CN103903012A - 基于面向对象和支持向量机的极化sar数据分类方法 - Google Patents

Abstract

本发明公开了一种基于面向对象和支持向量机的极化SAR数据分类方法，克服了现有技术中极化合成孔径雷达SAR数据受噪声影响分类准确率低，对空间信息利用不全造成错分点多的问题。本发明的具体实施步骤如下：（1）预处理；（2）特征分解；（3）设置参数；（4）合并像素；（5）合并超像素块；（6）初始分类；（7）二次分类；（8）输出结果矩阵。本发明能够克服噪声的影响，提高极化合成孔径雷达SAR数据分类的准确率，而且本发明充分利用了极化合成孔径雷达SAR数据的空间和散射特征，降低了错分点的数目，使得分类结果图像更加平滑。

Description

基于面向对象和支持向量机的极化SAR数据分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达技术领域中的一种基于面向对象和支持向量机的极化合成孔径雷达（Polarimetric SyntheticAperture Radar SAR）数据分类方法。本发明可以用于森林火灾监控、植被覆盖、海洋污染等方面。

背景技术

随着极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）越来越多的受到关注。关于分类极化合成孔径雷达（Polarimetric Synthetic Aperture RadarSAR）数据的方法层出不穷。其中根据是否需要人工的指导可分为有监督的和无监督的;根据所用的算法不同，又可分为统计，知识，神经网络，模糊统计，小波，支持向量机和分形等;根据是否需要空间的信息可分为基于区域的和基于像素的;根据极化信息的利用方式可以分为四类，利用散射矩阵和散射矢量，利用协方差矩阵T,利用相干矩阵C,利用极化特征分解的方法。

武汉大学申请的专利“基于混合分类器的极化SAR数据分类方法及系统”（专利申请号：201310310179，公开号：CN103366184A）中公开了一种基于混合分类器的极化SAR数据数据分类方法。该方法首先获取极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）数据的不同类的初始极化特征，然后采用决策树分类器从初始极化特征中选择用于分类的极化特征，最后采用支持向量机分类器对极化合成孔径雷达（Polarimetric Synthetic Aperture Radar SAR）数据进行分类。该方法虽然集成了决策树分类器和支持向量机分类器的优势，但是该方法仍然存在的不足是，操作复杂，准确率和支持向量机的准确率相比没有显著的提高，由于只考虑了图像的散射特征，容易受到噪声的干扰，从而导致分类的结果错分点多。

西安电子科技大学申请的专利“基于Freeman分解和同极化比的极化SAR图像分类方法”（专利申请号：201110164401，公开号：CN102208031A）中公开了一种基于Freeman分解和同极化比的极化SAR图像分类方法，主要解决现有技术计算复杂度较高和分类效果差的问题。该方法首先对极化合成孔径雷达SAR数据的协方差矩阵进行Freeman分解，获取平面散射、二面角散射及体散射三种散射功率矩阵，然后根据三种散射功率矩阵将极化合成孔径雷达SAR数据初始分割为3类，计算每类极化合成孔径雷达SAR数据各像素点的同极化比，选择阈值依据同极化比将初始分类的每类极化合成孔径雷达SAR数据划分为3类，从而将整个极化合成孔径雷达SAR数据划分为9类。该方法具有简单，快速的特点，但是仍然存在的不足是，该方法分类类别数固定，由于只考虑了散射特征，从而导致错分点多，分类准确率低，区域一致性差。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于面向对象和支持向量机的极化SAR数据分类方法。本发明与现有技术中其它极化SAR分类方法比准确率高，抗噪声能力强，区域一致性好。

实现本发明目的的具体思路是，在充分的考虑极化合成孔径雷达SAR数据的空间、散射等特性后，先利用支持向量机对极化合成孔径雷达SAR数据进行初步分类，然后利用面向对象的方法将图像进行过分割，分割为若干个超像素块，接下来在每一个超像素块中对支持向量机分类的结果进行统计投票，最后根据每一个块中投票的结果确定出该块的最终类别。本发明在进行分类的过程中，没有采用单独的散射特征，而是采用了散射特性和空间信息相结合的方式，即将像素点和区域信息相结合，从而避免了某些重要信息的遗漏，其次，本发明没有将支持向量机的结果作为最终的结果，而是结合了极化合成孔径雷达SAR数据的空间特性采用了二次分类技术，从而克服了噪声的干扰、由于充分利用了区域信息,所以图像更加平滑，而且能够任意的指定图像的分类类别数。

本发明实现的具体步骤包括如下：

（1）预处理：

（1a）读取极化合成孔径雷达SAR数据的相干矩阵；

（1b）对极化合成孔径雷达SAR数据的相干矩阵进行Lee滤波，得到滤波后的相干矩阵；

（2）特征分解：

（2a）对滤波后相干矩阵进行波利Pauli分解，得到三个散射特征；

（2b）将极化合成孔径雷达SAR数据彩色图中的红通道特征作为彩色图像的第一维，将极化合成孔径雷达SAR数据彩色图绿通道特征作为彩色图像的第二维，将极化合成孔径雷达SAR数据彩色图蓝通道特征作为彩色图像的第三维，合成极化合成孔径雷达SAR数据的彩色图；

（3）设置参数：

（3a）设置极化合成孔径雷达SAR的彩色图异质度阈值为1000、最大循环次数为10；

（3b）设置极化合成孔径雷达SAR的彩色图的光谱权重为0.6，紧致度权重为0.4；

（4）合并像素：

（4a）在极化合成孔径雷达SAR的彩色图中任选一个像素点，采用异质度公式，计算该像素点与其相邻的像素点之间的异质度；

（4b）对相邻两个像素间的最小异质度小于极化合成孔径雷达SAR的彩色图异质度阈值1000的两个像素合并；

（4c）检查极化合成孔径雷达SAR的彩色图中像素是否都被选择过，如果存在没有被选择的像素，则执行步骤（4a），否则，执行步骤（4d）；

（4d）找出极化合成孔径雷达SAR的彩色图中含有像素数目最少的超像素块，计算该超像素块内包含的像素数，如果该像素数大于给定的彩色图异质度阈值1000，则执行步骤（6），否则，执行步骤（5）；

（5）合并超像素块：

（5a）从极化合成孔径雷达SAR的彩色图的超像素块中任选一个超像素块，采用彩色图像异质度公式，计算该超像素块与周围相邻的超像素块的异质度；

（5b）对相邻的两个超像素块间的最小异质度小于极化合成孔径雷达SAR的彩色图异质度阈值1000两个超像素素块合并；

（5c）检查极化合成孔径雷达SAR的彩色图中的超像素块是否全部被选择过，如果存在没有被选择的超像素块，则执行步骤（5a），否则，执行步骤（5d）；

（5d）找出极化合成孔径雷达SAR的彩色图中含有像素数目最少的超像素块，计算该超像素块内包含的像素数，如果该像素数大于给定的彩色图异质度阈值1000，则执行步骤(6)，否则，执行步骤（5e）；

（5e）判断合并的次数是否大于最大循环次数10，如果是，则执行步骤（6）,否则，执行步骤（5a）；

（6）初始分类：

（6a）设定支持向量机分类的类别数M；

（6b）读入滤波后的极化合成孔径雷达SAR数据；

（6c）从滤波后的极化合成孔径雷达SAR数据中，随机选择每一类极化合成孔径雷达SAR数据的300个作为训练样本，其余的作为测试样本；

（6d）用支持向量机对训练样本进行学习，得到分类模型；

（6e）用分类模型，对测试样本进行测试，得到初始分类结果；

（7）二次分类：

（7a）在极化合成孔径雷达SAR的彩色图中，按照顺序选择一个超像素块；

（7b）在超像素块内，对支持向量机分类的初始分类结果进行统计，得到超像素块内每一类样本的数目，将该超像素块的类别设定为统计样本数目最多的那一类；

（7c）判断极化合成孔径雷达SAR的彩色图中是否存在没有选择过的超像素块，如果存在没有选择过的超像素块，则执行步骤（7a），否则，执行步骤（8）；

（8）输出结果矩阵：

（8a）随机生成一个大小与极化合成孔径雷达SAR的彩色图的大小相同的矩阵，矩阵的值初始化为0；

（8b）按照从左到右，从上到下的次序，对极化合成孔径雷达SAR的彩色图中的超像素块编号，极化合成孔径雷达SAR的彩色图中超像素块的编号号码分别为1,2,3…N，N为超像素的总数；

（8c）在极化合成孔径雷达SAR的彩色图中按照超像素块的编号顺序选一个超像素块；

（8d）找出超像素块内的像素在极化合成孔径雷达SAR的彩色图中的位置，将矩阵对应的位置的元素值设为该超像素块的编号号码值；

（8e）判断极化合成孔径雷达SAR的彩色图中是否存在没有选择过的超像素块，如果存在没有选择过的超像素块，则执行步骤（8c），否则，执行步骤（8f）；

（8f）输出结果矩阵。

本发明与现有技术相比有以下优点:

第一，由于本发明采用了像素点和区域相结合的方法，能够准确的判断出像素点与临域像素的关系，克服了现有技术受噪声影响，准确率低，错分点多的问题，使的本发明对噪声有着更强的适应性。

第二，由于本发明采用了二次分类技术，克服了现有技术中只考虑了散射特征造成的错分点较多的问题，使本发明的准确率和区域一致性更好。

第三，由于本发明采用了统计的方法对极化合成孔径雷达SAR数据进二次分类，能够任意的确定分类类别数，克服了现有技术操作复杂、分类类别数固定的问题，使本发明有着更广的适用范围。

附图说明

图1是本发明的流程图；

图2是本发明对1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据分类仿真示意图；

图3是本发明对1991年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据分类仿真示意图。

具体实施方式

步骤1，预处理。

读取极化合成孔径雷达SAR数据的相干矩阵。

对极化合成孔径雷达SAR数据的相干矩阵进行Lee滤波，得到滤波后的极化合成孔径雷达SAR数据的相干矩阵。其中极化合成孔径雷达SAR数据的相干矩阵是3*3*N的矩阵，N表示极化合成孔径雷达SAR的总像素数，每个像素为一个3*3的矩阵。

步骤2，特征分解。

对滤波后极化合成孔径雷达SAR数据的相干矩阵进行波利Pauli分解，提取滤波后极化合成孔径雷达SAR数据每个像素的相干矩阵对角线上的3个元素分别作为极化合成孔径雷达SAR数据彩色图红通道、绿通道以及蓝通道的特征。

将极化合成孔径雷达SAR数据彩色图红通道特征作为彩色图像的第一维，将极化合成孔径雷达SAR数据彩色图绿通道特征作为彩色图像的第二维，将极化合成孔径雷达SAR数据彩色图蓝通道特征作为彩色图像的第三维，合成极化合成孔径雷达SAR数据的RGB彩色图。其中，R代表|HH-VV|，G代表|HV|+|VH|，B代表|HH+VV|，|HH-VV|，|HV|+|VH|，|HH+VV|为每个像素对应的协方差矩阵对角线上的三个元素。

步骤3，设置参数。

设置极化合成孔径雷达SAR的彩色图异质度阈值为1000、最大循环次数为10。设置极化合成孔径雷达SAR的彩色图的光谱权重为0.6，紧致度权重为0.4。

步骤4，合并像素。

第一步，在极化合成孔径雷达SAR的彩色图中任选一个像素点，采用异质度公式，计算该像素点与其相邻的像素点之间的异质度，异质度公式如下：

f＝w*h+（1-w）*v

其中，f表示彩色图相邻像素之间的异质度，w表示彩色图的光谱权重，h表示彩色图相邻像素块的光谱异质度，v表示彩色图相邻像素的形状异质度。

第二步，对相邻两个像素间的最小异质度小于极化合成孔径雷达SAR的彩色图异质度阈值1000的两个像素合并。两个像素是否被合并可以通过一个矩阵来判断，该矩阵大小和极化合成孔径雷达SAR的彩色图的大小相同，且初始值为0，设置合并次数为0。如果两个像素合并，则合并次数自加一，将这两个像素对应的位置的矩阵的值设为合并次数的值。

第三步，检查极化合成孔径雷达SAR的彩色图中像素是否都被选择过，如果存在没有被选择的像素，则执行第一步，否则，执行第四步。

第四步，找出极化合成孔径雷达SAR的彩色图中含有像素数目最少的超像素块，计算该超像素块内包含的像素数，如果该像素数大于给定的彩色图异质度阈值1000，则执行步骤6，否则，执行步骤5。

步骤5，合并超像素块。

第一步，从极化合成孔径雷达SAR的彩色图的超像素块中任选一个超像素块，采用彩色图像异质度公式，计算该超像素块与周围相邻的超像素块的异质度，异质度公式如下：

f＝w*h+（1-w）*v

其中，f表示彩色图相邻像素块之间的异质度，w表示彩色图的光谱权重，h表示彩色图相邻像素块的光谱异质度，v表示彩色图相邻像素的形状异质度。

第二步对相邻的两个超像素块间的最小异质度小于极化合成孔径雷达SAR的彩色图异质度阈值1000两个超像素素块合并。两个超像素块是否被合并可以通过一个矩阵来判断，该矩阵大小和极化合成孔径雷达SAR的彩色图的大小相同，且初始值为0，记合并次数为0。如果两个超像素块合并，则合并次数自加一，将这两个超像素块内像素对应的位置的矩阵的值设为合并次数的值。

第三步检查极化合成孔径雷达SAR的彩色图中的超像素块是否全部被选择过，如果存在没有被选择的超像素块，则执行第一步，否则，执行第四步。

第四步找出极化合成孔径雷达SAR的彩色图中含有像素数目最少的超像素块，计算该超像素块内包含的像素数，如果该像素数大于给定的彩色图异质度阈值1000，则执行步骤6，否则，执行第五步；

第五步判断合并的次数是否大于最大循环次数10，如果是，则执行步骤6,否则，执行第一步。

步骤6，初始分类。

确定支持向量机分类的类别数为11。读入滤波后的极化合成孔径雷达SAR数据。

从滤波后的极化合成孔径雷达SAR数据中，随机选择每一类极化合成孔径雷达SAR数据的300个作为训练样本，其余的作为测试样本。

用支持向量机对训练样本进行学习，得到分类模型。用分类模型对测试样本进行测试，得到初始分类结果。

步骤7，二次分类。

第一步，在极化合成孔径雷达SAR的彩色图中，按照顺序选择一个超像素块。

第二步，在超像素块内对支持向量机分类的初始分类结果进行统计，得到超像素块内每一类样本的数目，将该超像素块的类别设定为统计样本数目最多的那一类。

第三步，判断极化合成孔径雷达SAR的彩色图中是否存在没有选择过的超像素块，如果存在没有选择过的超像素块，则执行第一步，否则，执行步骤（8）。

步骤8，输出结果矩阵。

第一步，随机生成一个大小与极化合成孔径雷达SAR的彩色图的大小相同的矩阵，矩阵的值初始化为0。

第二步，按照从左到右，从上到下的次序，对极化合成孔径雷达SAR的彩色图中的超像素块编号，极化合成孔径雷达SAR的彩色图中超像素块的编号号码分别为1,2,3…N，N为超像素的总数。

第三步，在极化合成孔径雷达SAR的彩色图中按照超像素块的编号顺序选一个超像素块。

第四步，找出超像素块内的像素在极化合成孔径雷达SAR的彩色图中的位置，将矩阵对应的位置的元素值设为该超像素块的编号号码值。

第五步，判断极化合成孔径雷达SAR的彩色图中是否存在没有选择过的超像素块，如果存在没有选择过的超像素块，则执行第三步，否则，执行第六步。

第六步，输出结果矩阵。

本发明可以通过以下仿真实验来进行验证。

1、仿真实验条件。

本发明的仿真实验中选取了两幅图像进行实验。图2（a）为1989年的荷兰Flevoland农田区域的L波段的图像，图像尺寸大小为750像素×1024像素。图3（a）为1991年的荷兰Flevoland农田区域的L波段的部分图像，图像尺寸大小为280像素×430像素。本发明的仿真实验硬件平台为：Intel Core2Duo CPU i33.2GHZ、3GB RAM，软件平台：MATLAB R2010a。

2、实验内容与结果分析。

图2是1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的合成图、实际地物标记图，以及本发明对1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR实际地物标记图处数据进行分类的结果示意图。图2（a）是1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据合成图，图2（b）是1989年获得的Flevoland,Netherlands地区实际的地物标记图，图2（c）是本发明对1989年获得的Flevoland,Netherlands地区的L波段的多视极化SAR标记图处数据进行分类的结果图。

图3是从AIRSAR平台获取的1991年Flevoland,Netherlands地区的L波段的多视极化SAR数据的部分合成图、实际地物图，以及本发明对AIRSAR平台获取的1991年Flevoland,Netherlands地区的L波段的多视极化SAR实际地物标记图处数据进行分类的结果示意图，图3（a）是AIRSAR平台1991年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据的部分合成图。图3（b）是AIRSAR平台1991年获取的Flevoland,Netherlands地区部分实际地物的标记图，图3（c）是本发明对AIRSAR平台1991年获得的Flevoland,Netherlands地区的L波段的多视极化SAR数据标记图处分类的结果图。

本方法与经典的支持向量机分类方法和基于复Wishart距离的聚类方法对图2（a）和图3（a）进行分类的准确率如表1，表2所示，其中SVM表示支持向量机，Wishart表示聚类的距离计算公式。

表1三种算法分类精度对比表

表2三种算法分类精度对比表

从表1可以看出，本发明的平均分类精度比支持向量机和基于Wishart距离的聚类都高。支持向量机和基于Wishart距离的聚类算法都是基于散射特性的分类方法，这类方法对散射特性不相似但实际地物属于同类的区域容易造成错分，从而使得该区域分类精度很低。然而本发明是基于面向对象和支持向量机的极化SAR数据分类方法，对于散射特性不相似的区域，其空间信息可能是相同的，从而可以对这类地物实现分类。

利用本发明方法对极化合成孔径雷达SAR图像进行分类，结果如图2（c）和图3（c）所示，从图2（c）和图3（c）可以看出，本发明得到的分类结果区域一致性较好，这就表明本发明可以有效提高极化SAR图像分类的精度。

Claims (6)

1.一种基于面向对象和支持向量机的极化SAR数据分类方法，包括以下步骤:

（1）预处理：

（1a）读取极化合成孔径雷达SAR数据的相干矩阵；

（1b）对极化合成孔径雷达SAR数据的相干矩阵进行Lee滤波，得到滤波后的相干矩阵；

（2）特征分解：

（2a）对滤波后相干矩阵进行波利Pauli分解，得到三个散射特征；

（2b）将极化合成孔径雷达SAR数据彩色图中的红通道特征作为彩色图像的第一维，将极化合成孔径雷达SAR数据彩色图绿通道特征作为彩色图像的第二维，将极化合成孔径雷达SAR数据彩色图蓝通道特征作为彩色图像的第三维，合成极化合成孔径雷达SAR数据的彩色图；

（3）设置参数：

（3a）设置极化合成孔径雷达SAR的彩色图异质度阈值为1000、最大循环次数为10;

（3b）设置极化合成孔径雷达SAR的彩色图的光谱权重为0.6，紧致度权重为0.4；

（4）合并像素：

（4a）在极化合成孔径雷达SAR的彩色图中任选一个像素点，采用异质度公式，计算该像素点与其相邻的像素点之间的异质度；

（4b）对相邻两个像素间的最小异质度小于极化合成孔径雷达SAR的彩色图异质度阈值1000的两个像素合并；

（4c）检查极化合成孔径雷达SAR的彩色图中像素是否都被选择过，如果存在没有被选择的像素，则执行步骤（4a），否则，执行步骤（4d）；

（4d）找出极化合成孔径雷达SAR的彩色图中含有像素数目最少的超像素块，计算该超像素块内包含的像素数，如果该像素数大于给定的彩色图异质度阈值1000，则执行步骤（6），否则，执行步骤（5）；

（5）合并超像素块：

（5a）从极化合成孔径雷达SAR的彩色图的超像素块中任选一个超像素块，采用彩色图像异质度公式，计算该超像素块与周围相邻的超像素块的异质度；

（5b）对相邻的两个超像素块间的最小异质度小于极化合成孔径雷达SAR的彩色图异质度阈值1000两个超像素素块合并；

（5c）检查极化合成孔径雷达SAR的彩色图中的超像素块是否全部被选择过，如果存在没有被选择的超像素块，则执行步骤（5a），否则，执行步骤（5d）；

（5d）找出极化合成孔径雷达SAR的彩色图中含有像素数目最少的超像素块，计算该超像素块内包含的像素数，如果该像素数大于给定的彩色图异质度阈值1000，则执行步骤(6)，否则，执行步骤（5e）；

（5e）判断合并的次数是否大于最大循环次数10，如果是，则执行步骤（6）,否则，执行步骤（5a）；

（6）初始分类：

（6a）设定支持向量机分类的类别数M；

（6b）读入滤波后的极化合成孔径雷达SAR数据；

（6c）从滤波后的极化合成孔径雷达SAR数据中，随机选择每一类极化合成孔径雷达SAR数据的300个作为训练样本，其余的作为测试样本；

（6d）用支持向量机对训练样本进行学习，得到分类模型；

（6e）用分类模型，对测试样本进行测试，得到初始分类结果；

（7）二次分类：

（7a）在极化合成孔径雷达SAR的彩色图中，按照顺序选择一个超像素块；

（7b）在超像素块内，对支持向量机分类的初始分类结果进行统计，得到超像素块内每一类样本的数目，将该超像素块的类别设定为统计样本数目最多的那一类；

（7c）判断极化合成孔径雷达SAR的彩色图中是否存在没有选择过的超像素块，如果存在没有选择过的超像素块，则执行步骤（7a），否则，执行步骤（8）；

（8）输出结果矩阵：

（8a）随机生成一个大小与极化合成孔径雷达SAR的彩色图的大小相同的矩阵，矩阵的值初始化为0；

（8b）按照从左到右，从上到下的次序，对极化合成孔径雷达SAR的彩色图中的超像素块编号，极化合成孔径雷达SAR的彩色图中超像素块的编号号码分别为1,2,3…N，N为超像素的总数；

（8c）在极化合成孔径雷达SAR的彩色图中按照超像素块的编号顺序选一个超像素块；

（8d）找出超像素块内的像素在极化合成孔径雷达SAR的彩色图中的位置，将矩阵对应的位置的元素值设为该超像素块的编号号码值；

（8e）判断极化合成孔径雷达SAR的彩色图中是否存在没有选择过的超像素块，如果存在没有选择过的超像素块，则执行步骤（8c），否则，执行步骤（8f）；

（8f）输出结果矩阵。

2.根据权利要求1所述的基于面向对象和支持向量机的极化SAR数据分类方法，其特征在于，步骤（1b）所述的相干矩阵是3*3*N的矩阵，其中，N表示极化合成孔径雷达SAR的总像素数，每个像素为一个3*3的矩阵。

3.根据权利要求1所述的基于面向对象和支持向量机的极化SAR数据分类方法，其特征在于，步骤（2a）所述的波利Pauli分解是指，提取滤波后每个像素的相干矩阵对角线上的3个元素，分别作为极化合成孔径雷达SAR数据彩色图该像素的红通道、绿通道以及蓝通道的特征。

4.根据权利要求1所述的基于面向对象和支持向量机的极化SAR数据分类方法，其特征在于，步骤（4a）、步骤（5a）所述的异质度公式如下：

f＝w*h+（1-w）*v

其中，f表示极化合成孔径雷达SAR数据彩色图相邻像素块之间的异质度，w表示极化合成孔径雷达SAR数据彩色图的光谱权重，h表示极化合成孔径雷达SAR数据彩色图相邻像素块的光谱异质度，v表示极化合成孔径雷达SAR数据彩色图相邻像素的形状异质度。

5.根据权利要求1所述的基于面向对象和支持向量机的极化SAR数据分类方法，其特征在于，步骤（6a）所述的分类的类别数M是根据极化合成孔径雷达SAR图像的数据的真实地物类别数目确定的，M的范围是[2-20]。

6.根据权利要求1所述的基于面向对象和支持向量机的极化SAR数据分类方法，其特征在于，步骤（6c）所述的训练样本和测试样本中的每个样本包含9个元素，分别为该样本3*3的相干矩阵对角线上3个元素，该样本相干矩阵的上三角矩阵的3个元素的实部，以及该样本相干矩阵的上三角矩阵的3个元素的虚部，共9个元素。

Images