练极化SVM分类器，通过形态学训练样本集训练形态学SVM分类器：步骤5：对两种分类器的分类结果进行决策融合，得到待分类极化SAR图像的每个像素点x的最终分类结果：501：根据极化特征集H^P和极化SVM分类器，获取像素点x的极化分类的后验概率向量根据形态学特征集H^S和形态学SVM分类器，获取像素点x的形态分类的后验概率向量其中K表示类别标签数目；502：由后验概率向量p^P(x)、p^S(x)的均值得到像素点x的融合后验概率向量p(x)；503：将融合后验概率向量p(x)中的最大项对应的类别标签作为像素点x的最终分类结果。