CN103714353B - 基于视觉先验模型的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于视觉先验模型的极化SAR图像分类方法，主要解决现有技术分类准确度低的问题。其分类步骤为：对极化SAR原始相干矩阵T进行重排得到重排矩阵T_r，并用主成分分析方法对T_r进行处理，得到白化矩阵W；用基于视觉先验模型的方法对T_r进行字典学习，得到自适应字典θ_u；将重排矩阵T_r和自适应字典θ_u作为输入数据，利用最大后验概率估计方法计算T_r中所有像元的稀疏系数并组合得到极化SAR图像的稀疏系数Y，并用K均值算法对Y进行初始聚类，得到聚类标签；用聚类标签对矩阵T进行复迭代分类并上色，得到最终彩色分类结果图。本发明具有自适应性和普适性强、分类结果图像细节信息保留完整、分类准确度高的优点，可用于极化SAR图像目标识别。

Description

基于视觉先验模型的极化SAR图像分类方法

技术领域

本发明属于图像处理领域，具体地说是一种极化SAR图像的分类方法，可应用于极化SAR的目标检测和目标识别。

背景技术

合成孔径雷达SAR是一种主动式高分辨有源微波遥感成像雷达，其研究始于20世纪50年代初，而极化SAR是SAR的一个重要分支。它是一种相干多通道微波成像系统，通过调整收发电磁波的极化方式可以获得每个分辨单元的极化散射矩阵，包含有丰富的地物信息，极大地增强了成像雷达对目标信息的获取能力。极化SAR图像分类是图像解译的重要步骤，是边缘提取、目标检测和识别的基础，可广泛应用于军事侦察、地形测绘、农作物生长监测等领域。

现有的极化SAR分类技术主要集中于如何充分利用极化散射回波中的信息以提高分类精度。目前经典分类方法有：

1997年，Cloude和Pottier提出的基于H/α极化分解的分类方法，并成为基于散射机制进行极化SAR图像分类的典型代表。见Cloude S R,Pottier E.An entropy basedclassification scheme for land applications of polarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997,35(1):549-557.

1999年，Lee等人提出了基于H/α目标分解和复Wishart分类器的H/α-Wishart分类方法，见Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised classification usingpolarimetric decomposition and the complex Wishart classifier[J].IEEE Classification usingpolarimetric decomposition and the complex wishart classifier[J].IEEE Trans.GeosciRemote Sensing.1999,37(5):2249-2258.该方法是在原始H/α分类基础上增加复Wishart迭代分类过程，主要是利用复Wishart分类器对H/α划分后的8个类别中的每一个像素进行类别重新划分，从而提高分类的精度。但是该算法存在的不足是：不能很好的保持各类的极化散射特性，且由于将分类类别数固定为8类，不能适应不同类别数的地物分类，因此对于类别多于8类或少于8类的数据来说，该算法的分类效果会有所影响。

2004年，Lee等人又提出了一种基于Freeman分解的性能优良的极化SAR分类算法，见Lee J S,et a1.Unsupervised terrain classification preserving polarimetric scatteringcharacteristics[J].IEEE Trans.Geosci Remote Sensing.2004,42(4):722-731.该算法思想简单，易于理解，很好地保持各类的极化散射特性，但是该算法仍然存在着一定的局限性，最终分类结果易受Freeman分解性能的影响，对于不同波段的极化数据该算法的普适性差。

随着各种极化SAR系统获取的地面数据日益增加，对于分类方法的自适应性及普适性的要求越来越高，分类效果的评价也逐渐严苛起来，如细节信息的完整性，图像分类精度等。上述这些方法尽管提高了图像分类效果，但是仍然存在不能适应不同波段极化数据及不同类别数的地物分类，图像细节信息保持较差，分类准确度低等问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于视觉先验模型的极化SAR图像分类方法，自适应地寻找并充分挖掘极化数据的结构特征，以克服传统方法自适应性和普适性差的缺陷，同时提高极化SAR图像的分类精度，保持图像的细节部分。

实现本发明目的的技术方案是：使用视觉先验模型对极化SAR数据进行建模，通过多次迭代学习得到具有判别性的字典，从而得到极化数据用字典表示的稀疏系数，再利用K均值聚类算法和复Wishart分类器对图像进行两次类别划分得到最终的分类结果。其具体实现步骤包括如下：

(1)将极化SAR的原始相干矩阵T作为输入数据，对矩阵T中元素进行重新排列，得到重排矩阵T_r；

(2)用主成分分析PCA方法对重排矩阵T_r进行处理，得到矩阵T_r的白化矩阵W；

(3)用基于视觉先验模型的字典学习方法对重排矩阵T_r进行字典学习，得到针对待分类极化SAR图像的自适应字典θ_u：

3a)初始化视觉先验模型的参数：设初始迭代计数i＝0，模型中神经元个数j＝15，神经元中方向向量B_i的列数k＝30，初始自适应字典θ_i由方向向量B_i和权值R_i组成θ_i＝{R_i,B_i}，方向向量B_i是大小为8×k的随机矩阵，权值R_i是大小为k×j的随机矩阵；

3b)从重排矩阵T_r中随机独立地选取100个像元作为每次迭代时的训练样本x_i，对训练样本xi进行零均值和白化处理，得到预处理样本x_i′：

x_i′＝W×(x_i-mean(x_i))；

3c)输入预处理样本x_i′和初始自适应字典θ_i，通过最大后验概率估计方法计算稀疏系数y_ij：

y_ij＝argmaxp(y_ij|θ_i,x_i′)

其中，p(y_ij|θ_i,x_i′)是稀疏系数y_ij的后验概率，argmax表示稀疏系数y_ij是使p(y_ij|θ_i,x_i′)取最大值时的值；

3d)将3c)中得到的稀疏系数y_ij作为输入数据，用最大似然估计方法更新自适应字典θ_i，得到更新后的自适应字典θ_i+1：

θ_i+1＝argmaxlog[p(x_i′|θ_i,y_ij)p(y_ij)]，

其中，argmax表示θ_i+1是使log[p(x_i′|θ_i,y_ij)p(y_ij)]取最大值时的值，p(y_ij)是稀疏系数y_ij的先验概率，p(x_i′|θ_i,y_ij)是预处理样本x_i′的后验概率；

3e)迭代计数i=i+1，重复步骤3b)-3d)直到迭代计数i等于给定的迭代次数u=5000，得到最终的自适应字典θ_u；

(4)将重排矩阵T_r和步骤(3)中学习到的自适应字典θ_u作为输入数据，根据下式，利用最大后验概率估计方法计算矩阵T_r中每个像元的稀疏系数y_a：

y_a＝argmaxp(y_a|θ_u,T_r)a＝1,2,...,N；

将所有像元的稀疏系数组合在一起，得到极化SAR图像的稀疏系数：

Y＝{y₁,y₂,...,y_N}，其中，N表示重排矩阵T_r中像元的数目；

(5)用K均值聚类算法对极化SAR图像稀疏系数Y进行初始类别划分，得到极化SAR图像的聚类标签{Class₁,Class₂,...,Class_l}；

(6)将原始极化SAR相干矩阵T和步骤(5)获得的最终的聚类标签{Class₁,Class₂,...,Class_l}作为输入数据，用复Wishart迭代方法对极化SAR图像进行二次分类，得到最终分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}；

(7)用红色R、绿色G、蓝色B三个颜色分量作为三基色，给步骤(6)得到的分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}上色，得到最终彩色分类结果图，并将此结果作为最终的分类结果。

本发明与现有的技术相比具有以下优点：

1、本发明使用视觉先验模型的非线性特性对极化SAR数据的结构信息进行充分挖掘，提取出一种新的极化数据特征，该特征相对于传统极化目标分解特征，具有更强的自适应性和普适性，分类效果更好；

2、本发明由于采用了基于视觉先验模型的字典训练，训练样本是在待分类极化SAR图像中随机选取，不需要人工选择，所以算法更方便简单，并保证了图像信息细节的完整性；

3、本发明将K-means的聚类结果作为复Wishart分类器的初始类别，有效利用了极化矩阵的复Wishart分布特点，弥补了K-means初始聚类未考虑极化信息的缺陷，更好地保证了地物区域的一致性，对分类器的性能有很大的提高；

4、仿真结果表明，本发明方法较经典的H/α_-Wishart分类方法和Freeman-Wishart分类方法能更有效的进行极化SAR图像的分类。

附图说明

图1是本发明的实现流程图；

图2是用本发明与现有两种方法的分类实验结果对比图；

图3是用本发明与现有两种方法的分类实验结果对比图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤一.将极化SAR的原始相干矩阵T作为输入数据，对矩阵T中元素进行重新排列，得到重排矩阵T_r。

1a)读入有N个像元的极化相干矩阵T，每个像元为一个含有9个元素的3×3极化相干矩阵T₃：

$T_3=\left[\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{21}& T_{22}& T_{23}\\ T_{31}& T_{32}& T_{33}\end{array}\right]$

1b)将T₃中的复数元素T₁₂,T₁₃,T₂₃的实部Re{T₁₂}，Re{T₁₃}，Re{T₂₃}和虚部Im{T₁₂}，Im{T₁₃}，Im{T₂₃}拆开，然后按照以下顺序重新排列得到新矩阵T_3r：

T_3r＝(T₁₁,T₂₂,T₃₃,Re{T₁₂},Im{T₁₂},Re{T₁₃},Im{T₁₃},Re{T₂₃},Im{T₂₃})^T，

其中，(·)^T表示矩阵的转置，Re{·}表示取实部，Im{·}表示取虚部。而所有像元的向量T_3r组合在一起得到9维矩阵T_r。

步骤二.用主成分分析PCA方法对重排矩阵T_r进行处理，得到矩阵T_r的白化矩阵W。

2a)从重排矩阵T_r中先独立随机地选取n个像元作为计算白化矩阵的训练样本X，n=10000，再对该训练样本X进行零均值处理，得到零均值矩阵X_M：

X_M＝X-mean(X)，

其中，mean(·)代表对矩阵X按列取均值；

2b)计算零均值矩阵X_M的协方差矩阵C：

$C=\frac{1}{n-1}(X_M\×{X_M}^T),$

其中，上标T表示矩阵的转置；

2c)通过下式对协方差矩阵C进行特征值分解：

C＝EDE^T

其中，E为协方差矩阵C的特征向量，D为协方差矩阵C的特征值；

2d)利用特征向量E和特征值D计算白化矩阵W：

$W=D^{\frac{1}{2}}\×E.$

步骤三.用基于视觉先验模型的字典学习方法对重排矩阵T_r进行字典学习，得到针对待分类极化SAR图像的自适应字典θ_u。

基于视觉先验模型的学习字典算法是2009年由国外学者提出的一种字典学习方法，见文献Y.Karklin,M.S.Levicki.Emergence of Complex Cell Properties by Learning toGeneralize in Natural Scenes.Nature,vol.457,pp.83-86,2009，具体步骤如下：

3a)初始化视觉先验模型的参数：设初始迭代计数i=0，模型中神经元个数j=15，神经元中方向向量B_i的列数k=30，初始自适应字典θ_i由方向向量B_i和权值R_i组成θ_i＝{R_i,B_i}，方向向量B_i是大小为8×k的随机矩阵，权值R_i是大小为k×j的随机矩阵；

3b)从重排矩阵T_r中随机独立地选取100个像元作为每次迭代时的训练样本x_i，对每次迭代时的训练样本x_i进行零均值和白化处理，得到预处理样本x_i′：

x_i′＝W×(x_i-mean(x_i))；

3c)输入预处理样本x_i′和初始自适应字典θ_i，通过最大后验概率估计方法计算稀疏系数yi_j：

y_ij＝argmaxp(y_ij|θ_i,x_i′)，

其中，p(y_ij|θ_i,x_i′)是稀疏系数y_ij的后验概率，argmax表示稀疏系数y_ij是使p(y_ij|θ_i,x_i′)取最大值时的值；

3d)将3c)中得到的稀疏系数y_ij作为输入数据，用最大似然估计方法更新自适应字典θ_i，得到更新后的自适应字典θ_i+1：

θ_i+1＝argmaxlog[p(x_i′|θ_i,y_ij)p(y_ij)]，

其中，argmax表示θ_i+1是使log[p(x_i′|θ_i,y_ij)p(y_ij)]取最大值时的值，p(y_ij)是稀疏系数y_ij的先验概率，p(x_i′|θ_i,y_ij)是预处理样本x_i′的后验概率；

3e)迭代计数i=i+1，重复步骤3b)-3d)直到迭代计数i等于给定的迭代次数u=5000，得到最终的自适应字典θ_u。

步骤四.将重排矩阵T_r和步骤三中学习到的自适应字典θ_u作为输入数据，利用最大后验概率估计方法计算极化SAR图像的稀疏系数Y。

4a)将重排矩阵T_r和自适应字典θ_u作为输入数据，根据下式，利用最大后验概率估计方法计算重排矩阵T_r中每个像元的稀疏系数y_a：

y_a＝argmaxp(y_a|θ_u,T_r)a＝1,2,...,N，

其中，N表示重排矩阵T_r中像元的数目；

4b)将所有像元的稀疏系数y_a组合在一起，得到极化SAR图像的稀疏系数Y：

Y＝{y₁,y₂,...,y_N}。

步骤五.用K均值聚类算法对极化SAR图像稀疏系数Y进行初始类别划分，得到极化SAR图像的最终的聚类标签{Class₁,Class₂,...,Class_l}。

5a)根据实际地物类别数给聚类类别数l赋值，从极化SAR图像稀疏系数Y中任意选择l个对象作为初始聚类中心{K₁,K₂,...,K_l}；

5b)根据下式计算极化SAR图像中第t个像元到第v个聚类中心K_v的距离d(t,v)：

$d(t,v)=\sqrt{{(y_t-K_v)}^2},t=\mathrm{1,2},...,N,v=\mathrm{1,2},...,l;$

其中，y_t为第t个像元的稀疏系数；

5c)将极化SAR图像中每个像元的标签标记为与之距离d(t,v)最近的类别，得到极化SAR图像的初始聚类标签{Class₁′,Class₂′,...,Class_l′}；

5d)通过下式计算每个类别的聚类中心K_v：

$K_v=\frac{1}{N_v}\underset{c=1}{\overset{N_v}{\mathrm{\Σ}}}{y}_c,v=\mathrm{1,2},...,l,$

其中，N_v为第v类的像素个数，y_c为第v类的第c个像素的特征向量；

5e)重复步骤5b)-5d)直到下式的准则函数Q_l不再变化，得到极化SAR图像的最终的聚类标签{Class₁,Class₂,...,Class_l}，

$Q_l=\underset{v=1}{\overset{l}{\mathrm{\Σ}}}\underset{c=1}{\overset{N_v}{\mathrm{\Σ}}}{\left|\right|y_c-K_v\left|\right|}^2,$

其中，||·||²表示求欧几里得范数的平方。

步骤六.将原始极化SAR相干矩阵T和步骤五获得的最终的聚类标签{Class₁,Class₂,...,Class_l}作为输入数据，用复Wishart迭代方法对极化SAR图像进行二次分类，得到最终分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}。

复Wishart迭代方法是1994年由国外学者提出的一种迭代分类方法，见文献J.S.Lee,M.R.Grunes.Classification of multi-look polarimetric SAR data based on complex Wishartdistribution[A].Int.J.Remote Sensing[C],15(11),1994,15(11):2299-2311，利用该迭代方法对整个极化SAR图像数据的l类初始划分结果进行迭代的步骤如下：

6a)设初始迭代计数s=0，再利用最终的聚类标签{Class₁,Class₂,...,Class_l}给原始相干矩阵T中每个像元划分类别，得到矩阵T的第s次迭代的共l个类别集合的划分结果{F₁ ^(s),F₂ ^(s),...,F_l ^(s)}；

6b)根据类别划分结果{F₁ ^(s),F₂ ^(s),...,F_l ^(s)}，通过下式计算矩阵T中每个类别的聚类中心，得到第v类的第s次迭代的聚类中心A_v ^(s)：

${A_v}^{\left(s\right)}=\frac{1}{N_v}\underset{p=1}{\overset{N_v}{\mathrm{\Σ}}}{T}_{\mathrm{vp}},v=\mathrm{1,2},...,l,$

其中，N_v为第v个类别的集合F_v ^(s)中像元的个数，T_vp为第v个类别集合F_v ^(s)中第p个像元的相干矩阵；

6c)通过下式计算矩阵T中每个像元的相干矩阵T_e到第v类聚类中心A_v ^(s)的距离：

d_m(<T_e>,A_v ^(s))＝ln|A_v ^(s)|+Tr((A_v ^(s))^-1<Te>),v＝1,2,...,l，

其中<·>表示按视数平均，|·|表示矩阵的行列式，Tr(·)表示矩阵的迹，上标-1表示对矩阵A_v ^(s)求逆；

6d)计算每个像元到第v类聚类中心A_v ^(s)的距离d_m(<T_e>,A_v ^(s))，将每个像元划分到与之距离最小的聚类中心的类别中，得到第s+1次迭代划分后的结果{F₁ ^(s+1),F₂ ^(s+1),...,F_l ^(s+1)}；

6e)设迭代计数s=s+1，重复步骤6b)-6d)直到迭代计数s等于给定的迭代次数z=5，得到最终的分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}；

这里是本发明规定的迭代终止条件，其它的终止条件也可以是前后两次聚类中心浮动，达到人为规定范围，或者是分类结果的变化小于一个百分比，像素点归属稳定。

步骤七.用红色R、绿色G、蓝色B三个颜色分量作为三基色，给步骤六得到的分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}上色，同一类别的像元用同一种颜色上色，不同类别的像元分别用不同颜色上色，得到有l种颜色的彩色分类结果图，并将此结果作为最终的分类结果。

本发明的效果可通过以下仿真进一步说明：

1.仿真内容：应用本发明方法和经典的H/α-Wishart方法、Freeman-Wishart方法分别对两幅真实极化SAR图像数据进行分类实验，并从分类方法的自适应性和普适性、分类结果的图像细节信息的完整性、分类准确度等方面评价这三种方法的各自性能。

2.仿真实验结果

仿真1,用本发明以及经典的H/α-Wishart方法、Freeman-Wishart方法对西安西部地区六类地物极化SAR数据进行分类实验，其比较如图2所示。其中：

图2(a)为由RadarSAT2系统获取的C波段中国西安西部地区的全极化SAR数据，该图像大小为512×512像素点，图中主要包括沣河、村庄、街道、农田、裸地等典型地物；

图2(b)为用现有H/α-Wishart方法的分类结果；

图2(c)为用现有Freeman-Wishart方法的分类结果；

图2(d)为用本发明方法的分类结果。

从图2(b)可见，H/α-Wishart方法分类类别数目固定为8类，不能根据图中实际类别数进行分类，从而将一类地物错分成多类地物，影响分类效果，并且图像中的河流并未划分出来，村庄中的街道细节丢失严重，错分较多。

从图2(c)可见，Freeman-Wishart方法也没将图中的河流划分出来，村庄中的街道细节丢失也相当严重，并有区域错分现象。这说明这两种方法普适性差，对于C波段的极化数据不能进行有效分类。

从图2(d)可见，本发明能根据实际地物类别数设置不同分类类别数，解决了H/α-Wishart方法不能改变分类数目固定为8的问题，而且从效果上看，本发明方法对C波段极化数据也能进行有效分类，将图中河流清晰的划分出来，这充分说明了本发明对不同波段极化数据的普适性，并且在图像细节信息的保持和图像准确度方面都比对比方法好。

仿真2,用本发明以及经典的H/α-Wishart方法、Freeman-Wishart方法对美国旧金山金海湾地区八类地物极化SAR数据进行分类实验，其比较如图3所示。其中：

图3(a)为利用NASA/JPL的AIRSAR系统获取的L波段美国旧金山金海湾地区四视全极化数据，该极化SAR数据大小为900×1024像素点，主要包括海面、沙滩、草地、森林、建筑物和街道等典型地物，是极化SAR数据分类中被广泛使用的一组数据；

图3(b)为用现有H/α-Wishart方法的分类结果；

图3(c)为用现有Freeman-Wishart方法的分类结果；

图3(d)为用本发明方法的分类结果。

从图3(b)可见，H/α-Wishart分类方法分类结果的区域同质性较好，但图像城市区域纹理信息丢失严重，图像细节保持较差，而且大桥与海面交界处有大量噪声点；

从图3(c)可见，Freeman-Wishart方法分类结果区域划分过于细致，将图像分为15类，所以图像视觉效果相对较差，而且城区的纹理细节仍然丢失很严重；

从图3(d)可见，本发明的分类结果与现有H/α-Wishart方法的结果相近，但城区的纹理细节更清晰，连贯性更好，分类准确度更高。相比之下，现有H/α-Wishart方法和Freeman-Wishart方法对图像纹理细节丢失较多、错分区域较多、分类准确度较低，这一效应很大程度上是由于H/α-Wishart方法和Freeman-Wishart方法对极化数据的特征信息提取的欠缺性所致。

Claims (5)

1.一种基于视觉先验模型的极化SAR图像分类方法，包括如下步骤：

(1)将极化SAR的原始相干矩阵T作为输入数据，对矩阵T中元素进行重新排列，得到重排矩阵T_r；

(2)用主成分分析PCA方法对重排矩阵T_r进行处理，得到矩阵T_r的白化矩阵W；

(3)用基于视觉先验模型的字典学习方法对重排矩阵T_r进行字典学习，得到针对待分类极化SAR图像的自适应字典θ_u：

3a)初始化视觉先验模型的参数：设初始迭代计数i＝0，模型中神经元个数j＝15，神经元中方向向量B_i的列数k＝30，初始自适应字典θ_i由方向向量B_i和权值R_i组成θ_i＝{R_i,B_i}，方向向量B_i是大小为8×k的随机矩阵，权值R_i是大小为k×j的随机矩阵；

3b)从重排矩阵T_r中随机独立地选取100个像元作为每次迭代时的训练样本x_i，对每次迭代时的训练样本x_i进行零均值和白化处理，得到预处理样本x_i′：

x_i′＝W×(x_i-mean(x_i))；

3c)输入预处理样本x_i′和初始自适应字典θ_i，通过最大后验概率估计方法计算稀疏系数y_ij：

y_ij＝arg maxp(y_ij|θ_i,x_i′)

其中，p(y_ij|θ_i,x_i′)是稀疏系数y_ij的后验概率，arg max表示稀疏系数y_ij是使p(y_ij|θ_i,x_i′)取最大值时的值；

3d)将3c)中得到的稀疏系数y_ij作为输入数据，用最大似然估计方法更新自适应字典θ_i，得到更新后的自适应字典θ_i+1：

θ_i+1＝arg maxlog[p(x_i′|θ_i,y_ij)p(y_ij)]，

其中，arg max表示θ_i+1是使log[p(x_i′|θ_i,y_ij)p(y_ij)]取最大值时的值，p(y_ij)是稀疏系数y_ij的先验概率，p(x_i′|θ_i,y_ij)是预处理样本x_i′的后验概率；

3e)迭代计数i＝i+1，重复步骤3b)-3d)直到迭代计数i等于给定的迭代次数u＝5000， 得到最终的自适应字典θ_u；

(4)将重排矩阵T_r和步骤(3)中学习到的自适应字典θ_u作为输入数据，根据下式，利用最大后验概率估计方法计算矩阵T_r中每个像元的稀疏系数y_a：

y_a＝arg maxp(y_a|θ_u,T_r)a＝1,2,...,N；

将所有像元的稀疏系数组合在一起，得到极化SAR图像的稀疏系数：

Y＝{y₁,y₂,...,y_N}，其中，N表示重排矩阵T_r中像元的数目；

(5)用K均值聚类算法对极化SAR图像稀疏系数Y进行初始类别划分，得到极化SAR图像的最终的聚类标签{Class₁,Class₂,...,Class_l},其中l表示极化SAR图像稀疏系数的类别，即共有l类；

(6)将原始极化SAR相干矩阵T和步骤(5)获得的最终的聚类标签{Class₁,Class₂,...,Class_l}作为输入数据，用复Wishart迭代方法对极化SAR图像进行二次分类，得到最终分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}，z为二次分类给定的迭代次数z＝5；

(7)用红色R、绿色G、蓝色B三个颜色分量作为三基色，给步骤(6)得到的分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}上色，得到最终彩色分类结果图，并将此结果作为最终的分类结果。

2.根据权利要求1所述的一种基于视觉先验模型的极化SAR图像分类方法，其特征在于：步骤(1)所述的将极化SAR的原始相干矩阵T作为输入数据，对矩阵T中元素进行重新排列，得到新矩阵T_r，按如下步骤进行：

1a)读入有N个像元的极化相干矩阵T，每个像元为一个含有9个元素的3×3极化相干矩阵T₃：

1b)将T₃中的复数元素T₁₂,T₁₃,T₂₃的实部Re{T₁₂}，Re{T₁₃}，Re{T₂₃}和虚部Im{T₁₂}，Im{T₁₃}，Im{T₂₃}拆开，然后按照以下顺序重新排列得到新矩阵T_3r：

T_3r＝(T₁₁,T₂₂,T₃₃,Re{T₁₂},Im{T₁₂},Re{T₁₃},Im{T₁₃},Re{T₂₃},Im{T₂₃})^T，

其中，(·)^T表示矩阵的转置，Re{·}表示取实部，Im{·}表示取虚部，而所有像元的向 量T_3r组合在一起得到9维矩阵T_r。

3.根据权利要求1所述的一种基于视觉先验模型的极化SAR图像分类方法，其特征在于：步骤(2)所述的用主成分分析PCA方法对重排矩阵T_r进行处理，得到矩阵T_r的白化矩阵W，按如下步骤进行：

2a)从重排矩阵T_r中先独立随机地选取n个像元作为计算白化矩阵的训练样本X，n＝10000，再对该训练样本X进行零均值处理，得到零均值矩阵X_M：

X_M＝X-mean(X)

其中，mean(·)代表对矩阵X按列取均值；

2b)计算零均值矩阵X_M的协方差矩阵C：

其中，上标T表示矩阵的转置；

2c)通过下式对协方差矩阵C进行特征值分解：

C＝EDE^T

其中，E为协方差矩阵C的特征向量，D为协方差矩阵C的特征值；

2d)利用特征向量E和特征值D计算白化矩阵W：

4.根据权利要求1所述的一种基于视觉先验模型的极化SAR图像分类方法，其特征在于：步骤(5)所述的用K均值聚类算法对极化SAR图像稀疏系数Y进行初始类别划分，得到极化SAR图像的最终的聚类标签{Class₁,Class₂,...,Class_l}，按如下步骤进行：

5a)根据实际地物类别数给聚类类别数l赋值，从极化SAR图像稀疏系数Y中任意选择l个对象作为初始聚类中心{K₁,K₂,...,K_l}；

5b)根据下式计算极化SAR图像中第t个像元到第v个聚类中心K_v的距离d(t,v)：

其中，y_t为第t个像元的稀疏系数；

5c)将图中每个像元的标签标记为与之距离d(t,v)最近的类别，得到极化SAR图像 的初始聚类标签{Class₁′,Class₂′,...,Class_l′}；

5d)通过下式计算每个类别的聚类中心K_v：

其中，N_v为第v类的像素个数，y_c为第v类的第c个像素的特征向量；

5e)重复步骤5b)-5d)直到下式的准则函数Q_l不再变化，得到极化SAR图像的最终的聚类标签{Class₁,Class₂,...,Class_l}，

其中，||·||²表示求欧几里得范数的平方。

5.根据权利要求1所述的一种基于视觉先验模型的极化SAR图像分类方法，其特征在于：步骤(6)所述的将原始极化SAR相干矩阵T和最终的聚类标签{Class₁,Class₂,...,Class_l}作为输入数据，用复Wishart迭代方法对极化SAR图像进行分类，得到最终分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}，按如下步骤进行：

6a)设初始迭代计数s＝0，再利用最终的聚类标签{Class₁,Class₂,...,Class_l}给原始相干矩阵T中每个像元划分类别，得到矩阵T的第s次迭代的共l个类别集合的划分结果{F₁ ^(s),F₂ ^(s),...,F_l ^(s)}；

6b)根据类别划分结果{F₁ ^(s),F₂ ^(s),...,F_l ^(s)}，通过下式计算矩阵T中每个类别的聚类中心，得到第v类的第s次迭代的聚类中心A_v ^(s)：

其中，N_v为第v个类别的集合F_v ^(s)中像元的个数，T_vp为第v个类别集合F_v ^(s)中第p个像元的相干矩阵；

6c)通过下式计算每个像元的相干矩阵T到第v类聚类中心A_v ^(s)的距离：

d_m(<T>,A_v ^(s))＝ln|A_v ^(s)|+Tr((A_v ^(s))^-1<T>),v＝1,2,...,l

其中<·>表示按视数平均，|·|表示矩阵的行列式，Tr(·)表示矩阵的迹，上标-1表示对 矩阵A_v ^(s)求逆；

6d)计算每个像元到第v类聚类中心A_v ^(s)的距离d_m(<T>,A_v ^(s))，将每个像元划分到与之距离最小的聚类中心的类别中，得到第s+1次迭代划分后的结果{F₁ ^(s+1),F₂ ^(s+1),...,F_l ^(s+1)}；

6e)迭代计数s＝s+1，重复步骤6b)-6d)直到迭代计数s等于给定的迭代次数z＝5，得到最终的分类结果{F₁ ^(z),F₂ ^(z),...,F_l ^(z)}。