[發(fā)明專利]基于稀疏低秩的判別譜聚類的極化SAR圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811045329.4
• 申請(qǐng)日: 2018-09-07
• 公開（公告）號(hào): CN109359525B
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計(jì)）人: 張向榮;焦李成;于心源;唐旭;侯彪;白靜;馬文萍;馬晶晶
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華

本發(fā)明公開了一種基于稀疏低秩的判別譜聚類的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)的分類精度低和區(qū)域一致性差的問題。其實(shí)現(xiàn)方案為：對(duì)極化SAR圖像進(jìn)行相似性處理，在稀疏、低秩的約束下，引入判別損失函數(shù)，定義新的目標(biāo)函數(shù)，并構(gòu)造其對(duì)應(yīng)的增廣拉格朗日方程；在增廣拉格朗日乘子法的基礎(chǔ)上利用矩陣奇異值分解算法，得到迭代方程并利用其進(jìn)行迭代求解；對(duì)迭代求解結(jié)果進(jìn)行譜聚類得到極化SAR圖像的最終分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，本發(fā)明分類精度高，區(qū)域一致性好，比現(xiàn)有的方法具有更好的性能?？捎糜跇O化SAR圖像的目標(biāo)分類、檢測(cè)與識(shí)別。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及一種極化SAR圖像分類方法，可用于極化SAR圖像的目標(biāo)檢測(cè)與目標(biāo)識(shí)別。

背景技術(shù)

隨著計(jì)算機(jī)軟硬件技術(shù)的不斷提高，遙感系統(tǒng)越來越先進(jìn)，獲取地物信息的方式越來越多樣化，先進(jìn)的遙感手段促進(jìn)了對(duì)地觀察技術(shù)的發(fā)展。合成孔徑雷達(dá)SAR是獲取地物信息的一種重要工具，它能在任何氣候下不分白天黑夜的工作，在獲取地物信息上比其它傳統(tǒng)方式更具有優(yōu)勢(shì)。而極化SAR能同時(shí)獲取地物目標(biāo)的四個(gè)不同極化通道的散射特征，既包含了振幅信息，也包含了相位信息，比常規(guī)SAR包含更多的地物信息，如極化度、同極化比、交叉極化比、散射熵及同極化相位差等。這些極化信息揭示了地物的散射差別，有助于進(jìn)一步進(jìn)行信息挖掘，為地物分類研究提供了基礎(chǔ)條件。

極化SAR圖像的分類是指將圖像的像元按其性質(zhì)分為若干個(gè)類別的過程，目前極化SAR圖像分類主要分為三種方法：

第一種是基于統(tǒng)計(jì)分布模型的貝葉斯分類方法。例如，李仲森等人1994年在International Journal of Remote Sensing的第15卷第11期上發(fā)表的《Classificationof multi-look polarmetric SAR imagery based on complex Wishart distribution》,該文獻(xiàn)提出一種基于Wishart距離的分類方法，成為最經(jīng)典的方法之一，但是該方法只考慮了單個(gè)像素的信息，分類的區(qū)域一致性較差。

第二種是基于機(jī)器學(xué)習(xí)的分類方法。例如，Pierre-Louis Frison等人2009年在IEEE Transactions on Geoscience and Remote Sensing的第47卷第12期上發(fā)表的《Support vector machine for multifrequency SAR polarmetric data classification》，該文獻(xiàn)提出一種基于支持向量機(jī)的分類方法，該方法需要人工提取特征，然而人工提取的特征不是最適合分類的特征，從而導(dǎo)致分類精度不高。

第三種方法是基于深度學(xué)習(xí)的分類方法。例如，謝慧明等人2014年在IEEE International Geoscience and Remote Sensing Symposium上發(fā)表的《Multilayer feature learning for polarimetric synthetic radar data classification》，該文獻(xiàn)提出了一種基于多層特征學(xué)習(xí)的分類方法，該方法首先對(duì)待分類極化SAR圖像進(jìn)行濾波，然后獲取每個(gè)像素點(diǎn)的原始特征，選取訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集輸入到多層自編碼器中進(jìn)行訓(xùn)練，最后將測(cè)試數(shù)據(jù)集輸入到多層自編碼器中進(jìn)行預(yù)測(cè)分類。該方法只研究單個(gè)像素的信息，會(huì)受到相干斑噪聲的影響，從而影響區(qū)域內(nèi)的一致性和分類精度。同時(shí)，該方法中的訓(xùn)練數(shù)據(jù)集較小，導(dǎo)致深度學(xué)習(xí)模型的過擬合，從而影響分類精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于稀疏低秩的判別譜聚類的極化SAR圖像分類方法，以提高分類區(qū)域內(nèi)一致性和分類精度。

為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案包括如下：

1.基于判別譜聚類的極化SAR圖像分類方法，包括：