一种基于H/α参数变化规律的多时相PolSAR农作物监督分类算法的制作方法

技术特征：

1.一种基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，包括如下步骤：

(1)输入n个多时相的全极化SAR图像数据；

(2)完成多时相全极化SAR图像的精准配；

(3)将每个单时相的全极化SAR数据进行H/α分解，然后将所得每个像素点处的H、α参数值保存到对应的矩阵中，其中矩阵每层的数据对应着多时相SAR数据的每个时相的H、α数据；

(4)建立地面真值分布：

(4a)在地表真实分布选择各类农作物的训练样本，然后将选中区域的像素点的H和α以复数的形式，分别对应存在各类样本矩阵中；

(4b)将(3)中保存的全极化SAR数据，同样以复数的形式存在目标矩阵中；

(5)计算夹角，并构建分类函数：

(5a)确定原点，将步骤(4a)获取的训练样本矩阵中的复数在H-α平面上与该点相连，并将步骤(4b)所得矩阵中所有全极化SAR像素点对应的复数与该点相连，再分别保存在训练样本矩阵和整体全极化SAR数据矩阵中；

(5b)利用步骤(5a)所得各类训练样本的复数矩阵，在H-α平面计算训练样本在H-α分布区域的夹角；

(5c)构建分类函数；

(5d)将步骤(5a)中保存的全极化SAR图像的各个像素点的参数，代入所构建分类函数f(θ_i)，并得到对应的结果；

(6)利用步骤(5d)中的结果，对该点进行分类判别。

(7)输出分类后的农作物分布图。

2.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(1)中读入n个多时相的全极化SAR图像数据具体步骤如下：

第一步，先将每个单时相的全极化SAR数据读入，生成一个行向量，该行向量中共有N1×N2×M个元素；

其中，N1和N2表示该多时相的全极化SAR图像在二维平面上纵向和横向的像素点个数，M表示该多时相全极化SAR图像数据的层数；

第二步，将读取进来的多时相全极化SAR数据进行维数的变化，使其变为M×N2行，N1列，然后通过矩阵转置，使读取的数据变为N1行，M×N2列；

第三步，通过循环语句，将转置后的二维矩阵中的SAR数据，存入定义的三维矩阵中，该三维矩阵的列数和行数与该多时相全极化SAR图像在二维平面上纵向和横向的像素点个数相同，层数与该多时相全极化SAR图像的层数相同，在这样的矩阵中，行数和列数相等的情况下，每层的数据都对应着SAR图像中同一个像素点，将该矩阵定为S阵。

3.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(2)中完成多时相全极化SAR图像的精准配的步骤包括辐射校正、辐射地形校正、归一化、滤波以及几何地形校正。

4.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(4a)和步骤(4b)中对于数据的存储利用下式实现：

T_m＝H_m+i·α_m

其中，T_m表示存放训练样本复数矩阵，H_m表示确定训练样本位置后，在步骤(3)对应存放H值的矩阵中提取选定训练样本的H值，角标表示第m类作物的H值，i表示虚数单位，α_m表示确定训练样本位置后，在步骤(3)对应存放α值的矩阵中提取选定训练样本的α值，角标表示第m类作物的α值，整个矩阵T_m共有n列，每列分别存储该类训练样本像素点对应的n个多时相全极化数据的复数形式；

步骤(4b)中，将步骤(3)得到的图像中所有像素点的H和α以步骤(4a)同样的方法即A_mpn＝H_mpn+i·α_mpn的方法存储在A中，其中下标m代表行，p代表列，n代表层，即所有相同位置处的H和α的复数组合，A代表整个全极化SAR数据的复数矩阵，该矩阵共有n层，每层的数据与该图像每个时相的各个像素点一一对应，并且A矩阵中行数和列数相等的情况下，每一层的数据都对应着n个时相中的同一个像素点。

5.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(5a)中，首先在H-α平面上确定原点，具体实现利用下式：

C＝i·b+a；

其中，C表示所确定的原点，i表示虚数单位，b表示在H-α平面上的纵坐标，a表示横坐标，选择数据使得分类精度达到最佳；

然后将原点C与H-α平面上的训练样本点，即步骤(4a)中T_m所保存矢量相连，通过复数的相减运算得到以新的以原点C为始点，样本点为终点的新的矢量，即新的复数，并存在对应的矩阵T_m中，为下步计算矢量间的夹角做好准备，将步骤(4b)中所得的矩阵A进行与训练样本点同样的操作即通过复数相减得到新的以原点C为始点，原顶点为终点，再将处理后的数据保存在A中。

6.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(5b)所述的角度的实现：根据步骤(5a)所得的结果，并对各类训练样本取共轭矩阵进行相角求差计算，具体实现利用下式：

$V=e^{i\·\arg (\frac{1}{n}\underset{n=1}{\overset{n}{\Σ}}\left(T_{mj}\·T_{m1}^{*}\right)}$

其中，T_mj表示步骤(5a)中所得到的训练样本矩阵，角标表示第m类样本作物的第j个时相的训练样本点的数据，V中存储训练样本的农作物的复数信息，每一行存储着同一类训练样本的各个时相与第一时相的夹角，该复数表现为指数形式，模为1，辅角表示第m类农作物样本的第j个时相在H-α平面上的主要分布区域边界，与该类农作物的第1时相在H-α平面上主要分布区域边界的夹角，从而得到已知农作物类别的散射规律信息，i为虚数单位，exp(·)表示常数e的指数操作，(·)^*表示取共轭操作，arg(·)表示取相角操作。

7.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(5c)分类函数f(θ_i)的实现：该函数中的输入为θ_i，即为步骤(5b)中所得单位向量V的辅角，具体实现利用如下步骤：

首先，从步骤(5a)中所得到的A矩阵中对多时相全极化SAR图像的数据进行提取，提取方式为将行数和列数相等点的所有层的数据提取，即每个像素点处的n个时相的数据，并存放以列向量的形式存储。为方便描述假设提取后存在W中；

然后，将步骤(5b)中的训练样本矩阵V，进行行提取，再将其变为列向量，每行的数据代表该类作物的各个时相与第一时相的夹角。为方便描述假设提取后存储在Q中；

最后，将所提取的训练样本数据取共轭复数，并且将它的n个数据对应与所提取像素点的n个时相的数据进行复数相乘运算，求和，然后取模，具有实现利用下式：

$d_m=\left|\underset{n=1}{\overset{n=n}{\Σ}}(W\·Q^{*})\right|$

式中，d为一个行向量，将所提取像素点数据，与步骤(5b)得到的V中每一行，即每一类训练样本数据进行上式的运算，并且将得到的结果存入d(m),m表示被分类点与第m类样本进行运算后，存放在d中的第m个位置。(·)^*表示共轭操作，|·|表示取向量的模操作。

8.根据权利要求1所述基于H/α参数变化规律的多时相PolSAR农作物监督分类算法，其特征在于，所述步骤(6)对农作物进行最后的判别的是利用对d中信息的判断，d为步骤(5d)计算得到的一个行向量，找出d中最大值的位置信息，即对应为该像素点处农作物的类别信息。