[发明专利]基于卡方-棋盘距离度量的弱监督极化SAR分类方法

摘要

本发明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，主要解决目前弱监督方法的分类精度低的问题。其实现方案包括：1)读入一幅极化SAR图像，基于Cloude‑Pottier目标分解方法，构造具有四维特征的极化矩阵；2)从极化矩阵中选取1％的标记样本作为训练样本；3)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；4)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。本发明仅采用少量训练样本利用最近邻分类器，精确实现了极化SAR的地物分类。

主权项

1.基于卡方‑棋盘距离度量的弱监督极化SAR分类方法，包括:(1)读入一幅极化SAR待分类图像数据，得到3×3的目标的极化相干矩阵T，以相干矩阵T作为输入，进行Cloude‑Pottier的目标分解，得到具有四维特征的极化矩阵X：其中x_i为第i个样本，N为样本总数，P为回波强度参数，H为散射熵，α为散射角，A为各向异度；(2)随机从样本集X中选取1％的样本为训练样本集S,其余为测试样本集T：其中s_o是训练样本集的第o个样本，o＝1,2,,n，t_j是测试样本集的第j个样本，j＝1,2,…,k，n为训练样本总数，n＝N×0.01,每类选取n_c个训练样本：n_c＝n/N_C，N_C为分类类别总数，k为测试样本总数，k＝N‑n；(3)分步计算测试样本t_j和训练样本s_o的卡方距离和空间棋盘距离d_chess(L,L′)：d_chess(L,L′)＝max(|l₁‑l′₁|,|l₂‑l′₂|)，其中s_om是s_o的第m维的取值，t_jm是t_j的第m维的取值，m＝1,2,3,4；为训练样本s_o的空间坐标，为测试样本t_j的空间坐标，l₁是s_o在空间中的横坐标，l₂是s_o在空间中纵坐标，l′₁是t_j在空间中的横坐标，l₂′是t_j在空间中的纵坐标；(4)根据(3)的结果，计算测试样本t_j与训练样本s_o的组合距离d(s_o,t_j)：其中e^(·)表示取指数操作，ln(·)表示取对数操作；(5)利用最近邻分类器NN，计算测试样本t_j与训练样本集S中每一个样本的组合距离d(s_o,t_j)，得到距离集合{d_j1,d_j2,…,d_jξ,…,d_jn},将距离最小的d_jξ对应的训练样本s_ξ的标签设为测试样本t_j的标签；(6)重复上述(3)‑(5)，对其余测试样本预测标签，最终实现极化SAR图像分类。