(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210686715.1 (22)申请日 2022.06.17 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 石俊飞　王伟　金海燕　贺天生　 蔡磊　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 王奇 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/75(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) G06V 10/762(2022.01) (54)发明名称 基于复矩阵和多特征协同学习的遥感图像 分类方法 (57)摘要 本发明公开了一种基于复矩阵和多特征协 同学习的遥感图像分类方法， 通过在黎曼 RNRS分 类方法的基础上引入超像素， 减少了散斑噪声和 计算时间， 并且通过基于超像素的协同学习方 法， 将复杂矩阵和多特征融合到NRS分类框架中。 本发明能够充分利用矩阵信息和极化特征， 尤其 在异质区域能够进行精确分类， 得到更好的分类 结果。 权利要求书4页 说明书11页 附图3页 CN 114926696 A 2022.08.19 CN 114926696 A 1.基于复矩阵和多特 征协同学习的遥感图像分类方法， 其特 征在于， 步骤 包括： 步骤1， 输入待分类的极化SAR图像， 对极化SAR图像进行精致 Lee滤波预处 理； 步骤2， 对极化SA R图像提取原始复矩阵和多类特征， 分别构造极化SA R复矩阵字典和多 特征字典； 步骤3， 对极化SAR图像用简单线性迭代聚类方法生成超像素， 对于每个超像素， 分别提 取复矩阵和多特 征来表示超像素； 步骤4， 使用黎曼距离度量极化SAR复矩阵字典中特征向量的距离， 构建基于超像素的 黎曼最近 子空间模型； 采用欧氏距离来度量多特 征中特征向量的距离； 步骤5， 建立一阶导的优化算法， 求解步骤4中的基于超像素的黎曼最近子空间模型， 得 到系数矩阵A； 步骤6， 通过复矩阵字典、 特征字典、 步骤3得到的超像素的复矩阵和多特征， 建立协同 学习模型， 用于联合学习复矩阵和多特 征， 得到多特 征的表示系数B； 步骤7， 基于步骤5中系数A和步骤6中的系数B， 获得 得到极化SAR图像的分类结果。 2.如权利要求1所述的基于复矩阵和多特征协同学习的遥感图像分类方法， 其特征在 于， 所述步骤2具体为： 极化SAR数据比传统的SAR数据包含更多的散射信息， 因为它的散射回波根据不同的发 射和接收模式来自四个通道； 极化数据表示为S矩阵， 即极化散射矩阵； 极化散射矩阵包含 了目标的全部极化信息， 通常情况 下， 它具有复数的形式， 极化散射矩阵表示 为： S＝[Shh,Shv,Svh,Svv]         (1) 其中h和v分别为水平和垂直发射和接收模式， 在满足互易的条件下， Shv＝Svh； Shh表示 水平接收的水平向发射的极化波的回波数据、 Shv为垂直接收的水平向发射的极化波的回波 数据、 Svv为垂直接收的垂直向发射极化波的回波数据； S矩阵用散射向量K表示 为： 通过多视图处理， 每个像素由协方差矩阵C表示， 极化协方差矩阵又称为复埃米尔特矩 阵， 极化协方差矩阵C写成： 其中协方差矩阵C是复矩阵， 对角元 素是实数， 非对角元 素是复数； (.)*指共轭转置。 3.如权利要求1所述的基于复矩阵和多特征协同学习的遥感图像分类方法， 其特征在 于， 所述步骤3中复矩阵字典的方法为： 从极化SAR数据的每个类别中分别随机挑选Nk个像 素； 其中每个像素都通过多视图处理由协方差矩阵C表示， 其中， C是复矩阵， 将每个挑选出 来的复矩阵放入字典集D中， 构成复矩阵字典， 表示 为D＝{D1,D2,…Dc},其中c是类数。 4.如权利要求1所述的基于复矩阵和多特征协同学习的遥感图像分类方法， 其特征在 于， 所述步骤3中多特 征包括以下 特征向量： 基于极化数据表示分别提取极化SAR图像的16维特征向量； 包括极化散射矩阵S的6维权　利　要　求　书 1/4 页 2 CN 114926696 A 2特征、 相干矩阵T的9维特 征、 SPAN图的1 维特征； 基于极化目标分解分别提取极化SAR图像的17维特征向量； 包括Cloude ‑Pottier分解 得到3维特征、 Freeman分解得到3维特征、 Huynen分解得到9维特征{A0,B0,C0,D0,E0,F0,G0, H0,I0}和极化参数的2维特 征； 其中A0表示目标对称性， B0‑C0表示目标非对称性， B0+C0表示目标非规则性， D0表示目标 线性特性， E0表示局部曲率差， F0表示表面扭转度， G0表示目标螺旋性， H0表示对称与非对称 的粘合力， I0表示目标 方向； 基于图像处理技术分别提取极化SA R图像的20维特征向量； 包括： 基于灰度共生矩阵定 义4维纹理特征和16维轮廓特 征。 5.如权利要求1所述的基于复矩阵和多特征协同学习的遥感图像分类方法， 其特征在 于， 所述步骤4中黎曼距离的获取 方式为： 由于极化协方差矩阵是埃米尔特半正定矩阵， 它形成了黎曼流形而不是欧氏空间； 黎 曼流形上两点的相似性是由黎曼度量来衡量的， 扩展到 极化SAR数据空间上， 采用仿射不变 黎曼度量来衡量黎曼空间中的距离； 黎曼度量导出黎曼几何， 对于极化SAR图像中的两点， 两个复矩阵X和Y的几何距离 定义为： 其中dR(X,Y)为复矩阵X和Y的黎曼距离， AIRM是曲线几何空间中的仿射不变量， 是为复 矩阵定义的， 它 们的几何体自然延伸到复矩阵； 根据黎曼距离， 构建超像素的黎曼最近 子空间模型， 定义 为 其中P为超像素， A为P 中个相邻像素的系数向量集， d(P,DkA)为黎曼空间中P矩阵和DkA 矩阵的距离； D复矩阵字典集， Γ为测试样本X和第k类字典原子之间的黎曼测地距离λ为权 重系数； 数 学表达式如公式(6)～公式(8)所示： 其中对于一个超像素P， 复矩阵集是X＝{X1,X2,…,Xm}， Xi是超像素中的第i个协方差矩 阵， m是超像素P中的像素数， A＝{α1, α2,…, αm}是P中m个相邻像素的系数向量集， αi＝{αi1, αi2,…, αim}是第i个相邻像素的系数向量； 等式(5)改写为：权　利　要　求　书 2/4 页 3 CN 114926696 A 3