[發(fā)明專利]基于卡方-棋盤距離度量的弱監(jiān)督極化SAR分類方法

有效

• 申請?zhí)枺?/td>: 201710550325.0
• 申請日: 2017-07-07
• 公開（公告）號: CN107358256B
• 公開（公告）日: 2019-07-23
• 發(fā)明（設(shè)計(jì)）人: 楊淑媛;馬晶晶;趙慧;劉振;孟麗珠;李倩蘭;張聘婷;馮志璽;焦李成;劉芳
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

1.基于卡方-棋盤距離度量的弱監(jiān)督極化SAR分類方法，包括:

(1)讀入一幅極化SAR待分類圖像數(shù)據(jù)，得到3×3的目標(biāo)的極化相干矩陣T，以相干矩陣T作為輸入，進(jìn)行Cloude-Pottier的目標(biāo)分解，得到具有四維特征的極化矩陣X：

其中x_i為第i個樣本，N為樣本總數(shù)，P為回波強(qiáng)度參數(shù)，H為散射熵，α為散射角，A為各向異度；

(2)隨機(jī)從樣本集X中選取1％的樣本為訓(xùn)練樣本集S,其余為測試樣本集T：

其中s_o是訓(xùn)練樣本集的第o個樣本，o＝1,2,,n，t_j是測試樣本集的第j個樣本，j＝1,2,…,k，n為訓(xùn)練樣本總數(shù)，n＝N×0.01,每類選取n_c個訓(xùn)練樣本：n_c＝n/N_C，N_C為分類類別總數(shù)，k為測試樣本總數(shù)，k＝N-n；

(3)分步計(jì)算測試樣本t_j和訓(xùn)練樣本s_o的卡方距離和空間棋盤距離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維的取值，t_jm是t_j的第m維的取值，m＝1,2,3,4；

為訓(xùn)練樣本s_o的空間坐標(biāo)，為測試樣本t_j的空間坐標(biāo)，l₁是s_o在空間中的橫坐標(biāo)，l₂是s_o在空間中縱坐標(biāo)，l′₁是t_j在空間中的橫坐標(biāo)，l₂′是t_j在空間中的縱坐標(biāo)；

(4)根據(jù)(3)的結(jié)果，計(jì)算測試樣本t_j與訓(xùn)練樣本s_o的組合距離d(s_o,t_j)：

其中e^(·)表示取指數(shù)操作，ln(·)表示取對數(shù)操作；

(5)利用最近鄰分類器NN，計(jì)算測試樣本t_j與訓(xùn)練樣本集S中每一個樣本的組合距離d(s_o,t_j)，得到距離集合{d_j1,d_j2,…,d_jξ,…,d_jn},將距離最小的d_jξ對應(yīng)的訓(xùn)練樣本s_ξ的標(biāo)簽設(shè)為測試樣本t_j的標(biāo)簽；

(6)重復(fù)上述(3)-(5)，對其余測試樣本預(yù)測標(biāo)簽，最終實(shí)現(xiàn)極化SAR圖像分類。

2.根據(jù)權(quán)利要求1所述的方法，其中步驟(1)中以相干矩陣T作為輸入，進(jìn)行Cloude-Pottier的目標(biāo)分解，按如下步驟進(jìn)行：

1a)對相干矩陣T進(jìn)行如下特征分解：

其中λ_t是相干矩陣T的第t個特征值，t＝1,2,3，上標(biāo)“*”表示共軛轉(zhuǎn)置，e_t是相干矩陣T正交化后的第t個單位特征矢量,v＝1,2,3；

1b)計(jì)算極化熵H：

其中為第w種散射機(jī)制發(fā)生的概率，w＝1,2,3；

1c)計(jì)算散射角α：

其中α_w是第w種散射機(jī)制的類型，w＝1,2,3；

1d)計(jì)算各向異度A：

其中p₂是第2種散射機(jī)制發(fā)生的概率，p₃是第3種散射機(jī)制發(fā)生的概率；

1e)計(jì)算回波強(qiáng)度參數(shù)P：

1f)根據(jù)1b)-1e)構(gòu)建第i個樣本x_i的四維特征：

其中P為回波強(qiáng)度參數(shù)，H為散射熵，α為散射角，A為各向異度；

1g)其余樣本重復(fù)1f)得到具有四維特征的極化矩陣X：

其中N為樣本總數(shù)。