CN104751184A - 基于强度统计稀疏的全极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于强度统计稀疏的全极化SAR图像分类方法，可应用于全极化合成孔径雷达SAR图像分类和目标识别。其实现步骤为：(1)输入散射强度矩阵；(2)获取SAR图像的统计特征；(3)获取SAR图像的稀疏特征；(4)训练分类器并分类；(5)优化初始分类结果；(6)输出分类结果。本发明利用全极化SAR合成孔径雷达图像三个通道的散射强度信息，挖掘三个通道之间的空间特征信息，对全极化SAR合成孔径雷达图像中特定目标实现有效的分类，并且可以完整的保留特定目标中具体地物的细节特征。

Description

基于强度统计稀疏的全极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于强度统计稀疏的全极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类方法。本发明可应用于对全极化合成孔径雷达SAR图像中散射强度值统计特征和稀疏特征进行提取，并对特定目标进行准确地分类。

背景技术

高分辨率全极化合成孔径雷达作为微波遥感技术的代表，它包含了目标更加丰富的后向散射信息，是SAR领域的必然发展趋势。全极化SAR图像的理解与解译涉及到机器学习、模式识别、信号处理、模糊逻辑等众多学科，隶属于图像处理的范畴。极化SAR图像分类技术在已经在国防和民用领域得到广泛的应用。

目前，现有技术中的极化SAR图像分类技术的分类特征主要是从极化散射矩阵(S)、极化相干矩阵(T)和极化协方差矩阵(C)中提取的，主要包括极化相干矩阵的特征值和特征向量，图像中目标的散射功率及散射熵等。通过这些分类特征实现极化SAR图像中不同目标的分类，例如：

上海交通大学在其申请的专利“一种具有空间自适应性的极化SAR图像分割方法”(专利申请号：201210111531.9，公开号：CN 102722883A)中提出了一种具有空间自适应性的极化SAR图像分割方法。该方法主要解决现有的分割技术在空间复杂度自适应性上的不足导致分割结果无法体现图像细节信息的问题。该方法首先结合H/α-ML Wishart聚类和四叉树分解得到大小不等、能够自适应场景复杂度的初始分割区域，然后利用复Wishart分布和马尔科夫随机场MRF对初始分割区域的大小和形状进行调整，得到最终的分割结果。该方法虽然充分有效利用了极化SAR图像的极化信息，具有良好的空间自适应性，分割结果能够很好的保留极化SAR图像中的细节信息，分割速度较快，结果较为精确。但是，该方法仍然存在的不足之处是：该方法只提取了全极化合成孔径雷达SAR图像的一个通道的信息，并没有涉及三个通道间的信息，必然造成分类信息的丢失和分类结果的不准确，马尔科夫随机场MRF算法中应用了极大似然估计方法，增加了计算复杂度，使获得结果的时间变长。

首都师范大学在其申请的专利“极化SAR图像分类方法”(专利申请号：：201310685303.7，公开号：CN 103617427A)中提出了一种基于决策树分类模型的分类方法。该方法提出的一种极化SAR图像分类方法包括:提取极化SAR图像的特征:散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；将所述极化SAR图像分解为两个子孔径图像后，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H1,A1,α1)、(H2,A2,α2)；将所述两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；将所述第一特征集和所述第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。该方法虽然可以提高分类结果的精度。但是，该方法仍然存在的不足之处是，由于分解图像时子孔径的个数与地面空间分辨率成反比，导致地面空间分辨率却由于子孔径的个数增加而降低，使最终的分类精度受限。

发明内容

本发明的目的在于解决上述现有技术的不足，提出了基于强度统计稀疏的全极化SAR图像分类方法，充分利用了全极化合成孔径雷达SAR图像三个通道之间的空间信息，实现了对全极化合成孔径雷达SAR图像中单个通道分类信息的补充，提高了分类目标的正确性，利用韦伯Weibull概率分布模型能够更好的拟合实际统计中出现的非高斯概率分布曲线，可以更准确的逼近极化合成孔径雷达SAR图像散射强度值的真实概率，提高了分类特征的准确性，在估计韦伯Weibull概率分布模型中参数时应用了基于梅林Mellin变换的第二类统计量，降低了本发明方法的计算复杂度。

本发明实现上述目的的思路是：分别统计三类特定目标在三个通道上样本的散射强度值，获取三类特定目标在三个通道上散射强度值的概率密度曲线，分别通过韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道上散射强度值的概率密度函数，分别计算出三类特定目标在三个通道上散射强度值的概率，获得三类特定目标的统计特征，三类特定目标各自的统计特征具有稀疏性，利用KSVD字典学习算个发获取三类特定目标的稀疏特征，利用支撑向量机SVM分类器对三类特定目标进行分类，最后采用复威沙特Wsihart迭代算法，对结果进行优化处理，输出最终的分类结果。

本发明的步骤包括如下：

(1)输入散射强度矩阵：

输入全极化合成孔径雷达SAR图像对应的散射强度矩阵；

(2)获取SAR图像的统计特征：

(2a)从散射强度矩阵的三个通道中，分别选取城市、植被和水域三类特定目标的散射强度值作为样本，并绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线；

(2b)按照下式，求解韦伯Weibull概率分布模型的形状参数μ和韦伯Weibull概率分布模型的尺度参数η：

$\left\{\begin{array}{c}k1=\ln \mathrm{\μ}+\mathrm{\Ψ}\left(1\right){\mathrm{\η}}^{-1}\\ k2=\mathrm{\Ψ}\left(\mathrm{1,2}\right){\mathrm{\η}}^{-2}\end{array}\right.;$

其中，k1表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的一阶对数累计量，k2表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的二阶对数累计量，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数，η^-1表示韦伯Weibull概率分布模型的尺度参数η的倒数，η^-2表示韦伯Weibull概率分布模型的尺度参数η平方的倒数，Ψ(·)表示取双伽玛函数值的操作；

(2c)按照下式，分别利用韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道散射强度值的拟合概率密度函数：

$f\left(r\right|\mathrm{\μ},\mathrm{\η})=\frac{\mathrm{\η}}{{\mathrm{\μ}}^{\mathrm{\η}}}{r}^{\mathrm{\η}-1}\exp [-{\left(\frac{r}{\mathrm{\μ}}\right)}^{\mathrm{\η}}];$

其中，f(r|μ,η)表示三类特定目标在三个通道上散射强度值的拟合概率密度函数，r表示三类特定目标在三个通道上散射强度值,r≥0，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数；

(2d)利用三类特定目标在三个通道上散射强度值的拟合概率密度函数，分别求解三类特定目标在三个通道上散射强度值的概率，将三个特定目标在三个通道上的概率用三个三维向量表示为三类特定目标的统计特征；

(3)获取SAR图像的稀疏特征：

(3a)采用KSVD字典学习算法，分别求得三类特定目标样本统计特征的稀疏字典，将三类特定目标样本统计特征的稀疏字典中的稀疏原子作为三类特定目标样本的稀疏特征；

(3b)利用三类特定目标中每类特定目标样本统计特征的稀疏字典，采用正交匹配追踪OMP算法，将获得三类特定目标的统计特征的稀疏原子作为三类特定目标的稀疏特征；

(4)训练分类器并分类：

利用三类特定目标的稀疏特征中选取的样本训练支撑向量机SVM分类器，使用训练得到支撑向量机SVM分类器对全极化合成孔径雷达SAR图像中城市、植被和水域三类特定目标进行分类，得到初始分类结果；

(5)优化初始分类结果：

利用复威沙特Wsihart迭代算法，对初始分类结果进行优化处理，得到最终分类结果；

(6)输出分类结果。

本发明与现有技术相比，具有以下优点：

第一，由于本发明采用KSVD字典学习算法分别从三类特定目标的统计特征中提取稀疏特征，融合了三个通道之间的信息，克服了现有技术中只从全极化合成孔径雷达SAR图像的单个通道提取信息，以及没有考虑到全极化合成孔径雷达SAR图像三个通道之间的信息，使得采用本发明方法分类时，使用的三类特定目标的稀疏特征，包含的全极化合成孔径雷达SAR图像信息更加丰富，分类更加准确。

第二，由于本发明采用采用了基于梅林Mellin变换的第二类统计量来估计韦伯Weibull概率分布模型的参数，克服了现有技术利用马尔科夫随机场MRF对全极化合成孔径雷达SAR图像建模时，使用的极大似然估计方法的计算复杂度高，不能快速得到结果的不足，使得采用本发明方法的计算复杂度得到有效的降低。

第三，由于本发明采用全极化合成孔径雷达SAR图像的散射强度矩阵作为输入，全极化合成孔径雷达SAR图像三个通道中每个通道都可以看作是全极化合成孔径雷达SAR图像的一幅子图，克服了现有技术中，需要对全极化合成孔径SAR图像分解成两个孔径的子图，而造成的图像分辨率下降的不足，使得采用本发明方法在特征提取过程中，更好的保持了全极化合成孔径SAR图像的分辨率。

附图说明

图1是本发明的流程图；

图2是本发明的仿真图。

具体实施方式

下面结合附图1对本发明的步骤做进一步的详细描述。

步骤1.输入散射强度矩阵。

输入全极化合成孔径雷达SAR图像的散射强度矩阵。

所述的全极化合成孔径雷达SAR图像的散射强度矩阵包括水平发射水平接收HH、水平发射垂直接收HV和垂直发射垂直接收VV三个通道的散射强度值。

步骤2.获取SAR图像的统计特征。

首先，从散射强度矩阵的三个通道中，分别选取城市、植被和水域三类特定目标的散射强度值作为样本，并绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线。

所述的绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线的步骤是：分别从三类特定目标在三个通道上散射强度值中选取大小为50×50个像素的散射强度值矩阵作为样本，统计每个样本的散射强度值，分别计算三类特定目标在三个通道上散射强度值在样本中出现的频率，将结果分别作为三类特定目标在三个通道上样本的散射强度值的概率，分别绘制三类特定目标在三个通道上样本的散射强度值的概率分布曲线，将绘制的曲线代表三类特定目标在三个通道上的实际概率分布曲线。

分别将三类特定目标在三个通道上的强度值u假设为一个随机变量，则定义三类特定目标在三个通道上的强度值u的概率密度函数为f(u)，按照下式，定义基于梅林Mellin变换的第二类统计量的第一特征函数和第二特征函数：

$\left\{\begin{array}{c}\mathrm{\φ}\left(s\right)={\∫}_0^{\∞}{u}^{s-1}f\left(u\right)\mathrm{du}\\ \mathrm{\ψ}\left(s\right)=\ln \mathrm{\φ}\left(s\right)\end{array}\right.;$

其中，φ(s)表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的第一特征函数，s表示在梅林Mellin变化域上与三类特定目标在三个通道上的强度值u对应的随机变量，∫表示取积分操作，表示f(u)三类特定目标在三个通道上的强度值u的概率密度函数，ψ(s)表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的第二特征函数，ln表示取自然对数操作。

按照下式，求解三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的对数矩和对数累计量:

$\left\{\begin{array}{c}{m}_r=\frac{d^r\mathrm{\φ}\left(s\right)}{{\mathrm{ds}}^r}{|}_{s=1}=E\left\{{\left(\ln u\right)}^s\right\}\\ k_r=\frac{d^r\mathrm{\ψ}\left(s\right)}{{\mathrm{ds}}^r}{|}_{s=1}\end{array}\right.;$

其中，m_r表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的第r阶对数矩，r表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的对数矩和对数累计量的阶数，d^r表示取r阶导数操作，φ(s)表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的第一特征函数，s表示在梅林Mellin变化域上与三类特定目标在三个通道上的强度值u对应的随机变量，E表示取平均值操作，ln表示取自然对数操作，k_r表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的第r阶对数累计量，ψ(s)表示三类特定目标在三个通道上的强度值u基于梅林Mellin变换的第二类统计量的第二特征函数。

按照下式，求解韦伯Weibull概率分布模型的形状参数μ和韦伯Weibull概率分布模型的尺度参数η：

$\left\{\begin{array}{c}k1=\ln \mathrm{\μ}+\mathrm{\Ψ}\left(1\right){\mathrm{\η}}^{-1}\\ k2=\mathrm{\Ψ}\left(\mathrm{1,1}\right){\mathrm{\η}}^{-2}\end{array}\right.;$

其中，k1表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的一阶对数累计量，k2表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的二阶对数累计量，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数，η^-1表示韦伯Weibull概率分布模型的尺度参数η的倒数，η^-2表示韦伯Weibull概率分布模型的尺度参数η平方的倒数，Ψ(·)表示取双伽玛函数值的操作。

按照下式，分别利用韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道散射强度值的拟合概率密度函数：

$f\left(r\right|\mathrm{\μ},\mathrm{\η})=\frac{\mathrm{\η}}{{\mathrm{\μ}}^{\mathrm{\η}}}{r}^{\mathrm{\η}-1}\exp [-{\left(\frac{r}{\mathrm{\μ}}\right)}^{\mathrm{\η}}];$

其中，f(r|μ,η)表示三类特定目标在三个通道上散射强度值的拟合概率密度函数，r表示三类特定目标在三个通道上散射强度值,r≥0，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数。

利用三类特定目标在三个通道上散射强度值的拟合概率密度函数，分别求解三类特定目标在三个通道上散射强度值的概率，将三个特定目标在三个通道上的概率用三个三维向量表示为三类特定目标的统计特征。

步骤3.获取SAR图像的稀疏特征。

首先，采用KSVD字典学习算法，分别求得三类特定目标样本统计特征的稀疏字典，将三类特定目标样本统计特征的稀疏字典中的稀疏原子作为三类特定目标样本的稀疏特征。

所述的KSVD字典学习算法的公式如下：

$\left\{\begin{array}{c}\min {\left|\right|Y-\mathrm{DX}\left|\right|}_2^2\\ {\left|\right|X_i\left|\right|}_0\≤T,\∀i\end{array}\right.;$

其中，Y表示三类特定目的统计特征中选取的训练样本，D表示三类特定目标的统计特征中选取的训练样本分解得到的稀疏字典，X表示三类特定目标统计特征中选取的训练样本分解得到的稀疏系数矩阵，min表示取最小值操作，||·||₂表示取2范数操作，表示取全部操作，i表示三类特定目标统计特征中选取的训练样本分解得到的稀疏系数矩阵的第i列，||·||₀表示取0范数操作，T表示字典学习中稀疏向量中非零值个数。

设定三类特定目标的统计特征中选取的训练样本分解得到的稀疏字典的稀疏度为5，三类特定目标的统计特征中选取的训练样本分解得到的稀疏字典的字典原子个数为64。

由于三类特定目的统计特征包含极小的数值，所以在利用上述KSVD字典学习算法之前，分别对三类特定目的统计特征进行简单的归一化处理，分别用三类特定目的统计特征的数值除以三类特定目的统计特征中的最大数值，得到归一化后的结果作为新的三类特定目的统计特征。

然后，利用三类特定目标中每类特定目标样本统计特征的稀疏字典，采用正交匹配追踪OMP算法，将获得三类特定目标的统计特征的稀疏原子作为三类特定目标的稀疏特征。

所述正交匹配追踪OMP算法的公式如下：

$\left\{\begin{array}{c}\min {\left|\right|X_i\left|\right|}_0\\ F_{\mathrm{ij}}=D_i{X}_i\end{array}\right.;$

其中，X_i表示三类特定目标的统计特征中第i类特定目标的统计特征分解得到的稀疏系数矩阵，i表示三类特定目标中的一类，min表示取最小值操作，||·||₀表示取0范数操作，F_ij表示三类特定目标的统计特征中第i类特定目标的统计特征，j表示三类特定目标的统计特征中第i类特定目标的统计特征F_ij中的第j列，j＝1,2,...,N，N表示待分类的全极化合成孔径雷达SAR图像的像素点个数，D_i表示三类特定目标的统计特征的第i类特定目标的统计特征分解得到的稀疏字典。

步骤4.训练分类器并分类。

利用三类特定目标的稀疏特征中选取的样本训练支撑向量机SVM分类器，使用训练得到支撑向量机SVM分类器对全极化合成孔径雷达SAR图像中城市、植被和水域三类特定目标进行分类，得到初始分类结果。

按照下式，得到支撑向量机SVM分类器对三类特定目标的稀疏特征分类时最优分类超平面：

$\left\{\begin{array}{cc}\max {\mathrm{\&Sigma;}}_{i=1}^M{a}_i-\frac{1}{2}{\mathrm{\&Sigma;}}_{i,j=1}^M{y}_i{y}_j<x_i,x_j>& \\ \underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{a}_i{y}_i=0& a_i\&GreaterEqual;0\end{array}\right.;$

其中，max表示取最大值操作，Σ表示求和操作，a_i表示拉格朗日乘子，M表示三类特定目标的稀疏特征中所选取的训练样本的数量，y_i，y_j表示三类特定目标中每一类数据训练样本的类别，x_i，x_j表示三类特定目标中每一类数据的训练样本，i，j表示每一类训练样本像素点的序号，<·,·>表示做欧式内积操作，s.t.表示约束条件。

步骤5.优化初始分类结果。

利用复威沙特Wsihart迭代算法，对初始分类结果进行优化处理，得到最终分类结果。

所述的复威沙特Wsihart迭代算法的具体步骤如下：

第一步，利用下式，求解三类特定目标中每一类特定目标的迭代中心：

$V_i=\frac{\underset{j=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{C}_j}{N_i};$

其中，V_i表示三类特定目标中第i类特定目标的迭代中心，N_i表示属于三类特定目标中第i类特定目标的像素点个数，C_j表示三类特定目标中第j类特定目标中像素点的协方差矩阵，i和j都表示三类特定目标中的一类特定目标，Σ表示求和操作；

第二步，按照下式，计算每个像素点到三类特定目标中第i类特定目标的迭代中心的距离：

$d(<C>,V_i)=\ln \left[V_i\right]+\mathrm{Tr}(V_i^{-1}<C>);$

其中，d(<C>,V_i)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离，C表示每个像素点的协方差矩阵，<·>表示取极化合成孔径雷达SAR图像视数平均的操作，V_i表示第三类特定目标中i类特定目标的迭代中心，i表示三类特定目标中的一类特定目标，[·]表示取矩阵行列式操作，ln表示取自然对数操作，表示对矩阵V_i求逆的操作，Tr表示取矩阵的迹的操作；

第三步，按照下式，对初始结果进行优化处理：

d(<C>,V_i)≤d(<C>,V_j),i≠j，

其中，d(<C>,V_i)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离，d(<C>,V_j)表示每个像素点到三类特定目标中第j类特定目标的迭代中心的距离，C表示像素点的协方差矩阵，<·>表示取极化合成孔径雷达SAR图像视数平均的操作，V_i表示三类特定目标中第i类特定目标的迭代中心，V_j表示三类特定目标中第j类特定目标的迭代中心，i和j都表示三类特定目标中的一类特定目标，如果上式成立，则将该像素点划分到三类特定目标中第i类特定目标，否则，将该像素点划分到三类特定目标中第j类特定目标；

第四步，设定迭代次数n，n＝3；

第五步，判断迭代次数n是否小于3，若是，执行第一步；否则，执行第六步；

第六步，输出最终分类结果。

步骤6.输出分类结果。

本发明的效果可通过以下仿真进一步说明。

1仿真条件

本发明的仿真是在windows7旗舰版，CPU基本频率为2GHZ，软件平台为Matlab2013b运行。

2仿真内容

本发明仿真实验使用了两组真实的全极化SAR合成孔径雷达的图像数据，图2(a)为现有全极化合成孔径雷达SAR图像在美国旧金山地区的RGB合成图，大小为900×1024个像素，美国旧金山地区的全极化SAR合成孔径雷达图像中主要包括了城区、植被和水域三类特定目标。图2(a)中的1表示城区，2表示植被，3表示水域；2(b)为现有全极化合成孔径雷达SAR图像在西安东城区的RGB合成图，大小为510×510个像素，西安东城区的全极化SAR合成孔径雷达图像中主要包括了城区、植被和水域三类特定目标，图2(b)中的1表示城区，2表示植被，3表示水域。图2(c)为本发明方法对美国旧金山地区的全极化SAR合成孔径雷达图像分类的结果图。图2(d)为本发明方法对西安东城区的全极化SAR合成孔径雷达图像分类的结果图。

3仿真效果分析

由图2(c)可见，本发明方法能够对美国旧金山地区的全极化SAR合成孔径雷达图像中城区、植被和水域三类特定目标实现有效的分类，并且可以完整保留三类特定目标中具体地物的细节特征，如美国旧金山地区的全极化SAR合成孔径雷达图像分类结果图2(c)中城区和左上角山脉的纹理细节都能够保持完整，而且像金门大桥和跑马场等这样小目标的形状都能够完整的保持。由图2(d)可见，本发明方法能够对西安东城区的全极化SAR合成孔径雷达图像中城区、植被和水域三类特定目标实现有效的分类，并且也可以完整保留三类特定目标中具体地物的细节特征，如西安东城区的全极化SAR合成孔径雷达图像分类结果图中左上角城区的纹理细节能够完整的保持，而且河流上的桥梁和右上角的火车轨道等小目标的形状也都能够完整的保持。

Claims (6)

1.一种基于强度统计稀疏的全极化SAR图像分类方法，包括如下步骤：

(1)输入散射强度矩阵：

输入全极化合成孔径雷达SAR图像对应的散射强度矩阵；

(2)获取SAR图像的统计特征：

(2a)从散射强度矩阵的三个通道中，分别选取城市、植被和水域三类特定目标的散射强度值作为样本，并绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线；

(2b)按照下式，求解韦伯Weibull概率分布模型的形状参数μ和韦伯Weibull概率分布模型的尺度参数η：

$\left\{\begin{array}{c}k1=\ln \mathrm{\&mu;}+\mathrm{\&Psi;}\left(1\right){\mathrm{\&eta;}}^{-1}\\ k2=\mathrm{\&Psi;}\left(\mathrm{1,1}\right){\mathrm{\&eta;}}^{-2}\end{array}\right.;$

其中，k1表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的一阶对数累计量，k2表示三类特定目标在三个通道上散射强度值基于梅林Mellin变换的第二类统计量的二阶对数累计量，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数，η^-1表示韦伯Weibull概率分布模型的尺度参数η的倒数，η^-2表示韦伯Weibull概率分布模型的尺度参数η平方的倒数，Ψ(·)表示取双伽玛函数值的操作；

(2c)按照下式，分别利用韦伯Weibull概率分布模型拟合得到三类特定目标在三个通道散射强度值的拟合概率密度函数：

$f\left(r\right|\mathrm{\&mu;},\mathrm{\&eta;})=\frac{\mathrm{\&eta;}}{{\mathrm{\&mu;}}^{\mathrm{\&eta;}}}{r}^{\mathrm{\&eta;}-1}\exp [-{\left(\frac{r}{\mathrm{\&mu;}}\right)}^{\mathrm{\&eta;}}];$

其中，f(r|μ,η)表示三类特定目标在三个通道上散射强度值的拟合概率密度函数，r表示三类特定目标在三个通道上散射强度值,r≥0，μ表示韦伯Weibull概率分布模型的形状参数，η表示韦伯Weibull概率分布模型的尺度参数；

(2d)利用三类特定目标在三个通道上散射强度值的拟合概率密度函数，分别求解三类特定目标在三个通道上散射强度值的概率，将三个特定目标在三个通道上的概率用三个三维向量表示为三类特定目标的统计特征；

(3)获取SAR图像的稀疏特征：

(3a)采用KSVD字典学习算法，分别求得三类特定目标样本统计特征的稀疏字典，将三类特定目标样本统计特征的稀疏字典中的稀疏原子作为三类特定目标样本的稀疏特征；

(3b)利用三类特定目标中每类特定目标样本统计特征的稀疏字典，采用正交匹配追踪OMP算法，将获得三类特定目标的统计特征的稀疏原子作为三类特定目标的稀疏特征；

(4)训练分类器并分类：

利用三类特定目标的稀疏特征中选取的样本训练支撑向量机SVM分类器，使用训练得到支撑向量机SVM分类器对全极化合成孔径雷达SAR图像中城市、植被和水域三类特定目标进行分类，得到初始分类结果；

(5)优化初始分类结果：

利用复威沙特Wsihart迭代算法，对初始分类结果进行优化处理，得到最终分类结果；

(6)输出分类结果。

2.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(1)中所述的全极化合成孔径雷达SAR图像的散射强度矩阵包括水平发射水平接收HH、水平发射垂直接收HV和垂直发射垂直接收VV三个通道的散射强度值。

3.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(2a)中所述的绘制三类特定目标在三个通道上散射强度值的实际概率分布曲线的步骤是：分别从三类特定目标在三个通道上散射强度值中选取大小为50×50个像素的散射强度值矩阵作为样本，统计每个样本的散射强度值，分别计算三类特定目标在三个通道上散射强度值在样本中出现的频率，将结果分别作为三类特定目标在三个通道上样本的散射强度值的概率，分别绘制三类特定目标在三个通道上样本的散射强度值的概率分布曲线，将绘制的曲线代表三类特定目标在三个通道上的实际概率分布曲线。

4.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(3a)中所述的KSVD字典学习算法的公式如下：

$\left\{\begin{array}{c}\min {\left|\right|Y-\mathrm{DX}\left|\right|}_2^2\\ {\left|\right|X_i\left|\right|}_0\&le;T,\&ForAll;i\end{array}\right.;$

其中，Y表示三类特定目的统计特征中选取的训练样本，D表示三类特定目标的统计特征中选取的训练样本分解得到的稀疏字典，X表示三类特定目标统计特征中选取的训练样本分解得到的稀疏系数矩阵，min表示取最小值操作，||·||₂表示取2范数操作，表示取全部操作，i表示三类特定目标统计特征中选取的训练样本分解得到的稀疏系数矩阵的第i列，||·||₀表示取0范数操作，T表示字典学习中稀疏向量中非零值个数。

5.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(3b)中所述正交匹配追踪OMP算法的公式如下：

$\left\{\begin{array}{c}\min {\left|\right|X_i\left|\right|}_0\\ F_{\mathrm{ij}}=D_i{X}_i\end{array}\right.;$

其中，X_i表示三类特定目标的统计特征中第i类特定目标的统计特征分解得到的稀疏系数矩阵，i表示三类特定目标中的一类，min表示取最小值操作，||·||₀表示取0范数操作，F_ij表示三类特定目标的统计特征中第i类特定目标的统计特征，j表示三类特定目标的统计特征中第i类特定目标的统计特征F_ij中的第j列，j＝1,2,...,N，N表示待分类的全极化合成孔径雷达SAR图像的像素点个数，D_i表示三类特定目标的统计特征的第i类特定目标的统计特征分解得到的稀疏字典。

6.根据权利要求1所述的基于强度统计稀疏的全极化SAR图像分类方法，步骤(5)中所述的复威沙特Wsihart迭代算法的具体步骤如下：

第一步，利用下式，求解三类特定目标中每一类特定目标的迭代中心：

$V_i=\frac{\underset{j=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{C}_j}{N_i};$

其中，V_i表示三类特定目标中第i类特定目标的迭代中心，N_i表示属于三类特定目标中第i类特定目标的像素点个数，C_j表示三类特定目标中第j类特定目标中像素点的协方差矩阵，i和j都表示三类特定目标中的一类特定目标，Σ表示求和操作；

第二步，按照下式，计算每个像素点到三类特定目标中第i类特定目标的迭代中心的距离：

d(<C>,V_i)＝ln[V_i]+Tr(V_i ^-1<C>)；

其中，d(<C>,V_i)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离，C表示每个像素点的协方差矩阵，<·>表示取极化合成孔径雷达SAR图像视数平均的操作，V_i表示第三类特定目标中i类特定目标的迭代中心，i表示三类特定目标中的一类特定目标，[·]表示取矩阵行列式操作，ln表示取自然对数操作，V_i ^-1表示对矩阵V_i求逆的操作，Tr表示取矩阵的迹的操作；

第三步，按照下式，对初始结果进行优化处理：

d(<C>,V_i)≤d(<C>,V_j),i≠j，

其中，d(<C>,V_i)表示每个像素点到三类特定目标中第i类特定目标的迭代中心的距离，d(<C>,V_j)表示每个像素点到三类特定目标中第j类特定目标的迭代中心的距离，C表示像素点的协方差矩阵，<·>表示取极化合成孔径雷达SAR图像视数平均的操作，V_i表示三类特定目标中第i类特定目标的迭代中心，V_j表示三类特定目标中第j类特定目标的迭代中心，i和j都表示三类特定目标中的一类特定目标，如果上式成立，则将该像素点划分到三类特定目标中第i类特定目标，否则，将该像素点划分到三类特定目标中第j类特定目标；

第四步，设定迭代次数n，n＝3；

第五步，判断迭代次数n是否小于3，若是，执行第一步；否则，执行第六步；

第六步，输出最终分类结果。