基于Wishart和SVM的极化SAR图像分类方法与流程

技术特征：
1.一种基于Wishart和SVM的极化SAR图像分类方法，其特征在于：包括有如下步骤：步骤1、输入图像，输入任选的一幅待分类的极化合成孔径雷达SAR图像；步骤2、滤波，采用滤波窗口大小为7*7的极化精致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，得到滤波后的极化合成孔径雷达SAR图像，并且得到滤波后的极化合成孔径雷达SAR图像的相干矩阵；步骤3、进行Cloude分解，提取滤波后的极化合成孔径雷达SAR图像的相干矩阵，对相干矩阵进行Cloude分解得到每个像素点的散射熵H、散射角alpha和总功率span；步骤4、计算极化合成孔径雷达SAR图像的特征集F的相似矩阵WF，用散射熵H、散射角alpha和总功率span构造特征集F＝[Halphaspan],并对特征集F中的数据进行归一化，从归一化后的特征集F中，分别随机选取0.1％和0.5％的特征数据作为训练样本，其余作为预测样本，利用欧式距离测度计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WF；步骤5、计算极化合成孔径雷达SAR图像的相干矩阵特征集T的相似矩阵WT：5.1提取滤波后的极化合成孔径雷达SAR图像的相干矩阵，其中，相干矩阵为3*3*N的矩阵，N表示极化合成孔径雷达SAR的总像素数，每个像素为一个3*3的矩阵，将相干矩阵构造成相干矩阵特征集T；5.2对极化合成孔径雷达SAR图像的相干矩阵特征集T中的数据进行归一化，从归一化后的相干矩阵特征集T中分别选取0.1％和0.5％的特征数据作为训练样本，其余作为预测样本，利用Wishart距离计算并得到极化合成孔径雷达SAR图像的训练样本和预测样本每个像素点的相似矩阵WT；步骤6、计算极化合成孔径雷达SAR图像的最终相似矩阵W，将基于欧式距离测度的相似矩阵WF和基于Wishart测度的相干矩阵的相似矩阵WT进行点乘，得到最终的相似矩阵W；步骤7、将最终相似矩阵W作为支持向量机分类器的核函数，利用基于最终相似矩阵W核函数的支持向量机分类器，对待分类的极化合成孔径雷达SAR图像进行标记，完成分类，得到分类结果；步骤8、统计待分类的极化合成孔径雷达SAR图像中与分类结果中类别标签相同的像素点个数，计算类别标签相同像素点个数占待分类极化合成孔径雷达SAR图像总像素数的百分比，得到极化合成孔径雷达SAR图像分类精度。2.根据权利要求1所述的基于Wishart和SVM的极化SAR图像分类方法，其特征在于，步骤3所述的Cloude分解包括有以下步骤：3.1、提取滤波后的极化合成孔径雷达SAR图像的相干矩阵；3.2、将相干矩阵进行特征值分解，得到相干矩阵的特征值λ1,λ2,λ3；3.3、利用得到的特征值λ1,λ2,λ3，根据下面的公式计算每个像素点的散射熵H，散射角alpha和总功率span，span＝λ1+λ2+λ3其中H表示极化SAR图像的散射熵，pi表示极化SAR图像相干矩阵的第i个特征值与所有特征值总和的比值，alpha表示散射角，ai表示极化SAR图像的散射角，λ1表示极化SAR图像相干矩阵的第一个特征值，λ2表示极化SAR图像相干矩阵的第二个特征值，λ3表示极化SAR图像相干矩阵的第三个特征值。3.根据权利要求1所述的基于Wishart和SVM的极化SAR图像分类方法，其特征在于，步骤4所述的计算特征集F的相似矩阵WF包括以下步骤：4.1、构造特征集F＝[Halphaspan]；4.2、计算特征集F的相似矩阵WF；其中的dF(Fi,Fj)代表的是特征集F中第i个特征数据Fi和第j个特征数据Fj之间的欧式距离，σ1表示特征集F的相似矩阵WF的宽度。4.根据权利要求1所述的基于Wishart和SVM的极化SAR图像分类方法，其特征在于，步骤5.2所述的计算相干矩阵特征集T的相似矩阵WT包括以下步骤：5.2.1、根据下面的公式计算相干矩阵特征集T对称形式的Wishart距离dSRW(Ti,Tj)；其中dSRW(Ti,Tj)分别代表像素点i和像素点j相干矩阵之间的Wishart距离,Ti和Tj分别代表像素点i和像素点j的相干矩阵，tr(·)代表矩阵的迹操作，q为极化SAR图像的互易参数；5.2.2、根据下面的公式计算相干矩阵特征集T的Wishart测度相似矩阵WT：其中dSRW(Ti,Tj)分别代表像素点i和像素点j相干矩阵之间的Wishart距离,Ti和Tj分别代表像素点i和像素点j的相干矩阵，σ2表示相干矩阵特征集T的相似矩阵WT的宽度。