CN105930846A - 基于邻域信息和svgdl的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于邻域信息和SVGDL的极化SAR图像分类方法，主要解决现有技术中极化合成孔径雷达SAR图像分类过程中字典学习收敛速度慢而导致的运算时间长、计算效率低的问题。本发明的具体步骤如下：(1)输入极化SAR图像；(2)滤波；(3)提取极化邻域特征；(4)降维；(5)选取训练样本和测试样本；(6)训练字典和分类器；(7)测试字典和分类器；(8)上色；(9)输出分类结果图。本发明与现有技术相比，有效地提高了极化SAR图像分类正确率和计算效率。

Description

基于邻域信息和SVGDL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，更进一步涉及极化合成孔径雷达图像地物分类技术领域中的一种基于邻域信息和支撑矢量指导字典学习(Support VectorGuide Dictionary Learning，SVGDL)的极化合成孔径雷达(Synthetic ApertureRadar，SAR)图像分类方法。本发明可用于对极化SAR图像的地物进行分类，能有效的改善极化SAR图像分类的计算效率低问题。

背景技术

极化SAR图像分类是SAR影像解译的重要内容，目前经典的极化SAR图像分类方法有：

武汉大学在其申请的专利“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：201310310179.6，公开号：103366184A)中提出了一种基于混合分类器的极化SAR数据分类方法。该方法首先获得极化SAR数据的不同类初始极化特征，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；然后基于用于分类的极化特征，采用SVM分类器对极化SAR数据进行分类。该方法将传统的决策树分类器和SVM分类器相结合，虽然改善了极化SAR图像分类方法计算效率低的问题，但是，该方法仍然存在的不足之处是，由于该方法没有考虑极化SAR图像的空间相关性，从而导致极化SAR图像分类中区域一致性较差和分类精度不高。

西安电子科技大学在其申请的专利“基于K-SVD和稀疏表示的极化SAR图像分类方法”(专利申请号：201410564225.X，公开号：CN104361346A)中提出了一种基于K-SVD和稀疏表示的极化SAR图像分类方法。该方法先对极化SAR图像的每个像素点提取相干矩阵、协方差矩阵、PS、Pd、Pv、H、α、SPAN等特征组成特征矩阵；然后根据实际地物分布选取训练样本，组成初始字典；采用K-SVD算法训练初始字典，得到训练字典；然后将特征矩阵用训练字典表示，用OMP算法求解稀疏系数；最后用求解出的稀疏系数重构特征矩阵，确定每个像素点的类别，得到最终分类结果。该方法虽然解决了现有分类方法对极化SAR图像的极化特征信息利用不充分的问题，但是，该方法仍然存在的不足之处是，该方法采用的字典学习收敛速度慢，导致图像分类的运算时间长和计算效率低。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于邻域信息和SVGDL的极化SAR图像分类方法。本发明能有效地提高极化SAR图像的分类精度，同时能有效的改善极化SAR图像分类的计算效率低问题。

实现本发明的技术思路是：首先，对极化合成孔径雷达SAR图像进行滤波；其次，对滤波后的极化合成孔径雷达SAR图像的极化邻域特征；然后，采用主成分分析PCA算法，对极化合成孔径雷达SAR图像的邻域特征矩阵进行降维，得到降维后的极化合成孔径雷达SAR图像的邻域特征矩阵；根据实际地物分布，从降维后的极化合成孔径雷达SAR图像的邻域特征矩阵中选取训练样本和测试样本；采用选择性最小化机制训练支撑矢量指导字典学习SVGDL模型中的字典和分类器，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器；将测试样本输入到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到测试正确率；将降维后的极化合成孔径雷达SAR图像的邻域特征矩阵输入到训练好支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到极化合成孔径雷达SAR图像的预测标签；最后，对极化合成孔径雷达SAR图像的预测标签进行上色，得到上色后分类结果图。

实现本发明目的的具体步骤如下：

(1)输入一幅待分类的极化SAR图像的相干矩阵；

(2)滤波：

采用滤波窗口大小为7*7像素的精致Lee滤波器，对待分类的极化SAR图像的相干矩阵进行滤波，去除斑点噪声，得到滤波后的极化SAR图像的相干矩阵；

(3)提取极化邻域特征：

(3a)对滤波后的极化SAR图像的相干矩阵的每个元素的进行特征分解，得到每个元素的特征值和对应的特征向量；

(3b)采用克劳德Cloude分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到克劳德Cloude分解的2维散射特征向量；

(3c)采用弗里曼-德登Freeman-Durden分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到弗里曼-德登Freeman-Durden分解的3维散射特征向量；

(3d)采用特征提取方法，对滤波后的极化SAR图像的相干矩阵的每个元素提取9维特征向量；

(3e)将克劳德Cloude分解得到的2维散射特征向量，弗里曼-德登Freeman-Durden分解得到的3维散射特征向量，特征提取方法得到的9维特征向量，组成滤波后的极化SAR图像的相干矩阵的每个元素的14维极化特征向量；将滤波后的极化SAR图像的相干矩阵的所有元素的极化特征向量组成一个14*N的极化特征矩阵，得到极化SAR图像的极化特征矩阵，其中，N表示极化SAR图像中所有像素点的总数；

(3f)采用邻域特征提取方法，从极化SAR图像的极化特征矩阵中提取邻域特征矩阵；

(4)降维：

采用主成分分析PCA算法，对极化SAR图像的邻域特征矩阵进行降维，得到降维后的极化SAR图像的邻域特征矩阵；

(5)选取训练样本和测试样本：

(5a)根据极化SAR图像的实际地物分布，在极化SAR图像的邻域特征矩阵中标记出每类有标签的样本；

(5b)从每类有标签的样本中随机选取5000个样本作为训练样本，将剩余所有的有标签样本作为测试样本；

(6)训练字典和分类器：

采用选择性最小化方法，训练支撑矢量指导字典学习SVGDL模型中的字典和分类器，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器；

(7)测试字典和分类器：

(7a)将测试样本输入到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到测试样本的预测标签；

(7b)按照下式，计算测试样本的测试正确率：

$b=\frac{size(p=l)}{size\left(l\right)}$

其中，b表示测试样本的测试正确率，size表示求个数的操作，p表示测试样本的预测标签，l表示测试样本的标签；

(7c)将降维后的极化SAR图像的邻域特征矩阵输入到训练好支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到极化SAR图像的预测标签；

(8)上色：

(8a)将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵，将该标签矩阵表示为一幅图像，得到分类后的极化SAR图像；

(8b)在分类后的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照三基色上色法进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像；

(9)输出分类结果图。

本发明与现有技术相比较，具有以下优点：

第一，由于本发明提取了极化SAR图像的极化邻域特征，采用极化邻域特征表征极化SAR图像的实际地物，克服了现有技术没有考虑空间相关性，从而导致极化SAR图像分类中区域一致性较差和分类精度不高的问题，使得本发明具有极化SAR图像分类的区域一致性好，提高分类精度的优点。

第二，由于本发明采用了支撑矢量指导字典学习SVGDL模型对极化SAR图像进行分类，克服了现有技术中字典学习收敛速度慢，从而导致图像分类的运算时间长和计算效率低的问题，使得本发明具有极化SAR图像分类的运算时间少，改善计算效率的优点。

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

下面结合附图对本发明做进一步的描述。

参照图1，本发明实现的步骤如下：

步骤1，输入一幅待分类的极化SAR图像的相干矩阵。

步骤2，滤波。

采用滤波窗口大小为7*7像素的精致Lee滤波器，对待分类的极化SAR图像的相干矩阵进行滤波，去除斑点噪声，得到滤波后的极化SAR图像的相干矩阵；

步骤3，提取极化邻域特征。

对滤波后的极化SAR图像的相干矩阵的每个元素的进行特征分解，得到每个元素的特征值和对应的特征向量。

克劳德Cloude分解方法的具体操作步骤如下：

第一步，按照下式，计算滤波后的极化SAR图像的相干矩阵的散射熵：

$H=\underset{i=1}{\overset{3}{\Σ}}-P_i{\log }_3{P}_i$

其中，H表示滤波后的极化SAR图像的相干矩阵的散射熵，∑表示求和符号，i表示滤波后的极化SAR图像的相干矩阵的第i个特征值，P_i表示滤波后的极化SAR图像的相干矩阵的第i个特征值与所有特征值总和的比值，log₃表示以3为底的对数操作。

第二步，按照下式，计算滤波后的极化SAR图像的相干矩阵的平均散射角：

$\mathrm{\α}=\underset{i=1}{\overset{3}{\Σ}}{P}_i{\mathrm{\α}}_i$

其中，α表示滤波后的极化SAR图像的相干矩阵的平均散射角，∑表示求和操作，i表示滤波后的极化SAR图像的相干矩阵的第i个特征值，P_i表示滤波后的极化SAR图像的相干矩阵的第i个特征值与所有特征值总和的比值，α_i表示滤波后的极化SAR图像的相干矩阵的第i个特征值对应的平均散射点。

第三步，将克劳德Cloude分解得到的散射熵和平均散射角，表示成一个2*1的向量，得到克劳德Cloude分解的2维散射特征向量。

采用弗里曼-德登Freeman-Durden分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到弗里曼-德登Freeman-Durden分解的3维散射特征向量。

弗里曼-德登Freeman-Durden分解方法的具体操作步骤如下：

第一步，按照下式，计算滤波后的极化SAR图像的相干矩阵的表面散射功率：

P_s＝f_s(1+|β|²)

其中，P_s表示滤波后的极化SAR图像的相干矩阵的表面散射功率，f_s表示滤波后的极化SAR图像的相干矩阵的表面散射分量系数，β表示水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射反射系数的比值。

第二步，按照下式，计算滤波后的极化SAR图像的相干矩阵的二面角散射功率：

$P_d=f_d(1+|\frac{R_{gh}{R}_{vh}}{R_{gv}{R}_{vv}}{|}^2)$

其中，P_d表示滤波后的极化SAR图像的相干矩阵的二面角散射功率，f_d表示滤波后的极化SAR图像的相干矩阵的二面角散射分量系数，|·|²表示求绝对值的平方的操作，R_gh表示竖直墙体的水平反射系数，R_vh表示地表的水平反射系数，R_gv表示竖直墙体的垂直反射系数，R_vv表示地表的垂直反射系数。

第三步，按照下式，计算滤波后的极化SAR图像的相干矩阵的体散射功率：

$P_v=\frac{8}{3}{f}_v$

其中，P_v表示滤波后的极化SAR图像的相干矩阵的体散射功率，f_v表示滤波后的极化SAR图像的相干矩阵的体散射分量系数。

第四步，将弗里曼-德登Freeman-Durden分解得到的表面散射功率、二面角散射功率和体散射功率，表示成一个3*1的向量，得到弗里曼-德登Freeman-Durden分解的3维散射特征向量。

采用特征提取方法，对滤波后的极化SAR图像的相干矩阵的每个元素提取9维特征向量。

特征提取方法的具体操作步骤如下：

第一步，将滤波后的极化SAR图像的相干矩阵的每个元素表示成一个3*3的子相干矩阵。

第二步，取一个元素的子相干矩阵的9个数值作为该元素的特征。

第三步，判断是否提取完所有元素的特征，若是，则执行第四步；否则，执行第二步。

第四步，将每个元素的特征表示成一个9*1的向量，得到滤波后的极化SAR图像的相干矩阵的每个元素的9维特征向量。

将克劳德Cloude分解得到的2维散射特征向量，弗里曼-德登Freeman-Durden分解得到的3维散射特征向量，特征提取方法得到的9维特征向量，组成滤波后的极化SAR图像的相干矩阵的每个元素的14维极化特征向量；将滤波后的极化SAR图像的相干矩阵的所有元素的极化特征向量组成一个14*N的极化特征矩阵，得到极化SAR图像的极化特征矩阵，其中，N表示极化SAR图像中所有像素点的总数采用邻域特征提取方法，从极化SAR图像的极化特征矩阵中提取邻域特征矩阵。

邻域特征提取方法的具体操作步骤如下：

第1步，将极化SAR图像的极化特征矩阵中的一行排列成与待分类的极化SAR图像大小相等的过渡矩阵，将该过渡矩阵表示为一幅图像。

第2步，判断极化SAR图像的极化特征矩阵中的所有的行是否均表示为图像，若是，则执行第3步；否则，执行第1步。

第3步，将极化SAR图像的极化特征矩阵中的所有行表示的图像组成一个图像集合。

第4步，在图像集合中的一幅图像上选取一个大小为7*7像素的滑动窗口，将所选窗口内的所有像素点的值拉成一个49*1维的特征向量。

第5步，从左到右、从上到下依次滑动窗口，得到所选取的图像上所有像素点的特征向量。

第6步，判断是否得到所有图像的全部像素点的特征向量，若是，则执行第7步；否则，执行第4步。

第7步，将所有图像的同一坐标的像素点的特征向量按行组合，得到该像素点的邻域特征向量。

第8步，判断是否得到极化SAR图像的每个像素点的邻域特征向量，若是，执行第9步；否则，执行第7步。

第9步，将极化SAR图像中所有像素点的邻域特征向量组成一个M*N维的邻域特征矩阵，得到极化SAR图像的邻域特征矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示极化SAR图像中所有像素点的总数。

步骤4，降维。

采用主成分分析PCA算法，对极化SAR图像的邻域特征矩阵进行降维，得到降维后的极化SAR图像的邻域特征矩阵。

步骤5，选取训练样本和测试样本。

根据极化SAR图像的实际地物分布，在极化SAR图像的邻域特征矩阵中标记出每类有标签的样本。

从每类有标签的样本中随机选取5000个样本作为训练样本，将剩余所有的有标签样本作为测试样本。

步骤6，训练字典和分类器。

采用选择性最小化方法，训练支撑矢量指导字典学习SVGDL模型中的字典和分类器，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器。

选择性最小化方法的具体操作步骤如下：

第1步，输入训练样本，从每类训练样本中随机选取60个样本对支撑矢量指导字典学习SVGDL模型中的字典进行初始化，得到初始化的支撑矢量指导字典学习SVGDL模型的字典。

第2步，将支撑矢量指导字典学习SVGDL模型中的编码向量、分类器的标准超平面和标准超平面相应的偏置均初始化为0。

第3步，从所有类别的训练样本中任意选取一类训练样本，将所选取的训练样本的标签设置为1，所选取训练样本之外的其他类别的训练样本的标签设置为-1。

第4步，将支撑矢量指导字典学习SVGDL模型的编码向量和字典保持不变，将所有标签为1和标签为-1的训练样本输入到支撑矢量指导字典学习SVGDL模型的分类器中，得到该类训练样本的分类器。

第5步，判断是否选取完所有类别的训练样本，若是，则执行第6步；否则，执行第3步。

第6步，将支撑矢量指导字典学习SVGDL模型的字典和分类器的标准超平面和相应的偏置保持不变，按照下式，更新支撑矢量指导字典学习SVGDL模型中的编码向量：

其中，z_i'表示第i个训练样本在支撑矢量指导字典学习SVGDL模型更新后的编码向量，z_i表示第i个训练样本在支撑矢量指导字典学习SVGDL模型的编码向量，arg min表示取最小值操作，表示求2范数的平方操作，x_i表示第i个训练样本，D表示支撑矢量指导字典学习SVGDL模型中的字典，λ₁、λ₂和θ分别表示平衡参数，∑表示求和操作，c表示训练样本的类别，C表示类别总数，表示判别函数，表示一个常数，当y_i＝c时，否则，y_i表示第i个训练样本的标签，u_c表示支撑矢量指导字典学习SVGDL模型中第c类训练样本的分类器的标准超平面，b_c表示支撑矢量指导字典学习SVGDL模型中第c类训练样本的分类器的标准超平面相应的偏置。

第7步，将支撑矢量指导字典学习SVGDL模型的编码向量和分类器的标准超平面和相应的偏置保持不变，按照下式，更新支撑矢量指导字典学习SVGDL模型的字典：

$D^{\′}=\arg min\left|\right|X-DZ|{|}_F^2,s.t.|\left|d_k\right|{|}^2\≤1,\∀k\∈\{1,2,\mathrm{...},K\}$

其中，D'表示支撑矢量指导字典学习SVGDL模型更新后的字典，D表示支撑矢量指导字典学习SVGDL模型的字典，arg min表示取最小值操作，表示求F范数的平方操作，X表示所有的训练样本，Z表示所有样本在支撑矢量指导字典学习SVGDL模型更新后的编码向量，s.t.表示条件约束符号，||·||²表示求2范数的平方操作，d_k表示支撑矢量指导字典学习SVGDL模型的字典的第k个原子，表示任取一个值的操作符号，∈表示属于符号，K表示支撑矢量指导字典学习SVGDL模型的字典的原子总数。

第8步，判断更新后的支撑矢量指导字典学习SVGDL模型的字典与更新前的字典的误差是否小于0.01，若是，则执行第9步；否则，执行第6步。

第9步，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器。

步骤7，测试字典和分类器。

将测试样本输入到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到测试样本的预测标签。

按照下式，计算测试样本的测试正确率：

$b=\frac{size(p=l)}{size\left(l\right)}$

其中，b表示测试样本的测试正确率，size表示求个数的操作，p表示测试样本的预测标签，l表示测试样本的标签。

将降维后的极化SAR图像的邻域特征矩阵输入到训练好支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到极化SAR图像的预测标签。

步骤8，上色。

将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵，将该标签矩阵表示为一幅图像，得到分类后的极化SAR图像。

在分类后的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照三基色上色法进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像。

步骤9，输出分类结果图。

下面结合仿真图对本发明效果做进一步的说明：

1、仿真实验条件：

本发明的仿真实验是在主频2.8GHz的Six-Core AMD Opteron(tm)Processor 2439SE、内存32GB的硬件环境和MATLAB R2012b的软件环境中进行编程实现。

2、仿真结果分析：

图2是本发明的仿真图，其中，图2(a)是本发明仿真实验中使用的极化SAR图像，该图像是美国宇航局喷气推进实验室(NASA/JPL)的AIRSAR系统获取的旧金山San Francisco地区的数据，其位于L波段，是一个四视的全极化数据，大小为1800*1380。该区域包含5类地物：高密度城区(High-Density Urban)、低密度城区(Low-Density Urban)、水域(Water)、植被(Vegetation)和开发区(Developed)。图2(b)是采用现有技术的支持向量机SVM分类方法的仿真结果图；图2(c)是采用现有技术的奇异值分解K-SVD和正交匹配追踪OMP分类方法的仿真结果图；图2(d)是采用现有技术的快速稀疏SVM分类方法的结果图，图2(e)是本发明的仿真结果图。

本发明的仿真实验将待分类的极化合成孔径雷达图像分成5类。

分别将图2(b)、图2(c)、图2(d)和图2(e)对比，可以看出，采用本发明的方法，相比于采用现有技术的支持向量机SVM分类方法、采用现有技术的奇异值分解K-SVD和正交匹配追踪OMP分类方法和采用现有技术的快速稀疏SVM分类方法，区域内错分杂点较少，区域一致性较好。

采用现有技术的支持向量机SVM分类方法、现有技术的奇异值分解K-SVD和正交匹配追踪OMP分类方法、现有技术的快速稀疏SVM分类方法和本发明方法对分类正确率和运行时间进行统计，结果见表1。

表1.四种方法在仿真中得到的分类正确率和运行时间

仿真方法	F1	F2	F3	F4
					分类正确率(％)	87.57	80.50	88.49	93.45
运行时间(s)	746.15	21845.41	549.81	51.27

表中的F1表示采用现有技术的支持向量机SVM分类方法，F2表示采用现有技术的奇异值分解K-SVD和正交匹配追踪OMP分类方法，F3表示采用现有技术的快速稀疏SVM分类方法，F4表示采用本发明方法。

从表1中可以看出，用本发明方法相比于其他三种方法，不仅在精度上有较大的提高，在运行速度上也有大幅度提高，这主要是因为采用了支撑矢量机指导字典学习，使得字典学习收敛速度快，从而提高了图像分类的计算效率。

Claims (6)

1.一种基于邻域信息和SVGDL的极化SAR图像分类方法，包括如下步骤：

(1)输入一幅待分类的极化SAR图像的相干矩阵；

(2)滤波：

采用滤波窗口大小为7*7像素的精致Lee滤波器，对待分类的极化SAR图像的相干矩阵进行滤波，去除斑点噪声，得到滤波后的极化SAR图像的相干矩阵；

(3)提取极化邻域特征：

(3a)对滤波后的极化SAR图像的相干矩阵的每个元素的进行特征分解，得到每个元素的特征值和对应的特征向量；

(3b)采用克劳德Cloude分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到克劳德Cloude分解的2维散射特征向量；

(3c)采用弗里曼-德登Freeman-Durden分解方法，对滤波后的极化SAR图像的相干矩阵的每个元素进行分解，得到弗里曼-德登Freeman-Durden分解的3维散射特征向量；

(3d)采用特征提取方法，对滤波后的极化SAR图像的相干矩阵的每个元素提取9维特征向量；

(3e)将克劳德Cloude分解得到的2维散射特征向量，弗里曼-德登Freeman-Durden分解得到的3维散射特征向量，特征提取方法得到的9维特征向量，组成滤波后的极化SAR图像的相干矩阵的每个元素的14维极化特征向量；将滤波后的极化SAR图像的相干矩阵的所有元素的极化特征向量组成一个14*N的极化特征矩阵，得到极化SAR图像的极化特征矩阵，其中，N表示极化SAR图像中所有像素点的总数；

(3f)采用邻域特征提取方法，从极化SAR图像的极化特征矩阵中提取邻域特征矩阵；

(4)降维：

采用主成分分析PCA算法，对极化SAR图像的邻域特征矩阵进行降维，得到降维后的极化SAR图像的邻域特征矩阵；

(5)选取训练样本和测试样本：

(5a)根据极化SAR图像的实际地物分布，在极化SAR图像的邻域特征矩阵中标记出每类有标签的样本；

(5b)从每类有标签的样本中随机选取5000个样本作为训练样本，将剩余所有的有标签样本作为测试样本；

(6)训练字典和分类器：

采用选择性最小化方法，训练支撑矢量指导字典学习SVGDL模型中的字典和分类器，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器；

(7)测试字典和分类器：

(7a)将测试样本输入到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到测试样本的预测标签；

(7b)按照下式，计算测试样本的测试正确率：

$b=\frac{size(p=l)}{size\left(l\right)}$

其中，b表示测试样本的测试正确率，size表示求个数的操作，p表示测试样本的预测标签，l表示测试样本的标签；

(7c)将降维后的极化SAR图像的邻域特征矩阵输入到训练好支撑矢量指导字典学习SVGDL模型的字典和分类器中，得到极化SAR图像的预测标签；

(8)上色：

(8a)将极化SAR图像的预测标签排列成与待分类的极化SAR图像大小相等的标签矩阵，将该标签矩阵表示为一幅图像，得到分类后的极化SAR图像；

(8b)在分类后的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照三基色上色法进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像；

(9)输出分类结果图。

2.根据权利要求1所述的基于邻域信息和SVGDL的极化SAR图像分类方法，其特征在于：步骤(3b)中所述克劳德Cloude分解方法的具体步骤如下：

第一步，按照下式，计算滤波后的极化SAR图像的相干矩阵的散射熵：

$H=\underset{i=1}{\overset{3}{\Σ}}-P_i{\log }_3{P}_i$

其中，H表示滤波后的极化SAR图像的相干矩阵的散射熵，∑表示求和符号，i表示滤波后的极化SAR图像的相干矩阵的第i个特征值，P_i表示滤波后的极化SAR图像的相干矩阵的第i个特征值与所有特征值总和的比值，log₃表示以3为底的对数操作；

第二步，按照下式，计算滤波后的极化SAR图像的相干矩阵的平均散射角：

$\mathrm{\α}=\underset{i=1}{\overset{3}{\Σ}}{P}_i{\mathrm{\α}}_i$

其中，α表示滤波后的极化SAR图像的相干矩阵的平均散射角，∑表示求和操作，i表示滤波后的极化SAR图像的相干矩阵的第i个特征值，P_i表示滤波后的极化SAR图像的相干矩阵的第i个特征值与所有特征值总和的比值，α_i表示滤波后的极化SAR图像的相干矩阵的第i个特征值对应的平均散射点；

第三步，将克劳德Cloude分解得到的散射熵和平均散射角，表示成一个2*1的向量，得到克劳德Cloude分解的2维散射特征向量。

3.根据权利要求1所述的基于邻域信息和SVGDL的极化SAR图像分类方法，其特征在于：步骤(3c)中所述弗里曼-德登Freeman-Durden分解方法的具体步骤如下：

第一步，按照下式，计算滤波后的极化SAR图像的相干矩阵的表面散射功率：

P_s＝f_s(1+|β|²)

其中，P_s表示滤波后的极化SAR图像的相干矩阵的表面散射功率，f_s表示滤波后的极化SAR图像的相干矩阵的表面散射分量系数，β表示水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射反射系数的比值；

第二步，按照下式，计算滤波后的极化SAR图像的相干矩阵的二面角散射功率：

$P_d=f_d(1+|\frac{R_{gh}{R}_{vh}}{R_{gv}{R}_{vv}}{|}^2)$

其中，P_d表示滤波后的极化SAR图像的相干矩阵的二面角散射功率，f_d表示滤波后的极化SAR图像的相干矩阵的二面角散射分量系数，|·|²表示求绝对值的平方的操作，R_gh表示竖直墙体的水平反射系数，R_vh表示地表的水平反射系数，R_gv表示竖直墙体的垂直反射系数，R_vv表示地表的垂直反射系数；

第三步，按照下式，计算滤波后的极化SAR图像的相干矩阵的体散射功率：

$P_v=\frac{8}{3}{f}_v$

其中，P_v表示滤波后的极化SAR图像的相干矩阵的体散射功率，f_v表示滤波后的极化SAR图像的相干矩阵的体散射分量系数；

第四步，将弗里曼-德登Freeman-Durden分解得到的表面散射功率、二面角散射功率和体散射功率，表示成一个3*1的向量，得到弗里曼-德登Freeman-Durden分解的3维散射特征向量。

4.根据权利要求1所述的基于邻域信息和SVGDL的极化SAR图像分类方法，其特征在于：步骤(3d)中所述的特征提取方法的具体步骤如下：

第一步，将滤波后的极化SAR图像的相干矩阵的每个元素表示成一个3*3的子相干矩阵；

第二步，取一个元素的子相干矩阵的9个数值作为该元素的特征；

第三步，判断是否提取完所有元素的特征，若是，则执行第四步；否则，执行第二步；

第四步，将每个元素的特征表示成一个9*1的向量，得到滤波后的极化SAR图像的相干矩阵的每个元素的9维特征向量。

5.根据权利要求1所述的基于邻域信息和SVGDL的极化SAR图像分类方法，其特征在于：步骤(3f)中所述的邻域特征提取方法的具体步骤如下：

第1步，将极化SAR图像的极化特征矩阵中的一行排列成与待分类的极化SAR图像大小相等的过渡矩阵，将该过渡矩阵表示为一幅图像；

第2步，判断极化SAR图像的极化特征矩阵中的所有的行是否均表示为图像，若是，则执行第3步；否则，执行第1步；

第3步，将极化SAR图像的极化特征矩阵中的所有行表示的图像组成一个图像集合；

第4步，在图像集合中的一幅图像上选取一个大小为7*7像素的滑动窗口，将所选窗口内的所有像素点的值拉成一个49*1维的特征向量；

第5步，从左到右、从上到下依次滑动窗口，得到所选取的图像上所有像素点的特征向量；

第6步，判断是否得到所有图像的全部像素点的特征向量，若是，则执行第7步；否则，执行第4步；

第7步，将所有图像的同一坐标的像素点的特征向量按行组合，得到该像素点的邻域特征向量；

第8步，判断是否得到极化SAR图像的每个像素点的邻域特征向量，若是，执行第9步；否则，执行第7步；

第9步，将极化SAR图像中所有像素点的邻域特征向量组成一个M*N维的邻域特征矩阵，得到极化SAR图像的邻域特征矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示极化SAR图像中所有像素点的总数。

6.根据权利要求1所述的基于邻域信息和SVGDL的极化SAR图像分类方法，其特征在于：步骤(6)中所述的选择性最小化方法的具体步骤如下：

第1步，输入训练样本，从每类训练样本中随机选取60个样本对支撑矢量指导字典学习SVGDL模型中的字典进行初始化，得到初始化的支撑矢量指导字典学习SVGDL模型的字典；

第2步，将支撑矢量指导字典学习SVGDL模型中的编码向量、分类器的标准超平面和标准超平面相应的偏置均初始化为0；

第3步，从所有类别的训练样本中任意选取一类训练样本，将所选取的训练样本的标签设置为1，所选取训练样本之外的其他类别的训练样本的标签设置为-1；

第4步，将支撑矢量指导字典学习SVGDL模型的编码向量和字典保持不变，将所有标签为1和标签为-1的训练样本输入到支撑矢量指导字典学习SVGDL模型的分类器中，得到该类训练样本的分类器；

第5步，判断是否选取完所有类别的训练样本，若是，则执行第6步；否则，执行第3步；

第6步，将支撑矢量指导字典学习SVGDL模型的字典和分类器的标准超平面和相应的偏置保持不变，按照下式，更新支撑矢量指导字典学习SVGDL模型中的编码向量：

其中，z_i'表示第i个训练样本在支撑矢量指导字典学习SVGDL模型更新后的编码向量，z_i表示第i个训练样本在支撑矢量指导字典学习SVGDL模型的编码向量，argmin表示取最小值操作，表示求2范数的平方操作，x_i表示第i个训练样本，D表示支撑矢量指导字典学习SVGDL模型中的字典，λ₁、λ₂和θ分别表示平衡参数，∑表示求和操作，c表示训练样本的类别，C表示类别总数，表示判别函数，表示一个常数，当y_i＝c时，否则，y_i表示第i个训练样本的标签，u_c表示支撑矢量指导字典学习SVGDL模型中第c类训练样本的分类器的标准超平面，b_c表示支撑矢量指导字典学习SVGDL模型中第c类训练样本的分类器的标准超平面相应的偏置；

第7步，将支撑矢量指导字典学习SVGDL模型的编码向量和分类器的标准超平面和相应的偏置保持不变，按照下式，更新支撑矢量指导字典学习SVGDL模型的字典：

$D^{\′}=\arg min\left|\right|X-DZ|{|}_F^2,s.t.|\left|d_k\right|{|}^2\≤1,\∀k\∈\{1,2,...,K\}$

其中，D'表示支撑矢量指导字典学习SVGDL模型更新后的字典，D表示支撑矢量指导字典学习SVGDL模型的字典，argmin表示取最小值操作，表示求F范数的平方操作，X表示所有的训练样本，Z表示所有样本在支撑矢量指导字典学习SVGDL模型更新后的编码向量，s.t.表示条件约束符号，表示求2范数的平方操作，d_k表示支撑矢量指导字典学习SVGDL模型的字典的第k个原子，表示任取一个值的操作符号，∈表示属于符号，K表示支撑矢量指导字典学习SVGDL模型的字典的原子总数；

第8步，判断更新后的支撑矢量指导字典学习SVGDL模型的字典与更新前的字典的误差是否小于0.01，若是，则执行第9步；否则，执行第6步；

第9步，得到训练好的支撑矢量指导字典学习SVGDL模型的字典和分类器。