一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法，用于解决提取的数据受到噪声干扰以及现有技术提取数据缺少像素间的相关性的问题。本发明专利技术的实现步骤为：去除极化SAR图像中的相干斑噪声；利用极化目标分解法，从滤波后的极化SAR图像中提取极化特征；对数据特征矩阵进行Pauli分解；利用SLIC法分割伪彩图；生成数据样本；构建图低秩稀疏模型；利用交替方向乘数法求解模型；利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维。本发明专利技术利用像素间相关性构建模型，利用分解模型得到的稀疏矩阵去除噪声，得到具有像素相关性且不受噪声干扰的低秩矩阵。声干扰的低秩矩阵。声干扰的低秩矩阵。
【技术实现步骤摘要】
基于图低秩稀疏分解的极化SAR图像特征挖掘方法
[0001]本专利技术属于图像处理
，更进一步涉及雷达图像处理
中的一种基于图低秩稀疏分解的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像特征挖掘方法。本专利技术可用于从极化SAR图像中挖掘感兴趣区域的特征。
技术介绍
[0002]极化特征提取是极化SAR图像分类的一个关键步骤，在面对众多且复杂的分类特征时，如何对候选特征进行分析，选择有限且最有效的特征组合用于分类。极化特征挖掘是在极化特征提取过程中对已获得的特征间的关系进行捕获，进而提高极化SAR图像分类结果的准确度是极化SAR图像解译技术的重要研究内容。图低秩稀疏分解是一种用于图像恢复的数据挖掘模型，因此可以用来对图像进行特征挖掘，其优势在于鲁棒性强，相干斑噪声抑制能力好，在数据挖掘过程中考虑到各像素单元的相关性。
[0003]苏州闻捷传感技术有限公司在其拥有的专利技术“基于低秩稀疏分解和增量学习的极化SAR地物分类方法”(申请号：201710589213.6，授权公告号：CN107392140B)中公开了一种基于低秩稀疏分解和增量学习的极化SAR地物分类方法。该方法构造了一种相似性度量公式，给新增未标记样本标上类标签，实现增量式的循坏迭代标记分类。该专利技术将低秩稀疏分解、增量学习与极化SAR数据的统计特征相结合，在减少噪声干扰、保持样本相似性和细节信息的同时，实现增量式的样本标记分类，提高了分类精度。但是，该方法仍然存在的不足之处是，提取到的极化特征数据像素的单元信息单一，导致分类结果的区域一致性差，边界模糊。
[0004]西安电子科技大学在其拥有的专利技术“基于卡方
‑
棋盘距离度量的弱监督极化SAR分类方法”(申请号：201710550325.0，授权公告号：CN107358256B)中公开了一种基于卡方
‑
棋盘距离度量的弱监督极化SAR分类方法。该方法基于现有目标分解的方法，仅需少量标记样本，采用卡方
‑
棋盘，构造具有四维特征的极化矩阵，然后从极化矩阵中选取1％的标记样本作为训练样本，分步计算测试样本和训练样本的卡方距离以及空间棋盘距离，最终根据卡方距离和棋盘距离得到组合距离，将其作为最近邻方法评判近邻的标准，实现极化SAR图像分类。该方法降低了分类模型的复杂度和时间复杂度。但是，该方法仍然存在的不足之处是，图像散射特征利用不足，易受到噪声的干扰而不能准确表征实际地物，使得对空间信息利用不全造成错分点多，导致分类结果中存在较多的错分点。
技术实现思路
[0005]本专利技术的目的在于针对上述已有技术的不足，提出了一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法，用于解决提取的数据受到噪声干扰以及现有技术提取数据缺少像素间的相关性的问题。
[0006]实现本专利技术目的的思路是，本专利技术通过构建图低秩稀疏矩阵，将正则项引入鲁棒主成分分析，正则项是由正则化图拉普拉斯矩阵构成的正则表达式，由邻接矩阵构建正则
化图拉普拉斯矩阵，由于邻接矩阵中的每个元素是由每个衡量像素间的颜色特征与该像素空间位置特征的相关性的欧氏距离得到的，将具有像素间相关性信息的邻接矩阵构建的正则化图拉普拉斯矩阵引入鲁棒主成分分析模型，并对其进行分解，分解得到稀疏噪声矩阵和低秩特征矩阵，低秩特征矩阵即为挖掘到的具有像素单元相关性的特征，而由于噪声被分解在稀疏噪声矩阵中，因而低秩矩阵中得到的特征不再受到噪声干扰的影响。
[0007]本专利技术的步骤包括如下：
[0008](1)去除极化SAR图像中的相干斑噪声：
[0009]采用滤波窗口大小为7
×
7的精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除相干斑噪声，得到滤波后的SAR图像；
[0010](2)利用极化目标分解法，从滤波后的极化SAR图像中提取极化特征，得到数据特征矩阵；
[0011](3)对数据特征矩阵进行Pauli分解，生成伪彩图；
[0012](4)利用SLIC法分割伪彩图，得到被分割成超像素块的伪彩图；
[0013](5)生成数据样本：
[0014]将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块，将所有插值后超像素块组成数据样本；
[0015](6)构建图低秩稀疏模型如下：
[0016][0017]s.t.X＝L+S.
[0018]其中，min表示求最小值操作，||
·
||
*
表示核范数操作，L表示数据样本X的低秩近似矩阵，S表示数据样本X的稀疏误差矩阵，λ表示S的稀疏度，max(
·
)表示求最大值操作，M表示期望分割的超像素的总数，p表示数据样本X的特征维度，||
·
||1表示l1范数操作，γ表示利用交叉验证法得到的L的光滑度，γ＝1，tr(
·
)表示正则表达式，Φ表示正则化图拉普拉斯矩阵，(
·
)
T
表示转置操作，s.t.表示约束条件；
[0019](7)利用交替方向乘数法求解模型得到特征挖掘后的低秩矩阵；
[0020](8)利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维，得到特征挖掘矩阵。
[0021]本专利技术与现有的技术相比具有以下优点：
[0022]第一，由于本专利技术在构建图低秩稀疏模型时，将正则项引入鲁棒主成分分析模型，正则项由具有像素间相关性信息的正则化图拉普拉斯矩阵计算得到，克服了现有技术由于极化特征提取到的像素的单元信息单一的问题，使得本专利技术挖掘出了具有像素单元相关性的特征，提高了分类后的区域一致性以及分类边界清晰度。
[0023]第二，由于本专利技术将受到噪声干扰的数据样本输入图低秩稀疏分解模型，利用模型的分解特性，将噪声分解在稀疏噪声矩阵中，将极化特征分解在低秩特征矩阵中，得到的低秩特征矩阵为不受噪声干扰的极化特征，克服了现有技术易受到噪声的干扰而影响特征提取的问题，使得本专利技术通过提取不受噪声干扰的极化特征，减少了分类结果的错分点，提高了分类结果的准确性。
附图说明
[0024]图1为本专利技术的流程图；
[0025]图2为本专利技术仿真实验1的仿真图；
[0026]图3为本专利技术仿真实验2的仿真图。
具体实施方式
[0027]下面结合附图和实施例对本专利技术做进一步的描述。
[0028]参照图1。对本专利技术的具体实施步骤做进一步的详细描述。
[0029]步骤1，去除极化SAR图像中的相干斑噪声。
[0030]采用滤波窗口大小为7
×
7的精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除相干斑噪声，得到滤波后的SAR图像。
[0031]步骤2，利用极化目标分解法，从滤波后的极化SAR图像中提取极化特征，得到数据特征矩阵。
[0032]所述极化目标分解法的步本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图低秩稀疏分解的极化SAR图像特征挖掘方法，其特征在于，采用在鲁棒主成分分析法的基础上引入谱图正则项的图低秩稀疏分解方法，对极化SAR图像进行特征挖掘，挖掘出极化SAR图像中的类内差异小、类间差异大的特征；该特征挖掘方法的步骤包括如下：(1)去除极化SAR图像中的相干斑噪声：采用滤波窗口大小为7
×
7的精致Lee滤波方法，对待分类的极化合成孔径雷达SAR图像进行滤波，去除相干斑噪声，得到滤波后的SAR图像；(2)利用极化目标分解法，从滤波后的极化SAR图像中提取极化特征，得到数据特征矩阵；(3)对数据特征矩阵进行Pauli分解，生成伪彩图；(4)利用SLIC法分割伪彩图，得到被分割成超像素块的伪彩图；(5)生成数据样本：将被分割成超像素块的伪彩图中的每个超像素块插值为相同大小超像素块，将所有插值后超像素块组成数据样本；(6)构建图低秩稀疏模型如下：s.t.X＝L+S.其中，min表示求最小值操作，||
·
||
*
表示核范数操作，L表示数据样本X的低秩近似矩阵，S表示数据样本X的稀疏误差矩阵，λ表示S的稀疏度，max(
·
)表示求最大值操作，M表示期望分割的超像素的总数，p表示数据样本X的特征维度，||
·
||1表示l1范数操作，γ表示利用交叉验证法得到的L的光滑度，γ＝1，tr(
·
)表示正则表达式，Φ表示正则化图拉普拉斯矩阵，(
·
)
T
表示转置操作，s.t.表示约束条件；(7)利用交替方向乘数法求解模型得到特征挖掘后的低秩矩阵；(8)利用广义主成分分析算法对特征挖掘后的低秩矩阵进行数据降维，得到特征挖掘矩阵。2.根据权利要求1所述的基于图低秩稀疏分解的极化SAR图像特征挖掘方法，其特征在于，步骤(2)中所述极化目标分解法的步骤如下：第一步：从滤波后的极化SAR图像的每个像素点的相干矩阵中，提取该像素点的功率、数据分布特征参数和相对峰值；第二步：利用Freeman
‑
Durden分解方法，对每个像素点提取9个表征Freeman
‑
Durden分解的散射特征参数；第三步：利用Cloude分解方法，对每个像素点提取6个表征Cloude分解的散射特征参数；第四步：将每个像素点的9个表征Freeman
‑
Durden分解的散射特征参数与6个表征Cloude分解的散射特征参数组成该像素点的一个15维的初始散射特征矩阵；第五步：将所有像素点的初始散射特征矩阵组成一个数据特征矩阵。3.根据权利要求1所述的基于图低秩稀疏分解的极化SAR图像特征挖掘方法，其特征在于，步骤(4)中所述SLIC法分割伪彩图的步骤如下：
第一步：在伪彩图中，以步长为间隔，均匀的分配种子点，在每个种子点的3*3邻域内调整该种子点到伪彩图的梯度最小位置，其中，N表示伪彩图中的像素总数，M表示期望分割的超像素的个数；第二步：以每个种子点为中心的2S
×
2S区域内，按照下式，计算每个像素与该区域内每个种子点的距离：个种子点的距离：个种子点的距离：其中，d
cnm
表示第n个像素点与第m个种子点间的颜色空间距离，l...
【专利技术属性】
技术研发人员：李亚超，张宇璇，张鹏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。