基于快速拍卖图的半监督极化SAR分类方法与流程

技术特征：

1.一种基于快速拍卖图的半监督极化SAR分类方法，包括：

(1)从电脑硬盘的极化SAR图像数据文件夹中获取极化SAR图像的相干特征数据X，利用Pauli分解方法对相干特征数据进行处理得到Pauli RGB图,用超像素分割法对该图进行分割；

(2)利用分割后的Pauli RGB图对每个像素点进行空间信息加权：

(2a)将Pauli RGB图每一个像素点x_i(x_i是d维的列向量)的周围m个像素点用X_m＝{x_i1,x_i2,x_ij…,x_im}∈R^d×m表示，x_ij∈X_m表示像素点x_i周围的第j个像素点，j＝1,2,…,m，m为像素点x_i周围像素点的个数；

(2b)使用x_i周围的m个像素点对该像素点x_i进行空间信息加权：所有的像素点经过空间信息加权后的集合表示为n为图像中所有像素点的个数，并且每类像素点取1％的像素点作为训练样本，其余的像素点为测试样本。

(3)将所有加入空间信息后的像素点数据集合X^*平均划分为L个数据子集，并对L个数据子集同时利用Nystrom逼近方法求取相似近邻矩阵，得到第l个数据子集求取的相似近邻矩阵为其中l∈1,2,…L；U表示A^l的近似特征向量，Λ为对角矩阵，B＝UΛU^T，B为第l个数据子集中r个采样样本之间的相似近邻矩阵，C为第l个数据子集中r个采样样本与余下的q-r个样本之间的相似近邻矩阵，q为第l个数据子集中总样本个数；

(4)使用拍卖理论优化公式对步骤(3)中求取的相似近邻矩阵A^l进行优化，得到拍卖图矩阵S^l,l∈1,2,…L；

(5)对步骤(4)中的拍卖图矩阵S^l进行稀疏处理，得到稀疏拍卖图矩阵W^l；

(6)利用步骤(5)中求取的子数据集的稀疏拍卖图矩阵W^l，对L个数据子集进行半监督分类并合并每个数据子集的分类结果，得到每个像素点分类后的类别标签矩阵Y；

(7)利用步骤(6)中得到的每个像素点样本点的类别标签对所有的像素点进行着色并计算分类正确率，输出分类后的图像。

2.根据权利要求书1所述的基于快速拍卖图的半监督极化SAR数据分类方法，其中步骤(4)中的拍卖理论优化公式为：其中P＝(p₁,p₂,p_i…,p_q)^T表示第l个数据子集中像素点之间的相似性的向量，p_i为P中的第i个元素，i∈1,2…q，π＝(π₁,π₂,π_j…,π_q)^T为A^l的优化向量，π_i为π中的第j个元素，j＝1,2,…q，为A^l中第i行第j列的元素。

3.根据权利要求书1所述的基于快速拍卖图的半监督极化SAR数据分类方法，其中步骤(5)中的第l个数据子集的稀疏拍卖图矩阵W^l，由如下公式计算：

W^l＝S^l·H，

其中，为一个稀疏矩阵，其中h_ij为稀疏矩阵H中第i行第j列的元素，h_ij∈{0,1},其中矩阵H中每行前8个元素元素取1，其余都取0。

4.根据权利要求书1所述的基于快速拍卖图的半监督极化SAR数据分类方法，其中步骤(6)中对L个数据子集进行半监督分类，其公式如下：

$\underset{Y}{\mathrm{argmin}}\underset{ij}{\Σ}{W}^l\left|\right|y_i^l-y_j^l\left|\right|$

其中为W^l中第i行第j列的元素,为第l个数据子集中第i个像素点素点的类别标签，为第l个数据子集中第j个像素点的类别标签,当像素点和像素点相似度很高，即值很大的时候，要使上述公式得到最优解，则和的距离要近，取即像素点和像素点被分到同一类。