CN106127221A - 基于极化‑纹理特征与dpl的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于极化‑纹理特征与DPL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图像分类过程中图像信息不全面字典判别性能差而导致的运算时间长、分类效率低的问题。本发明的具体步骤如下：(1)读入极化SAR图像；(2)滤波；(3)构造样本集；(4)稀疏编码；(5)构造邻域特征样本矩阵；(6)归一化邻域特征样本矩阵；(7)选取训练样本和测试样本；(8)训练合成字典和分析字典；(9)测试合成字典和分析字典；(10)上色；(11)输出分类结果图。本发明具有对极化SAR图像分类正确率高和分类效率高的优点。

Description

基于极化-纹理特征与DPL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，更进一步涉及目标识别技术领域中的一种基于极化-纹理特征与对偶字典学习DPL(Dictionary Pair Learning)的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可用于极化SAR图像的地物分类。

背景技术

合成孔径雷达是一种高分辨率成像雷达。由于微波具有穿透特性，不受光线强度的影响，因此合成孔径雷达具有全天时、全天候的工作能力。随着技术的发展，合成孔径雷达逐渐向高分辨、多极化、多通道方向发展。相比于传统的SAR图像，极化SAR能够提供更加丰富的目标信息，有利于确定和理解散射机制，提高目标检测和分类识别的能力。近年来，利用极化SAR数据进行分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。经典的极化合成孔径雷达SAR图像分类方法包括：

电子科技大学在其申请的专利“一种基于Cloude特征分解的极化SAR图像分类方法”(专利申请号：201410341457.9，公开号：CN104123563A)中提出了一种基于Cloude特征分解的极化SAR图像无监督分类方法。该方法首先对极化SAR图像中的每个像素点进行Cloude分解，得到散射熵H和散射角α；然后计算散射熵和散射角的统计直方图，并对直方图进行分割，得到分割阈值；然后将得到的分割阈值作为散射熵和散射角特征构成的二维平面的划分点，对极化SAR图像进行初始划分；最后将得到的初始分类的类中心和类别数输入到Wishart分类器，得到所述极化SAR图像的分类结果。该方法虽然综合了对H和α参数进行直方图分割获得划分的阈值，但是仍然存在的不足之处是，该方法计算量大，耗时长，实现过程复杂。

西安电子科技大学在其申请的专利“基于Cloude分解和K-wishart分布的极化SAR图像分类方法”(专利申请号：201210414789.6，公开号：102999761A)中提出了一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法。该方法首先对图像中的每个像素点进行Cloude分解，得到散射熵H和散射角α；然后根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；最后对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果。这种方法虽然改进了传统的基于H/α极化分解的分类方法，但是仍然存在的不足之处是，这两个特征不足以表示所有的极化信息，所以仍有许多区域划分错误，没有考虑极化SAR图像的纹理特征，导致区域内杂点较多，区域一致性较差。

发明内容

本发明的目的是克服上述现有技术的不足，提供一种基于多特征编码和对偶字典的极化SAR图像分类方法。本发明与现有技术中其他极化合成孔径雷达SAR图像分类技术相比利用了更加丰富的极化信息，从而使得计算量降低，耗时短，分类精度有所提高。

本发明实现上述目的的思路是：先对极化合成孔径雷达SAR图像进行滤波，再从滤波后的极化SAR图像中提取每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量，将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成这个像素点的特征向量，再将所有像素点的特征向量组成一个样本集，对样本集进行稀疏编码，得到稀疏表示系数矩阵，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量，将所有像素点的邻域特征向量组成一个邻域特征样本矩阵，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵，从归一化后的邻域特征样本矩阵中随机选取训练样本和测试样本，输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典，输入测试样本，对训练好的合成字典和分析字典进行测试，得到测试正确率，将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测标签，对得到的整幅图像的预测标签进行上色，得到上色后的分类结果图。

本发明实现的具体步骤包括如下：

(1)读入极化SAR图像；

(2)滤波：

采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像；

(3)构造样本集：

(3a)采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量；

(3b)采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量；

(3c)采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量；

(3d)将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量；

(3e)将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；

(4)稀疏编码：

采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵；

(5)构造邻域特征样本矩阵：

(5a)采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量；

(5b)将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；

(6)归一化邻域特征样本矩阵：

采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵；

(7)选取训练样本和测试样本：

从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本；

(8)训练合成字典和分析字典；

(8a)输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典；

(8b)采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典；

(9)测试合成字典和分析字典：

(9a)将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别；

(9b)按照下式，计算测试样本的测试正确率：

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

其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别；

(9c)将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别；

(10)上色：

根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图；

(11)输出分类结果图。

本发明与现有技术相比具有以下优点：

第一，由于本发明在构造样本集时采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量，充分利用了极化散射信息，克服了现有技术中对待分类的极化SAR图像信息单一不全面的问题，使得本发明对不同的极化SAR图像信息具有更强的表征能力。

第二，由于本发明在构造样本集时采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量，克服了现有极化SAR分类方法中没有考虑纹理特征信息导致极化SAR图像分类中区域一致性较差的问题，使得本发明提高了极化SAR图像分类的区域一致性。

第三，由于本发明在训练合成字典和分析字典时采用对偶字典学习方法，训练初始化的合成字典和分析字典，充分利用了类别标签信息，克服了现有技术中字典学习没有利用类别信息，导致字典判别性能差，运算时间长的问题，使得本发明提高了极化SAR图像地物分类的正确率，减少了运算时间，进而提高了极化SAR图像地物分类的分类效率。

附图说明

图1是本发明的流程图；

图2是本发明仿真图。

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，本发明实现的具体步骤如下：

步骤1，读入极化SAR图像。

步骤2，滤波。

采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像。

步骤3，构造样本集。

极化SAR图像的每个像素点是一个3*3维的相干矩阵，其中，对角线上元素为实数，其余元素均为复数。

采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量。

特征提取方法的具体操作步骤如下：

第一步，从滤波后的极化SAR图像中的任意一个像素点3*3维的相干矩阵中，取出上三角三个元素的实部和虚部以及对角线上三个元素，将取出的9个元素作为该像素点的9个特征；

第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的特征，若是，则执行第三步；否则，执行第一步；

第三步，将每个像素点的特征拉成一个9*1维的向量，得到滤波后的极化SAR图像中每个像素点的原始特征向量。

采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量。

极化SAR目标分解方法包括Pauli分解方法、Yamaguchi分解方法和Cloude分解方法。

极化SAR目标分解方法的具体操作步骤如下：

第一步，根据极化SAR图像Pauli分解方法，用一组Pauli矩阵表示极化SAR图像中任意一个像素点的散射矩阵，在不同的散射机制下，对应不同的Pauli矩阵，用各Pauli矩阵分解极化SAR图像中的散射矩阵时的系数，得到的3个分解特征数据，根据极化SAR图像Yamaguchi分解方法，用不同散射系数表示极化SAR图像中任意一个像素点的散射矩阵，得到的4个分解特征数据，根据极化SAR图像Cloude分解方法，用不同极化基表示极化SAR图像中任意一个像素点的散射矩阵，在散射熵和散射角度变化过程中，得到的11个分解特征数据，共得到滤波后的极化SAR图像中一个像素点18个分解特征数据，作为滤波后的极化SAR图像中该像素点的极化目标分解特征向量；

第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的极化目标分解特征向量，若是，则执行第三步；否则，执行第一步；

第三步，将每个像素点的特征拉成一个18*1维的向量，得到滤波后的极化SAR图像中每个像素点的极化目标分解特征向量。

采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量。

灰度共生矩阵方法具体操作步骤如下：

第一步，根据纹理特征公式，计算滤波后的极化SAR图像中的任意一个像素点及其水平方向上相邻像素点组成的像素点对的对比度，差异性，熵，同质性，平均值，均匀性，以及该像素点及其垂直方向上相邻像素点组成的像素点对的对比度，差异性，同质性，得到滤波后的极化SAR图像中一个像素点9个纹理特征数据，作为滤波后的极化SAR图像中该像素点的纹理特征向量；

第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的纹理特征向量，若是，则执行第三步；否则，执行第一步；

第三步，将每个像素点的特征拉成一个9*1维的向量，得到滤波后的极化SAR图像中每个像素点的纹理特征向量。

将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量。

将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数。

步骤4，稀疏编码。

采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵。

整幅图像的像素点的特征作为样本集。将该样本集作为ICA算法中的混合信号X；用ICA算法进行稀疏编码，得到测试样本集的稀疏表示系数矩阵S，S是一个m*N维的矩阵，其中，m表示每个像素点的编码的维数，N表示滤波后的极化SAR图像中所有像素点的总数。

步骤5,构造邻域特征样本矩阵。

采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量。

邻域特征提取方法的具体操作步骤如下：

第一步，将稀疏表示系数矩阵中的一行排列成与原输入图像大小相等的矩阵，将该矩阵表示为一幅稀疏编码后的图像；

第二步，判断稀疏表示系数矩阵中的所有的行是否均表示为稀疏编码后的图像，若是，则执行第三步；否则，执行第一步；

第三步，在任意一幅稀疏编码后的图像上选取一个大小为5*5像素的滑动窗口，将所选窗口中所有像素点的值拉成一个25*1维的特征向量；从左到右、从上到下依次滑动窗口，得到该稀疏编码后的图像上所有像素点的特征向量；

第四步，判断是否得到所有稀疏编码后的图像的所有像素点的特征向量，若是，则执行第五步；否则，执行第三步；

第五步，将所有稀疏编码后的图像的同一位置上的像素点的特征向量按列组合，得到滤波后的极化SAR图像中该位置上的像素点的邻域特征矩阵；

第六步，判断是否得到滤波后的极化SAR图像中所有位置上的像素点的邻域特征矩阵，若是，执行第七步；否则，执行第五步；

第七步，将滤波后的极化SAR图像中每个位置上的像素点的邻域特征矩阵拉成一个M*1的向量，得到滤波后的极化SAR图像中该位置上的像素点的邻域特征向量，其中，M表示每个像素点的邻域特征向量的维数。

将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数。

步骤6，归一化邻域特征样本矩阵。

采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵。

平方和归一化方法的具体操作如下：

第一步，任意选取邻域特征样本矩阵中的一列；

第二步，按照下式，对所选取的列进行归一化操作：

$y_i=\frac{x_i}{\sqrt{\underset{i=1}{\overset{M}{\Σ}}{x}_i^2}}$

其中，y_i表示所选取列的第i个特征值归一化后的结果，i＝1,2,3,…,M，M表示每个像素点的邻域特征向量的维数，x_i表示所选取列的第i个特征值，表示开方操作，Σ表示求和操作；

第三步，判断邻域特征样本矩阵的所有列是否选取完，若是，执行第四步；否则，执行第一步；

第四步，将归一化后的所有的列按行组合，得到归一化后的邻域特征样本矩阵。

步骤7，选取训练样本和测试样本。

从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本。

步骤8，训练合成字典和分析字典。

输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典。

采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典，

对偶字典学习方法的具体操作步骤如下：

第一步，将初始化的合成字典和分析字典固定，按照下式，更新变量矩阵：

$A^{*}=\arg \underset{A}{\min }\underset{k=1}{\overset{K}{\Σ}}\left|\right|X_k-D_k{A}_k|{|}_F^2+\mathrm{\τ}||P_k{X}_k-A_k|{|}_F^2$

其中，A^*表示更新后的变量矩阵，argmin表示取最小值操作，X_k表示第k类的训练样本，D_k表示第k类的合成字典，P_k表示第k类的分析字典，A_k表示第k类的变量矩阵，k表示样本的类别，K表示类别总数，Σ表示求和操作，‖‖_F表示求F-范数操作，τ表示超参数；

第二步，将变量矩阵固定，按照下式，更新分析字典：

$P^{*}=\arg \underset{P}{\min }\underset{k=1}{\overset{K}{\Σ}}\mathrm{\τ}\left|\right|P_k{X}_k-A_k|{|}_F^2+\mathrm{\λ}|\left|P_k{\stackrel{\‾}{X}}_k\right|{|}_F^2$

其中，P^*表示更新后的分析字典，arg min表示取最小值操作，X_k表示第k类的训练样本，表示第k类训练样本的补矩阵，P_k表示第k类的分析字典，A_k表示第k类的变量矩阵，k表示样本的类别，K表示类别总数，Σ表示求和操作，‖‖_F表示求F-范数操作，τ表示超参数，λ表示超参数。

按照下式，更新合成字典：

$\begin{array}{cc}{D}^{*}=\arg \underset{D}{\min }\underset{k=1}{\overset{K}{\Σ}}\left|\right|X_k-D_k{A}_k|{|}_F^2,& s.t.\left|\right|d_j|{|}_2^2\≤1\end{array}$

其中，D^*表示更新后的合成字典，arg min表示取最小值操作，X_k表示第k类的训练样本，D_k表示第k类的合成字典，A_k表示第k类的变量矩阵，k表示样本的类别，K表示类别总数，d_j表示合成字典的第j个原子，j表示原子的序号，s.t.表示受到条件的约束，Σ表示求和操作，‖‖_F表示求F-范数操作，‖‖₂表示求L2-范数操作；

第三步，若结果收敛，执行第四步；否则，执行第一步；

第四步，停止更新，得到训练好的合成字典和分析字典。

步骤9，测试合成字典和分析字典。

将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别。

按照下式，计算测试样本的测试正确率：

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

其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别。

将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别。

步骤10，上色。

根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图。

步骤11，输出分类结果图。

下面结合仿真图对本发明的效果做进一步的说明。

1、仿真条件。

本发明的仿真实验是在主频3.2GHz的Inter(R)Core(TM)i5-3470CPU、内存4GB的硬件环境和MATLAB R2015a的软件环境下进行的。

2、仿真内容与结果分析。

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15类。

图2是本发明仿真图，其中图2(a)是本发明仿真实验中使用的极化SAR伪彩色图像，该图像是美国宇航局喷气推进实验室(NASA/JPL)的AIRSAR系统获取的荷兰Flevoland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750*1024，分辨率为12.1m*6.7m。该区域包含15类地物：水域(Water)、豌豆(Peas)、甜菜(Beet)、苜蓿(Lucerne)、大豆(StemBeans)、油菜(Rapeseed)、森林(Forest)、裸地(Bare Soil)、草地(Grass)、小麦(Wheat A、Wheat B、Wheat C)、建筑物(Building)、番茄(Potatoes)和空地(Barely)。图2(b)是仿真图的标记结果图；图2(c)是采用基于原始极化特征的对偶字典学习分类方法的仿真结果图；图2(d)是采用支持向量机SVM的分类方法的仿真结果图；图2(e)是本发明的仿真结果图。

分别对比图2(c)、图2(d)和图2(e)可以看出，采用本发明的方法，相比于采用现有技术的基于原始极化特征的对偶字典学习分类方法，当结合极化SAR图像的极化特征信息和纹理特征信息后，每种农作物之间界限清楚，区域内错分点较少，地物划分更加平滑，区域一致性较好，测试正确率有大幅提高。与采用现有技术的支持向量机SVM分类方法相比，测试时间大幅下降，并且测试正确率有所提高。

采用基于原始极化特征的对偶字典学习分类方法、采用支持向量机SVM分类方法、和本发明方法对测试正确率，训练时间和测试时间进行统计，结果见表1。其中F1是采用基于原始极化特征的对偶字典学习分类方法，F2是采用支持向量机SVM分类方法，F3是本发明方法。

从表1中可以看出，用本发明方法相比于其他两种方法，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，这主要是因为投影对偶字典学习联合训练合成字典和分析字典，这不仅利用了标签信息，相比于其他传统的字典学习更加有判别性，并且保证了表示系数可以以简单的线性投影方式近似表示，从而缩短运行时间。

表1.三种方法在仿真中得到的分类正确率和运行时间表

仿真算法	测试正确率(％)	训练时间(s)	测试时间(s)
				F1	92.3	5.506	1.921
F2	96.9	1.426	33.571
				F3	97.2	7.297	6.449

Claims (6)

1.一种基于极化-纹理特征与DPL的极化SAR图像分类方法，包括如下步骤：

(1)读入极化SAR图像；

(2)滤波：

采用滤波窗口大小为11*11像素的精致Lee滤波器，对极化SAR图像中的所有像素点进行滤波，得到滤波后的极化SAR图像；

(3)构造样本集：

(3a)采用特征提取方法，从滤波后的极化SAR图像中提取每个像素点的原始特征向量；

(3b)采用极化SAR目标分解方法，从滤波后的极化SAR图像中提取每个像素点的极化目标分解特征向量；

(3c)采用灰度共生矩阵方法，从滤波后的极化SAR图像中提取每个像素点的纹理特征向量；

(3d)将每个像素点的原始特征向量，极化目标分解特征向量和纹理特征向量组成该像素点的特征向量；

(3e)将所有像素点的特征向量组成一个S*N维的样本集，其中，S表示每个像素点的特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；

(4)稀疏编码：

采用独立成分分析ICA算法，对样本集进行稀疏编码，得到稀疏表示系数矩阵；

(5)构造邻域特征样本矩阵：

(5a)采取邻域特征提取方法，从稀疏表示系数矩阵中提取每个像素点的邻域特征向量；

(5b)将所有像素点的邻域特征向量组成一个M*N维的邻域特征样本矩阵，其中，M表示每个像素点的邻域特征向量的维数，N表示滤波后的极化SAR图像中所有像素点的总数；

(6)归一化邻域特征样本矩阵：

采用平方和归一化方法，对邻域特征样本矩阵进行归一化操作，得到归一化后的邻域特征样本矩阵；

(7)选取训练样本和测试样本：

从归一化后的邻域特征样本矩阵中随机选取5％的样本作为训练样本，将剩余95％的样本作为测试样本；

(8)训练合成字典和分析字典；

(8a)输入训练样本，对合成字典和分析字典进行初始化，得到初始化的合成字典和分析字典；

(8b)采用对偶字典学习方法，训练初始化的合成字典和分析字典，得到训练好的合成字典和分析字典；

(9)测试合成字典和分析字典：

(9a)将测试样本输入到训练好的合成字典和分析字典中，得到测试样本的预测类别；

(9b)按照下式，计算测试样本的测试正确率：

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

其中，a表示测试样本的测试正确率，size(p＝＝l)表示求p和l的值相等的个数的操作，size(l)表示求标记类别的个数的操作，p表示测试样本的预测类别，l表示测试样本的标记类别；

(9c)将归一化后的邻域特征样本矩阵输入到训练好的合成字典和分析字典中，得到整幅图像的预测类别；

(10)上色：

根据红，蓝，绿三基色原理，对整幅图像的预测类别，用同一种颜色对相同预测类别的像素点进行上色，得到上色后的分类结果图；

(11)输出分类结果图。

2.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(3a)中所述的特征提取方法的具体步骤如下：

第一步，从滤波后的极化SAR图像中的任意一个像素点3*3维的相干矩阵中，取出上三角三个元素的实部和虚部以及对角线上三个元素，将取出的9个元素作为该像素点的9个特征；

第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的特征，若是，则执行第三步；否则，执行第一步；

第三步，将每个像素点的特征拉成一个9*1维的向量，得到滤波后的极化SAR图像中每个像素点的原始特征向量。

3.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(3b)中所述的极化SAR目标分解方法的具体步骤如下：

第一步，根据极化SAR图像Pauli分解方法得到的3个分解特征数据，Yamaguchi分解方法得到的4个分解特征数据，以及Cloude分解方法得到的11个分解特征数据，得到滤波后的极化SAR图像中一个像素点18个分解特征数据，作为滤波后的极化SAR图像中该像素点的极化目标分解特征向量；

第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的极化目标分解特征向量，若是，则执行第三步；否则，执行第一步；

第三步，将每个像素点的特征拉成一个18*1维的向量，得到滤波后的极化SAR图像中每个像素点的极化目标分解特征向量。

4.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(3c)中所述的灰度共生矩阵方法的具体步骤如下：

第一步，根据纹理特征公式，计算滤波后的极化SAR图像中的任意一个像素点及其水平方向上相邻像素点组成的像素点对的对比度，差异性，熵，同质性，平均值，均匀性，以及该像素点及其垂直方向上相邻像素点组成的像素点对的对比度，差异性，同质性，得到滤波后的极化SAR图像中一个像素点9个纹理特征数据，作为滤波后的极化SAR图像中该像素点的纹理特征向量；

第二步，判断是否提取完滤波后的极化SAR图像中所有像素点的纹理特征向量，若是，则执行第三步；否则，执行第一步；

第三步，将每个像素点的特征拉成一个9*1维的向量，得到滤波后的极化SAR图像中每个像素点的纹理特征向量。

5.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(5a)中所述的邻域特征提取方法的具体步骤如下：

第一步，将稀疏表示系数矩阵中的一行排列成与原输入图像大小相等的矩阵，将该矩阵表示为一幅稀疏编码后的图像；

第二步，判断稀疏表示系数矩阵中的所有的行是否均表示为稀疏编码后的图像，若是，则执行第三步；否则，执行第一步；

第三步，在任意一幅稀疏编码后的图像上选取一个大小为5*5像素的滑动窗口，将所选窗口中所有像素点的值拉成一个25*1维的特征向量；从左到右、从上到下依次滑动窗口，得到该稀疏编码后的图像上所有像素点的特征向量；

第四步，判断是否得到所有稀疏编码后的图像的所有像素点的特征向量，若是，则执行第五步；否则，执行第三步；

第五步，将所有稀疏编码后的图像的同一位置上的像素点的特征向量按列组合，得到滤波后的极化SAR图像中该位置上的像素点的邻域特征矩阵；

第六步，判断是否得到滤波后的极化SAR图像中所有位置上的像素点的邻域特征矩阵，若是，执行第七步；否则，执行第五步；

第七步，将滤波后的极化SAR图像中每个位置上的像素点的邻域特征矩阵拉成一个M*1的向量，得到滤波后的极化SAR图像中该位置上的像素点的邻域特征向量，其中，M表示每个像素点的邻域特征向量的维数。

6.根据权利要求1所述的基于极化-纹理特征与DPL的极化SAR图像分类方法，其特征在于：步骤(6)中所述的平方和归一化方法的具体步骤如下：

第一步，任意选取邻域特征样本矩阵中的一列；

第二步，按照下式，对所选取的列进行归一化操作：

$y_i=\frac{x_i}{\sqrt{\underset{i=1}{\overset{M}{\Σ}}{x}_i^2}}$

其中，y_i表示所选取列的第i个特征值归一化后的结果，i＝1,2,3,…,M，M表示每个像素点的邻域特征向量的维数，x_i表示所选取列的第i个特征值，表示开方操作，Σ表示求和操作；

第三步，判断邻域特征样本矩阵的所有列是否选取完，若是，执行第四步；否则，执行第一步；

第四步，将归一化后的所有的列按行组合，得到归一化后的邻域特征样本矩阵。