本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及極化合成孔徑雷達(dá)圖像分類，可用于圖像目標(biāo)檢測以及圖像目標(biāo)分類與識別。

背景技術(shù)：
隨著雷達(dá)技術(shù)的日益發(fā)展，極化SAR已成為SAR的發(fā)展趨勢，極化SAR能夠得到更豐富的目標(biāo)信息。極化SAR圖像的理解和解譯涉及信號處理，模式識別等眾多學(xué)科。極化SAR圖像分類作為極化SAR圖像處理的基本問題之一，為極化SAR圖像后期的識別奠定基礎(chǔ)?，F(xiàn)有的極化SAR圖像分類可以分為無監(jiān)督聚類和有監(jiān)督分類兩類。無監(jiān)督聚類方法包括：Cloude等人提出的利用散射熵，散射角以及逆熵的閾值來劃分類別以及Freeman等人提取每個像素的三種散射功率，按所占比重對圖像進(jìn)行分類。以上這兩種方法所用的閾值均需要人為確定，代價大且過于武斷。有監(jiān)督分類方法包括：Kong等人提出的利用數(shù)據(jù)的統(tǒng)計信息對極化SAR圖像進(jìn)行分類，這種方法對數(shù)據(jù)分布有嚴(yán)格要求；Hellmann等人提出的利用神經(jīng)網(wǎng)絡(luò)分類器來進(jìn)行分類，這種方法的收斂速度慢，且容易陷入局部最優(yōu)。同時，由于極化SAR圖像真實地物標(biāo)簽很難獲得，使得人工定義標(biāo)簽的代價大且不準(zhǔn)確。

技術(shù)實現(xiàn)要素：
本發(fā)明目的在于克服上述已有技術(shù)的缺點，提出了一種基于Freeman熵和自學(xué)習(xí)的極化SAR圖像精細(xì)分類方法，以自動獲得訓(xùn)練樣本標(biāo)簽，提高分類精度。為實現(xiàn)上述目的，本發(fā)明的極化SAR圖像分類方法，包括如下步驟：（1）對極化SAR圖像G的所有像素點進(jìn)行特征值分解；（2）對每個像素點分別得到的三個大小不同的特征值λ1,λ2,λ3且λ1≥λ2≥λ3；（3）對極化SAR圖像G的所有像素點進(jìn)行Freeman分解，得到每個像素點的三種散射功率Pv,Ps,Pd，其中，Pv表示體散射功率，Ps表示表面散射功率，Pd表示二面角散射功率；（4）取每個像素點的三個特征值λ1,λ2,λ3及體散射功率Pv，構(gòu)成每個像素點的特征向量[λ1,λ2,λ3,Pv]，用所有像素點的特征構(gòu)成特征矩陣X；（5）從特征矩陣X中隨機采樣m個點，構(gòu)造特征子集Xm＝{xj|j＝1,...,m}，其中，xj是第j個采樣點的特征，并利用馬氏距離對特征子集Xm構(gòu)造相似度矩陣W；5a)根據(jù)特征子集Xm中第j個采樣點的特征利用馬氏距離構(gòu)造相似度矩陣wj：其中，xj表示特征子集Xm中第j個采樣點的特征，xp表示特征子集Xm中第p個采樣點的特征，Cm是特征子集Xm的協(xié)方差矩陣；5b)根據(jù)第j個采樣點相似度矩陣wj，構(gòu)造特征子集Xm的相似度矩陣W：W＝[w1,...,wj,...,wm]；（6）根據(jù)特征子集Xm的相似度矩陣W，利用NJW譜聚類算法，對特征子集Xm進(jìn)行聚類，得到特征子集Xm的初始聚類標(biāo)簽Y；（7）對特征子集Xm和初始聚類標(biāo)簽標(biāo)簽Y進(jìn)行學(xué)習(xí)，訓(xùn)練一個支撐矢量機SVM分類器；（8）用訓(xùn)練的支撐矢量機SVM對特征矩陣X進(jìn)行分類，得到SVM分類結(jié)果標(biāo)簽Y′；（9）根據(jù)SVM分類結(jié)果標(biāo)簽Y′，利用每個像素點的特征值λ1對特征矩陣X進(jìn)行馬爾可夫隨機場迭代，得到優(yōu)化的分類結(jié)果標(biāo)簽Y′′；（10）根據(jù)每個像素點的三種散射功率Pv,Ps,Pd，計算每個像素點的Freeman散射熵Hp；(11)根據(jù)優(yōu)化分類結(jié)果標(biāo)簽Y′′，取出標(biāo)記為海洋的像素點，利用Freeman散射熵Hp對標(biāo)記為海洋的像素點進(jìn)行NJW譜聚類，得到最終地物類別標(biāo)記。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：1.本發(fā)明利用NJW譜聚類算法得到采樣子集的標(biāo)簽，解決了極化SAR圖像真實地物標(biāo)簽難獲取的問題；2.本發(fā)明利用馬氏距離構(gòu)造相似度矩陣和核函數(shù)，與傳統(tǒng)的歐氏距離相比，考慮了特征之間的相關(guān)性，同時省去了高斯核函數(shù)的度量，因此不再需要調(diào)試核參數(shù)σ，使得分類算法具有自適應(yīng)性且操作方便；3.通過二次精細(xì)分類，能夠有效解決海洋和山體陰影混淆的問題，并能對具有混合散射的小目標(biāo)區(qū)域進(jìn)行劃分。附圖說明圖1本發(fā)明的流程圖；圖2是現(xiàn)有極化SAR圖像SanFranciscoBay的RGB合成圖；圖3是現(xiàn)有極化SAR圖像Hiroshima的RGB合成圖；圖4是本發(fā)明與現(xiàn)有兩種方法對圖2的分類仿真結(jié)果；圖5是本發(fā)明與現(xiàn)有兩種算法對圖3的分類仿真結(jié)果圖。具體實施方式參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：步驟1：對極化SAR圖像G的所有像素點進(jìn)行特征值分解。極化SAR數(shù)據(jù)的每個像素點的信息由大小為3×3的極化相干矩陣T表示。由于矩陣的特征值最能代表矩陣包含的信息，所以利用MATLAB的eigs函數(shù)對每個像素點的極化相干矩陣T進(jìn)行特征分解，分解表達(dá)式如下；其中，U3為極化相干矩陣T特征值分解的特征向量，λ1,λ2,λ3為極化相干矩陣T進(jìn)行特征值分解得到的大小不同的特征值，其排序為λ1≥λ2≥λ3。步驟2：對極化SAR圖像G的所有像素點進(jìn)行Freeman分解。2a）極化SAR數(shù)據(jù)的每個像素點的信息由大小為3×3的極化協(xié)方差矩陣C表示：其中，H表示水平極化，V表示垂直極化，SHH表示水平向發(fā)射和水平向接收的回波數(shù)據(jù)，SVV表示垂直向發(fā)射和垂直向接收的回波數(shù)據(jù)，SHV表示水平向發(fā)射垂直向接收的回波數(shù)據(jù)，*表示數(shù)據(jù)的共軛，表示按視數(shù)平均；2b）協(xié)方差矩陣C分解成如下表達(dá)式：其中，為表面散射分量的協(xié)方差矩陣，為二面角散射分量的協(xié)方差矩陣，為體散射分量的協(xié)方差矩陣，fs為平面散射分量的分解系數(shù)，fd為二面角散射分量的分解系數(shù)，fv為體散射分量的分解系數(shù)，β是水平發(fā)射水平接收后向散射反射系數(shù)與垂直發(fā)射垂直接收后向散射發(fā)射系數(shù)的比值，α被定義為α＝RghRvhRgvRvv，Rgh和Rgv分別表示地表的水平及垂直反射系數(shù)，Rvh和Rvv表示豎直墻體的水平及垂直反射系數(shù)；2c）將式2）中矩陣的元素與式1）中協(xié)方差矩陣C的元素相對應(yīng)，獲得一個具有五個未知數(shù)fs,fv,fd,α,β和四個方程的方程組如下：2d)計算像素點協(xié)方差矩陣C中的的值并判斷正負(fù)，如果則α＝-1，如果則β＝1，給定α或β的值后，剩余的4個未知數(shù)則可根據(jù)式3)求解得出，其中Re(·)表示取實部；2e)根據(jù)求解出的fs,fv,fd,α,β，按照公式4)求解出散射功率Pv,Pd,Ps：其中，Ps表示表面散射功率，Pd表示二面角散射功率，Pv表示體散射功率。步驟3：取每個像素點的三個特征值λ1,λ2,λ3及體散射功率Pv，構(gòu)成每個像素點的特征向量[λ1,λ2,λ3,Pv]，用所有像素點的特征構(gòu)成特征矩陣X＝{xi|i＝1,...,M}，M為極化SAR圖像G包含的像素點數(shù)，xi表示第i個像素點的特征，即步驟4：從特征矩陣X中隨機采樣m個點，構(gòu)造特征子集Xm＝{xj|j＝1,...,m}，xj為第j個采樣點的特征，即步驟5：利用馬氏距離對特征子集Xm構(gòu)造相似度矩陣W。5a)根據(jù)特征子集Xm中第j個采樣點的特征利用馬氏距離構(gòu)造第j個采樣點的相似度矩陣wj：其中，xj表示特征子集Xm中第j個采樣點的特征，xp表示特征子集Xm中第p個采樣點的特征，Cm表示特征子集Xm的協(xié)方差矩陣，m為采樣點個數(shù)；5b)根據(jù)第j個采樣點相似度矩陣wj，構(gòu)造特征子集Xm的相似度矩陣W：W＝[w1,...,wj,...,wm]。步驟6：根據(jù)特征子集Xm的相似度矩陣W，利用NJW譜聚類算法，對特征子集Xm進(jìn)行聚類，得到特征子集Xm的初始聚類標(biāo)簽Y。6a)計算相似性矩陣W的拉普拉斯矩陣L＝D-1/2WD-1/2,其中D為相似度矩陣W的度矩陣，D＝{d1,...,dj,...,dm}，其中wjt為相似度矩陣W第j行第t列元素；6b)對拉普拉斯矩陣L進(jìn)行特征值分解，對得到的特征值按照由大到小的順序排序，取前c個特征值所對應(yīng)的特征向量其中是λ′的第j個元素，是φ的第j個列向量，c為極化SAR圖像包含的地物類別數(shù)，本實例中SanFranciscoBay數(shù)據(jù)取c＝4，Hiroshima數(shù)據(jù)取c＝2；6c）對特征向量進(jìn)行K均值聚類，得到特征子集Xm的初始聚類標(biāo)簽Y＝{y1,...,yj,...,ym}，yj是特征子集Xm中第j個采樣點的標(biāo)簽。步驟7：根據(jù)特征子集Xm和初始聚類標(biāo)簽Y進(jìn)行學(xué)習(xí)，訓(xùn)練支撐矢量機分類器SVM。7a)在0≤ai≤1的條件下，求解誤差函數(shù)使Q(a)達(dá)到最小，得到的參數(shù)a的最優(yōu)解a*，其中，yi是特征子集Xm中第i個采樣點的標(biāo)簽，yq是特征子集Xm中第q個采樣點的標(biāo)簽，a∈Rm×1，ai是a的第i個元素，aq是a的第q個元素；7b）計算支撐矢量機SVM的超分界面并取b*的第一個分量為作為SVM分類器參數(shù)。步驟8：用訓(xùn)練的支撐矢量機分類器SVM對特征矩陣X進(jìn)行分類，得到分類結(jié)果標(biāo)簽Y′。8a)對特征矩陣X中的第i個像素點，利用馬氏距離構(gòu)造核函數(shù)為：其中，xi表示特征總集X中第i個像素點的特征，xq表示特征總集X中第q個像素點的特征，C是特征總集X的協(xié)方差矩陣，M表示特征總集X中包含的像素點數(shù)；8b）根據(jù)第i個像素點的核函數(shù)K(xi,xq)，計算第i個像素點目標(biāo)函數(shù)值：其中，sign()為符號函數(shù)；8c）將得到的目標(biāo)函數(shù)值f(xi)作為第i個像素點的分類標(biāo)簽；8d）根據(jù)第i個像素點的分類標(biāo)簽，得到一個新的SVM分類結(jié)果標(biāo)簽Y′,即：步驟9：根據(jù)新的SVM分類結(jié)果標(biāo)簽Y′，利用每個像素點的特征值λ1對特征矩陣X進(jìn)行馬爾可夫隨機場迭代，得到優(yōu)化的分類結(jié)果標(biāo)簽Y′′。9a)根據(jù)SVM分類結(jié)果標(biāo)簽Y′，得到圖像參數(shù)θl＝{μl,σl}，其中，μl是第l類區(qū)域中所有像素點的特征值λ1的均值，σl是第l類區(qū)域中所有像素點的特征值λ1的標(biāo)準(zhǔn)方差；9b)由圖像參數(shù)θl和上次迭代得到的類別標(biāo)簽，采用條件迭代模式方法，計算第i個像素點最大可能的類別，構(gòu)成本次迭代類別標(biāo)簽9c)判斷是否達(dá)到了最高迭代次數(shù)N，取N＝8：如果滿足，則將第8次迭代類別標(biāo)簽z′′作為優(yōu)化分類結(jié)果標(biāo)簽Y′′，即：否則返回步驟9a)，進(jìn)行下一次迭代。步驟10：根據(jù)每個像素點的三種散射功率Pv,Ps,Pd，計算每個像素點的Freeman散射熵Hp：其中，步驟11：根據(jù)優(yōu)化分類結(jié)果標(biāo)簽Y′′，利用Freeman散射熵Hp對標(biāo)記為海洋的像素點進(jìn)行NJW譜聚類，得到最終地物類別標(biāo)記。11a）利用MATLAB的find函數(shù)，從優(yōu)化分類結(jié)果標(biāo)簽Y′′中取出標(biāo)記為海洋的像素點；11b）利用Freeman散射熵Hp對標(biāo)記為海洋的像素點進(jìn)行NJW譜聚類，將優(yōu)化分類結(jié)果標(biāo)簽Y′′中標(biāo)記為海洋的像素點精細(xì)化分為海洋，陰影以及具有混合散射的區(qū)域，作為最終的地物類別標(biāo)記。本發(fā)明效果可以通過以下實驗進(jìn)一步證實：1、實驗條件設(shè)置實驗仿真環(huán)境為：本發(fā)明的仿真在windowsXPProfessional，SPI，CPU基本頻率為2.33GHZ，軟件平臺為Matlab2012a運行。實驗方法：分別為本發(fā)明方法與現(xiàn)有的Nystrom譜聚類方法以及SVM方法，其中Nystrom譜聚類方法通過采樣點對剩余點進(jìn)行逼近獲得聚類結(jié)果，SVM方法通過手動標(biāo)記采樣點的標(biāo)簽來訓(xùn)練支撐矢量機，完成對測試樣本的分類。實驗數(shù)據(jù)：本發(fā)明使用兩組極化SAR數(shù)據(jù)做測試使用。圖2為第一組是美國舊金山地區(qū)SanFranciscoBay數(shù)據(jù)，圖像大小為900×1024，視數(shù)為四，實驗中，隨機采樣點數(shù)為100,Hp閾值取0.6。圖3為第二組是日本Hiroshima地區(qū)數(shù)據(jù)，圖像大小1100×200，視數(shù)為四，實驗中，隨機采樣點數(shù)為80，Hp閾值取0.65。2、實驗內(nèi)容及結(jié)果分析實驗一，用本發(fā)明方法與現(xiàn)有的Nystrom譜聚類方法以及SVM方法對圖2所示SanFranciscoBay數(shù)據(jù)進(jìn)行分類仿真，分類結(jié)果見圖4，其中，圖4(a)為本發(fā)明方法分類結(jié)果，圖4(b)是Nystrom譜聚類方法的分類結(jié)果，圖4(c)為SVM方法的分類結(jié)果。從圖4(a)可見，本發(fā)明分類結(jié)果雜點少，能將山體中的陰影部分（圓圈標(biāo)記，以及混合散射區(qū)域例如沙灘（橢圓標(biāo)記）和跑馬場（方框標(biāo)記）這些小目標(biāo)地物精細(xì)劃分出來。從圖4(b)可見，Nystrom譜聚類方法的分類結(jié)果中地物為城區(qū)的部分錯分嚴(yán)重。從圖4(c)可見，SVM方法的分類結(jié)果雜點多，小目標(biāo)丟失嚴(yán)重。實驗二，用本發(fā)明方法與現(xiàn)有的Nystrom譜聚類方法以及SVM方法對圖3所示Hiroshima數(shù)據(jù)進(jìn)行分類仿真，分類結(jié)果見圖5，其中，圖5(a)為本發(fā)明方法分類結(jié)果，圖5(b)是Nystrom譜聚類方法的分類結(jié)果，圖5(c)為SVM方法的分類結(jié)果。從圖5可以看出，本發(fā)明的分類結(jié)果雜點少，區(qū)域一致性好。綜上所述，本發(fā)明提出的對極化SAR數(shù)據(jù)的分類方法，針對極化SAR數(shù)據(jù)難以獲取地物標(biāo)簽，使得有監(jiān)督算法難以應(yīng)用的問題，提出了一種自動獲取訓(xùn)練樣本標(biāo)簽的方法。在提高分類精度的同時，大大降低人工定義標(biāo)簽的代價。能夠?qū)㈥幱昂途哂谢旌仙⑸涞男∧繕?biāo)區(qū)域劃分出來，細(xì)節(jié)保持良好，算法有效且實用。