CN103839077A - 一种基于超像素特征的低秩表示的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于超像素特征的低秩表示的极化SAR图像分类方法，主要提高了现有经典算法在边缘的分类正确率的问题。主要过程：(1)对极化SAR数据进行Freeman分解，得到表面散射能量，体散射能量和二次散射能量，通过这三个能量计算散射功率熵和共极化比；(2)对RGB合成图进行超像素处理，得超像素结果图；（3）对每个超像素提取上述五个特征的平均值，并构建所有超像素的一个特征矩阵，每一列代表一个超像素的特征；(4)对特征矩阵进行低秩表示，获取低秩系数，对低秩系数进行聚类；（5）对聚类结果进行wishart调整，最后着色。本发明对比其它经典的方法能够更好提高分类正确率，因此可以用于极化SAR图像分类。

Description

一种基于超像素特征的低秩表示的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，具体地说是属于极化SAR图像分类领域的一种基于超像素特征的低秩表示的极化SAR图像分类方法，可用于对极化SAR图像分类处理。

背景技术

极化合成孔径雷达(PolarimetricSyntheticApertureRadar)已经成为国内外合成孔径雷达发展的重要方向之一。与单极化雷达图像相比，极化合成孔径雷达图像能够提供更多的地物信息。快速、准确SAR图像分类是实现各种实际应用的前提。因此，对极化SAR图像的分类的研究，具有十分重要的意义。

传统的单极化成像雷达采用固定极化天线来发射和接收射频信号，只能测量散射波矢量的一个分量，获得的信息量是有限的。为了保留散射波的全部信息，必须采用一种矢量测量过程来测量散射波的极化特性。极化合成孔径雷达(POLSAR)在不同收发极化组合下，测量地物目标的极化散射特性，即是多参数，多通道的雷达成像系统。由于电磁波极化对目标的介电常数、物理特性、几何形状和取向等比较敏感，因而极化测量可以得到所有极化状态信号的幅度和相对相位，大大提高了成像雷达对目标的各种信息的捕获和获取能力。它可以更完整的记录目标的极化散射信息，因此成为国内外合成雷达研究的热点之一。

目前，国外很多机构的星载和机载极化SAR系统可以获取不同波段的全极化SAR数据。美国航空航天局(NASA)喷气推进实验室(JPL)在1955年研制成功的极化SARCV-900是第一部实用的极化SAR系统。比较典型的机载极化SAR系统主要有美国的AIRSAR(NASA/JPL)系统，丹麦的EMISAR(DCRS)系统，德国的ESAR(DLR)系统，日本的PISAR(NASDA-CRL)系统，法国的RAMSES(ONERA)系统，加拿大的CV580系统等。典型的星载极化SAR系统有美国的SIR-C(NASA/JPL)系统，欧空局的EnvisatASAR(ESA)系统，日本的ALOSPALSAR(JAXA)系统，加拿大的RADARSAT2(CSA)系统，德国的TerraSAR-X系统等。

从目前的发展趋势看，极化合成孔径雷达在海洋学、冰川学、地质学、地形学以及生态学等学科中有着广泛的应用，如评估农作物生长状况，土壤湿度检测，植被分布，火山状态分析，海洋生物分布，海冰检测和海洋污染检测等。具有很高的应用价值，受到国内外的高度重视。

发明内容

本发明的目的在于克服已有技术的不足，在分类效果上面得到了一定的提高，主要体现在边界上面。提出了一种基于超像素特征的低秩表示的极化SAR图像分类方法，以实现对极化SAR图像分类的效果，达到对复杂的地物特征清晰的进行分辨。

为实现上述目的，本发明提供一种基于超像素特征的低秩表示的极化SAR图像分类方法，其特征是：包括如下步骤：

1）对输入的极化SAR图像数据做预处理，即采用7*7的窗口进行Lee滤波；

2）对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解，得到表面散射能量P_s，体散射能量P_v，二次散射能量P_d，并且通过以下目标函数求得散射功率熵H_p和共极化比R；

$\begin{array}{cc}{H}_p=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}-P_i{\log }_3{P}_i& \\ =-P_1{\log }_3{P}_1-P_2{\log }_3{P}_2-P_3{\log }_3{P}_3& 0\≤H_p\≤H_p\≤1\end{array}$

其中 $P_1=\frac{P_s}{P_s+P_v+P_d},P_2=\frac{P_v}{P_s+P_v+P_d},P_3=\frac{P_d}{P_s+P_v+P_d}$

$R=10\×\log \left(\frac{{\left|S_{\mathrm{VV}}\right|}^2}{{\left|S_{\mathrm{HH}}\right|}^2}\right)$

其中，P_s表示表面散射能量，P_v表示体散射能量，P_d表示二次散射能量，H_p表示散射功率熵，R表示共极化比，S_VV表示以竖直方向发射，竖直方向接收的天线极化方式所获得的散射系数，S_HH表示以水平方向发射，水平方向接收的天线极化方式所获得的散射系数；

3）对RGB合成图进行超像素处理，即tubo_pixel处理，降低数据的复杂性，获取超像素结果图；

x＝{x₁,x₂,…x_k,…,x_n}

其中，x_k代表第k个超像素，n为超像素的个数；

4）对每个超像素x_k分别提取特征，针对第2步中所得到的数据，对超像素里所包含的像素点的表面散射能量P_s，体散射能量P_v，二次散射能量P_d，散射功率熵H_p和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征，构建特征矩阵X；

X={X₁,X₂,…,X_k,…,X_n}

X_k＝{P_sk,P_vk,P_dk,H_pk,R_k}^Τ

其中 $P_{\mathrm{sk}}=\underset{i,j\∈k}{\mathrm{\Σ}}{P}_{\mathrm{sij}},P_{\mathrm{vk}}=\underset{i,j\∈k}{\mathrm{\Σ}}{P}_{\mathrm{vij}},P_{\mathrm{dk}}=\underset{i,j\∈k}{\mathrm{\Σ}}{P}_{\mathrm{dij}},H_{\mathrm{pk}}=\underset{i,j\∈k}{\mathrm{\Σ}}{H}_{\mathrm{pij}},R_k=\underset{i,j\∈k}{\mathrm{\Σ}}{R}_{\mathrm{kij}}$

5)对特征矩阵X进行归一化处理，处理的方式为：均值方差归一化；

设e=(e₁,e₂,…,e_k)，建立映射

其中，emean=mean(e)=mean(e₁,e₂,…,e_k),evar=var(e)=var(e₁,e₂,…,e_k)使每个分量规范到[-1,1]上；

6）对归一化的特征矩阵X进行低秩处理，求得低秩表示系数Z，并对系数进行聚类，得到聚类结果C，聚类方法采用了谱聚类，模糊K均值聚类等经典算法，通过以下目标函数求得低秩表示系数：

$\begin{array}{c}\underset{Z,E}{\min }\left|\right|Z|{|}_{*},\\ s.t.,X=\mathrm{XZ}\end{array}$

其中，X表示特征矩阵，Z表示低秩表示系数，|| ||_*为核范数，即矩阵奇异值的和7）针对低秩表示系数聚类的结果C，作为Wishart迭代分类的首次迭代的训练样本来计算V_w，然后像素被归类到距离因子最小的那一类中，来做最最后的调整；

即，对于所有的j≠w，如果下式：d(〈Z〉,V_w)≤d(〈Z〉,V_j)得到满足，则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决，并由重新分类得到的分类结果来更新V_w，如此迭代一直到满足某个标准为止。

其中， $d(<Z>,V_w)=1n\left|V_w\right|+\mathrm{Tr}(V_w^{-1}<Z>),V_w=\frac{1}{n_w}\underset{i=1}{\overset{n_w}{\mathrm{\&Sigma;}}}{<Z>}_i,$

〈Z〉为极化SAR中每个像素的散射相关矩阵

8）对最后通过wishart迭代出来的结果，进行随机着色，颜色的显示自主设置。

上述的步骤4中的超像素的各特征值求解如下：

（a）分别计算每个超像素里面所包含的像素个数。

（b）从第一个超像素开始，直到所有的超像素，提取每一个超像素里面所包含的像素点个数，并根据这些像素点的位置来提取表面散射能量P_s，体散射能量P_v，二次散射能量P_d，散射功率熵H_p和共极化比R特征。

（c）根据下式分别求出每个超像素的P_s，P_v，P_d，H_p，R平均值,求取平均值的表示式为：

$P_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_j$

其中，P_i表示第i个超像素的特征，n表示每个超像素里面所含有的像素点的个数，p_j为某个像素点的特征。

上述的步骤6中，低秩表示方法的求解过程如下：

目标式： $\begin{array}{c}\underset{Z,E}{\min }\left|\right|Z|{|}_{*},\\ s.t.,X=\mathrm{XZ}\end{array}$

(a)首先是对公式里面的一些值进行初始化，即对出现的所有参数和即将用到的参数均需要初始化。

(b)在未达到终止条件时，通过增广拉格朗日乘子法来更新参数，即固定里面其他的参数来更新某一个参数。

(c)达到终止条件，更新结束，即得到最后的低秩表示系数Z。

终止条件为：||X-XZ||_∞＜εand||Z-J||_∞＜ε

ε根据实验获取的经验值，一般设置为10^-8。

本发明与现有的技术相比具有以下技术效果和优点：

本发明通过，(1)对极化SAR数据进行Freeman分解，得到表面散射能量，体散射能量和二次散射能量，通过这三个能量计算散射功率熵和共极化比；(2)对RGB合成图进行超像素处理，得超像素结果图；（3）对每个超像素提取上述五个特征的平均值，并构建所有超像素的一个特征矩阵，每一列代表一个超像素的特征；(4)对特征矩阵进行低秩表示，获取低秩系数，对低秩系数进行聚类；（5）对聚类结果进行wishart调整，最后着色。本发明对比其它经典的方法能够更好提高分类正确率，因此可以用于极化SAR图像分类，具有以下优点和效果：

1.本发明克服了极化SAR图像分类的边界分类的问题，通过提取特征并结合低秩方

法，使分类结果得到了一定的提高，实现对极化SAR图像分类的效果，达到对复杂

的地物特征清晰的进行分辨。

2.本发明在处理效率上有一定的提高。

3.本发明属于无监督的分类算法，节省了人力处理的部分。

附图说明

下面结合实施例附图对本发明的具体实施方式予以描述。

图1是本发明的流程图；

图2是本发明测试输入的SanFransisco地区的极化SAR图像；

图3是本发明SanFransisco地区的超像素处理的超像素图；

图4是对比方法，SanFransisco地区的H/α/wishart分类结果；

图5是对比方法，SanFransisco地区的传统基于Freeman分解方法分类结果；

图6是本发明SanFransisco地区的最后结果图；

图7是本发明测试输入的西安地区的极化SAR图像；

图8是本发明西安地区的超像素处理的超像素图；

图9是对比方法，西安地区的H/α/wishart分类结果；

图10是对比方法，西安地区的传统基于Freeman分解方法的分类结果；

图11是本发明方法西安地区的最后结果图。

具体实施方式

下面结合附图1-11对本发明的方法做进一步的说明。

本发明是基于小波特征低秩表示的SAR图像目标聚类，采用一种基于超像素特征的低秩表示的极化SAR图像分类方法，包括如下步骤：

1）对输入的极化SAR图像数据做预处理，即采用7*7的窗口进行Lee滤波；

2）对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解，得到表面散射能量P_s，体散射能量P_v，二次散射能量P_d，并且通过以下目标函数求得散射功率熵H_p和共极化比R；

$\begin{array}{cc}{H}_p=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}-P_i{\log }_3{P}_i& \\ =-P_1{\log }_3{P}_1-P_2{\log }_3{P}_2-P_3{\log }_3{P}_3& 0\&le;H_p\&le;H_p\&le;1\end{array}$

其中 $P_1=\frac{P_s}{P_s+P_v+P_d},P_2=\frac{P_v}{P_s+P_v+P_d},P_3=\frac{P_d}{P_s+P_v+P_d}$

$R=10\&times;\log \left(\frac{{\left|S_{\mathrm{VV}}\right|}^2}{{\left|S_{\mathrm{HH}}\right|}^2}\right)$

其中，P_s表示表面散射能量，P_v表示体散射能量，P_d表示二次散射能量，H_p表示散射功率熵，R表示共极化比，S_VV表示以竖直方向发射，竖直方向接收的天线极化方式所获得的散射系数，S_HH表示以水平方向发射，水平方向接收的天线极化方式所获得的散射系数；

3）对RGB合成图进行超像素处理，即tubopixel处理，降低数据的复杂性，获取超像素结果图；

x＝{x₁,x₂,…x_k,…,x_n}

其中，x_k代表第k个超像素，n为超像素的个数；

4）对每个超像素x_k分别提取特征，针对第2步中所得到的数据，对超像素里所包含的像素点的表面散射能量P_s，体散射能量P_v，二次散射能量P_d，散射功率熵H_p和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征，构建特征矩阵X；

X={X₁,X₂,…,X_k,…,X_n}

X_k＝{P_sk,P_vk,P_dk,H_pk,R_k}^Τ

其中 $P_{\mathrm{sk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{P}_{\mathrm{sij}},P_{\mathrm{vk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{P}_{\mathrm{vij}},P_{\mathrm{dk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{P}_{\mathrm{dij}},H_{\mathrm{pk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{H}_{\mathrm{pij}},R_k=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{R}_{\mathrm{kij}}$

5)对特征矩阵X进行归一化处理，处理的方式为：均值方差归一化；

设e=(e₁,e₂,…,e_k)，建立映射

其中，emean=mean(e)=mean(e₁,e₂,…,e_k),evar=var(e)=var(e₁,e₂,…,e_k)使每个分量规范到[-1,1]上；

6）对归一化的特征矩阵X进行低秩处理，求得低秩表示系数Z，并对系数进行聚类，得到聚类结果C，聚类方法采用了谱聚类，模糊K均值聚类等经典算法，通过以下目标函数求得低秩表示系数：

$\begin{array}{c}\underset{Z,E}{\min }\left|\right|Z|{|}_{*},\\ s.t.,X=\mathrm{XZ}\end{array}$

其中，X表示特征矩阵，Z表示低秩表示系数，|| ||_*为核范数，即矩阵奇异值的和

7）针对低秩表示系数聚类的结果C，作为Wishart迭代分类的首次迭代的训练样本来计算V_w，然后像素被归类到距离因子最小的那一类中，来做最最后的调整；

即，对于所有的j≠w，如果下式：d(〈Z〉,V_w)≤d(〈Z〉,V_j)得到满足，则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决，并由重新分类得到的分类结果来更新V_w，如此迭代一直到满足某个标准为止。

其中， $d(<Z>,V_w)=1n\left|V_w\right|+\mathrm{Tr}(V_w^{-1}<Z>),V_w=\frac{1}{n_w}\underset{i=1}{\overset{n_w}{\mathrm{\&Sigma;}}}{<Z>}_i,$

〈Z〉为极化SAR中每个像素的散射相关矩阵

8）对最后通过wishart迭代出来的结果，进行随机着色，颜色的显示自主设置。

该方案实现了，对超像素特征进行低秩处理之后，使分类正确率有一定的提高，本发明克服了极化SAR图像分类的边界分类的问题，通过提取特征并结合低秩方法，使分类结果得到了一定的提高，实现对极化SAR图像分类的效果，达到对复杂的地物特征清晰的进行分辨。

实施例2，结合附图1-11描述。

在实施例1的基础上，所述的步骤4中的超像素的各特征值求解如下：

（a）分别计算每个超像素里面所包含的像素个数。

（b）从第一个超像素开始，直到所有的超像素，提取每一个超像素里面所包含的像素点个数，并根据这些像素点的位置来提取表面散射能量P_s，体散射能量P_v，二次散射能量P_d，散射功率熵H_p和共极化比R等特征。

（c）根据下式分别求出每个超像素的P_s，P_v，P_d，H_p，R平均值,

求取平均值的表示式为： $P_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_j$

其中，P_i表示第i个超像素的特征，n表示每个超像素里面所含有的像素点的个数，p_j为某个像素点的特征。

所述的步骤6中，低秩表示方法的求解过程如下：

目标式： $\begin{array}{c}\underset{Z,E}{\min }\left|\right|Z|{|}_{*},\\ s.t.,X=\mathrm{XZ}\end{array}$

(a)首先是对公式里面的一些值进行初始化，即对出现的所有参数和即将用到的参数均需要初始化。

(b)在未达到终止条件时，通过增广拉格朗日乘子法来更新参数，即固定里面其他的参数来更新某一个参数。

(c)达到终止条件，更新结束，即得到最后的低秩表示系数Z。

终止条件为：||X-XZ||_∞＜εand||Z-J||_∞＜ε

ε根据实验获取的经验值，一般设置为10^-8。

该实施例详细的描述了整个图像处理关键步骤的处理过程，有利于对处理结果进行进一步的分析，及时发现图像出现问题时的原因。

本发明效果可以通过以下实验进一步证实：

一.实验条件和内容

实验条件：实验所使用的输入图像主要有两类，一是SanFransisco地区的极化SAR图像（参照说明书附图的图2），一是西安地区的极化SAR图像（参照说明书附图的图7）。获得的超像素图，如图实验中，所用的方法都是使用matlab语言编程实现。

实验内容：在上述实验条件下，结合当前比较热门的极化SAR分类方法，如H/α/Wishart和传统基于Freeman分解方法进行试验。由于极化SAR地物数据信息比较复杂的性质，所以需要进行特征提取，本发明处理的过程是特征提取，然后对特征进行低秩表示，进行聚类，最后Wishart迭代。

二.实验结果

如图3所示，采用SanFransisco地区、如图8所示西安地区做实验的实验结果

使用低秩表示方法所做的分类结果如说明书附图中的图6和图11所示。从结果可以看出，对超像素特征进行低秩处理之后，聚类正确率有一定的提高，因此低秩是起到了一定的作用的；

使用H/α/wishart的分类的结果如图4和图9所示。从结果可以看出，本发明在细节保持方面，边界保持方面都有一定的提高，由结果图所表示的经典极化SAR分类可知，本发明方法对于聚类正确的提高起到了一定的作用，因此是有必要对能量特征矩阵做进一步的处理。

使用基于Freeman分解方法的分类的结果如图5和图10所示。从结果可以看出，本发明在细节上相比于该方法在边界保持上还是有一定的优势

本实验采用SanFransisco地区的极化SAR图像数据和西安地区的极化SAR图像数据进行测试，由于极化SAR图像信息比较复杂，没有非常标准的评判标准，但是一般用人的视觉方面，也是可以直接进行判断的。

从结果图4、图11可以发现，对超像素特征进行低秩处理之后，分类正确率有一定的提高，说明超像素低秩处理在极化SAR分类上有一定作用。在超像素特征空间，通过低秩处理，在无干扰的情况下，使同类之间可以相互表示，而不同类之间无法相互表示，然后再对表示系数进行聚类；这样对比与直接对能量特征进行聚类的结果，本发明体现了其优势，对聚类正确率有一定的提高。

实验结果表明，本发明相对于其它的一些经典的聚类方法具有更好的性能，获得更好的聚类结果。

Claims (3)

1.一种基于超像素特征的低秩表示的极化SAR图像分类方法，其特征是：包括如下步骤：

1）对输入的极化SAR图像数据做预处理，即采用7*7的窗口进行Lee滤波；

2）对极化SAR数据中的相干矩阵T进行经典Freeman方法进行分解，得到表面散射能量P_s，体散射能量P_v，二次散射能量P_d，并且通过以下目标函数求得散射功率熵H_p和共极化比R；

$\begin{array}{cc}{H}_p=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}-P_i{\log }_3{P}_i& \\ =-P_1{\log }_3{P}_1-P_2{\log }_3{P}_2-P_3{\log }_3{P}_3& 0\&le;H_p\&le;H_p\&le;1\end{array}$

其中 $P_1=\frac{P_s}{P_s+P_v+P_d},P_2=\frac{P_v}{P_s+P_v+P_d},P_3=\frac{P_d}{P_s+P_v+P_d}$

$R=10\&times;\log \left(\frac{{\left|S_{\mathrm{VV}}\right|}^2}{{\left|S_{\mathrm{HH}}\right|}^2}\right)$

其中，P_s表示表面散射能量，P_v表示体散射能量，P_d表示二次散射能量，H_p表示散射功率熵，R表示共极化比，S_VV表示以竖直方向发射，竖直方向接收的天线极化方式所获得的散射系数，S_HH表示以水平方向发射，水平方向接收的天线极化方式所获得的散射系数；

3）对RGB合成图进行超像素处理，即tubopixel处理，降低数据的复杂性，获取超像素结果图；

x＝{x₁,x₂,…x_k,…,x_n}

其中，x_k代表第k个超像素，n为超像素的个数；

4）对每个超像素x_k分别提取特征，针对第2步中所得到的数据，对超像素里所包含的像素点的表面散射能量P_s，体散射能量P_v，二次散射能量P_d，散射功率熵H_p和共极化比R等特征分别求出平均值,对所有的超像素提取同样的特征，构建特征矩阵X；

X＝{x₁，X₂，…，Ｘ_k，…，X_n}

x_k＝{P_sk，P_vk，P_ak，H_pk，R_k}^T

其中 $P_{\mathrm{sk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{P}_{\mathrm{sij}},P_{\mathrm{vk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{P}_{\mathrm{vij}},P_{\mathrm{dk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{P}_{\mathrm{dij}},H_{\mathrm{pk}}=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{H}_{\mathrm{pij}},R_k=\underset{i,j\&Element;k}{\mathrm{\&Sigma;}}{R}_{\mathrm{kij}}$

5)对特征矩阵X进行归一化处理，处理的方式为：均值方差归一化；

设e=(e₁,e₂,…,e_k)，建立映射

其中，

emean=mean(e)=mean(e₁,e₂,…,e_k),evar=var(e)=var(e₁,e₂,…,e_k)使每个分量规范到[-1,1]上；

6）对归一化的特征矩阵X进行低秩处理，求得低秩表示系数Z，并对系数进行聚类，得到聚类结果C，聚类方法采用了谱聚类，模糊K均值聚类等经典算法，通过以下目标函数求得低秩表示系数：

$\begin{array}{c}\underset{Z,E}{\min }\left|\right|Z|{|}_{*},\\ s.t.,X=\mathrm{XZ}\end{array}$

其中，X表示特征矩阵，Z表示低秩表示系数，|| ||_*为核范数，即矩阵奇异值的和；

7）针对低秩表示系数聚类的结果C，作为Wishart迭代分类的首次迭代的训练样本来计算V_w，然后像素被归类到距离因子最小的那一类中，来做最最后的调整；

即，对于所有的j≠w，如果下式：d(〈Z〉V_w)≤d(〈Z〉,V_j)得到满足，则该像素被归类到第w。该式就是最大似然估计分类方法的分类判决，并由重新分类得到的分类结果来更新V_w，如此迭代一直到满足某个标准为止。

其中， $d(<Z>,V_w)=1n\left|V_w\right|+\mathrm{Tr}(V_w^{-1}<Z>),V_w=\frac{1}{n_w}\underset{i=1}{\overset{n_w}{\mathrm{\&Sigma;}}}{<Z>}_i,$

〈Z〉为极化SAR中每个像素的散射相关矩阵

8）对最后通过wishart迭代出来的结果，进行随机着色，颜色的显示自主设置。

2.根据权利要求1所述的一种基于超像素特征的低秩表示的极化SAR图像分类方法，其特征是：所述的步骤4）中的超像素的各特征值求解如下：

（a）分别计算每个超像素里面所包含的像素个数；

（b）从第一个超像素开始，直到所有的超像素，提取每一个超像素里面所包含的像素点个数，并根据这些像素点的位置来提取表面散射能量P_s，体散射能量P_v，二次散射能量P_d，散射功率熵H_p和共极化比R特征；

（c）根据下式分别求出每个超像素的P_s，P_v，P_d，H_p，R平均值,

求取平均值的表示式为：

$P_i=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_j$

其中，P_i表示第i个超像素的特征，n表示每个超像素里面所含有的像素点的个数，p_j为某个像素点的特征。

3.根据权利要求1所述的一种基于超像素特征的低秩表示的极化SAR图像分类方法，其特征是：所述的步骤6）中，低秩表示方法的求解过程如下：

(a)首先是对公式里面的一些值进行初始化，即对出现的所有参数和即将用到的参数均需要初始化；

(b)在未达到终止条件时，通过增广拉格朗日乘子法来更新参数，即固定里面其他的参数来更新某一个参数；

(c)达到终止条件，更新结束，即得到最后的低秩表示系数Z；

终止条件为：||X-XZ||_∞＜εand||Z-J||_∞＜ε

ε根据实验获取的经验值，一般设置为10^-8。

Images