基于深度PCA网络和SVM的极化SAR图像分类方法.pdf

本发明公开了一种基于深度PCA网络和SVM分类器的极化SAR图像分类方法。本发明实现步骤为：对极化SAR图像进行滤波，提取形状特征参数、散射特征参数、偏振特征参数及协方差矩阵C的独立元素，且组合归一化为高维新特征，作为下一步要处理的数据；根据实际地物标记，分别从每个类别随机选取10％有标记数据作为训练样本；对训练样本白化处理作为输入对网络第一层进行训练，然后将结果作为第二层的输入对网络第二层进行训练，并对输出结果进行二值化和直方图统计；将深度PCA网络的输出作为最终学习到的特征训练SVM分类器；对测试样本白化处理，输入到训练好的网络框架中预测并计算正确率；上色显示分类后的图像并输出最终结果。

权利要求书
1.  一种基于深度主成分分析(Principal Component Analysis,PCA)网络和SVM的极化SAR图像分类方法，包括如下步骤：
步骤1，读入一幅任选的待分类的极化SAR图像；
步骤2，对待分类的极化SAR图像采用精致极化LEE滤波法,得到滤波后的极化SAR图像；
步骤3，
(3-1)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取数据分布特征参数α；
(3-2)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，分别通过泡利Pauli分解得到3个散射特征参数、弗里曼—得登Freeman-Durden分解得到7个散射特征参数、克拉徳Cloude分解得到6个散射特征参数、慧能Huynen分解得到9个散射特征参数和克罗艾厄Krogager分解得到3个散射特征参数，将通过这5种非相干极化目标分解方法得到的相应散射特征参数组合为28维散射特征S＝{s1,s2,…，s28}；
(3-3)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取11维的偏振特征P＝{p1,p2,…,p11}；
步骤4，从滤波后的极化SAR图像表示每个像素点的协方差矩阵C中提取出9个独立的元素，并与步骤3中得到的数据分布特征参数α、28维散射特征和11维的偏振特征组合，组合后进行归一化作为原始输入数据；
步骤5，根据极化SAR图像的实际地物类别标记，在步骤4中得到的原始输入数据中标记与每种地物类别对应的数据，并把该数据作为有标记数据，在对应于每种地物类别的有标记数据中随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本；
步骤6，对选取的训练样本做白化处理；
步骤7，用步骤6白化处理后的训练样本训练深度PCA网络，将深度PCA网络的输出即深度PCA网络最终学习到的特征作为下一步待处理的数据：
(7-1)将步骤6白化处理后的训练样本作为输入数据，输入到深度PCA网络第一层中进行训练，得到能够表征输入数据即步骤6白化处理后的训练样本的特征作为深度PCA网络第一层训练得到的特征；
(7-2)将深度PCA网络第一层训练得到的特征输入到深度PCA网络第二层中进行训练，得到能表征深度PCA网络第一层特征的新特征，即深度PCA网络第二层训练得到的特征；
(7-3)对深度PCA网络第二层训练得到的特征进行二值化和直方图统计，得到能够表征深度PCA网络的第二层特征的新特征，这个新特征就是深度PCA网络最终学习到的特征，即深度PCA网络的输出；
步骤8，利用步骤7中深度PCA网络的输出对SVM分类器进行训练，得到训练好的用于分类的SVM分类器；
步骤9，将步骤4中得到的全部原始输入数据白化处理后，使用与步骤7相同的方法训练深度PCA网络，得到深度PCA网络的输出，然后将深度PCA网络的输出输入到步骤8训练好的分类器中预测分类，预测分类结果后对分类后的极化SAR图像上色显示，输出最终结果。

2.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取数据分布特征参数α的方法为：
(3a)读入滤波后的极化SAR图像，每个像素点可以表示为一个3×3的协方差矩阵C：
C=〈|SHH|2〉2〈SHHSHV*〉〈SHHSVV*〉2〈SHVSHH*〉2〈|SHV|2〉2〈SHVSVV*〉〈SVVSHH*〉2〈SVVSHV*〉〈|SVV|2〉.---1)]]>
由协方差矩阵C和相干矩阵T的关系，可以得到T：
T=UCU-1=〈|A|2〉〈AB*〉〈AC*〉〈A*B〉〈|B|2〉〈BC*〉〈A*C〉〈B*C〉〈|C|2〉.---2)]]>
其中，A=SHH+SVV,B=SHH-SVV,C=2SHV.]]>
即T=〈|SHH+SVV|2〉〈(SHH+SVV)(SHH-SVV)*〉2〈(SHH+SVV)SHV*〉〈(SHH-SVV)(SHH+SVV)*〉〈|SHH-SVV|2〉2〈(SHH-SVV)SHV*〉2〈SHV(SHH+SVV)*〉2〈SHV(SHH-SVV)*〉4〈|SHV|2〉.---3)]]>
其中，U=12×10110-1020]]>是中间变量，H表示水平极化态，V表示垂直极化态，SHH表示采用水平发射和水平向接收的复散射系数，SVV表示采用垂直向发射和垂直向接收的复散射系数，SHV表示采用水平向发射垂直向接收的复散射系数，(·)*表示数据取共轭，〈·〉表示按视数平均；
(3b)提取数据分布特征参数α；
1)计算每个像素点划定区域的相对峰值RK；
将图像数据中每个像素点及其周围的像素点总共九个像素点作为一个区域，根据协方差矩阵的对角元素计算每个像素点划定区域的相对峰值RK：
RK=13(E{|SHH|2}E{|SHH|}2+E{|SHV|2}E{|SHV|}2+E{|SVV|2}E{|SVV|}2).---4)]]>
其中，SHH表示水平向发射和水平向接收的回波数据，SVV表示垂直向发射和垂直向接收的回波数据，|·|表示取这个数据的模，E{·}表示取这个数据的均值；
2)根据相对峰值计算分布特征参数α；
相对峰值与区域分布特征参数存在如下关系：
α=nq+1q+1/(RK-1).---5)]]>
其中n为视数，q为通道数，对于互易极化雷达，通道数取值为3，由4)式和5)式可以得到表征数据分布特性的参数α。

3.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取5种非相干极化目标分解方法为：
(3c)泡利Pauli分解提取散射特征参数|a|2，|b|2，|c|2；
1)将散射矩阵[S]表示为：
[S]=SHHSHVSVHSVV=a[Sa]+b[Sb]+c[Sc]+d[Sd].---6)]]>
其中[Sa]=121001,[Sb]=12100-1,[Sc]=120110,[Sd]=120-ii0.]]>
2)将复数a，b，c和d用向量K表示为：
K=abcd=12SHH+SVVSHH-SVVSHV+SVHi(SVH-SHV)T.---7)]]>
如果满足互易条件可将7)式表示为：
K=abcd=12SHH+SVVSHH-SVV2SHVT.---8)]]>
3)求解得到泡利Pauli分解的3个参数：
|a|2=(SHH+SVV)22,|b|2=(SHH-SVV)22,|c|2=2(SHV)2.---9)]]>
其中|a|2表示具有奇次散射特征的散射体的散射能量，|b|2表示具有偶次散射的散体的散射能量，|c|2表示散射矩阵45度角偶次散射特征的散射体的散射能量，结合2)式和9)式可得：
|a|2=T(1,1)2,|b|2=T(2,2)2,|c|2=T(3,3)2.---10)]]>
其中，T(,)表示相干矩阵中的元素，由10)式得到泡利Pauli分解的3个特征参数
(3d)弗里曼—得登Freeman-Durden分解提取散射特征参数；
1)将协方差矩阵C表示为如下形式：
C=fv101/302/301/301+fd|α|20α100α01+fs|β|20β000β*01.---11)]]>
其中，fv对应着体散射分量的贡献，fd对应着二面角散射分量的贡献，fs对应着平面散射分量的贡献，两个待定的比值系数α和β，β表示水平发射水平接收后向散射反射系数HH与垂直发射垂直接收后向散射发射系数VV的比值，α被定义为α＝RghRvh/RgvRvv,其中Rvh和Rvv表示竖直墙体的反射系数，Rgh和Rgv分别表示地表的水平和垂直反射系数；
2)由1)式和11)式得到包含以下4个方程和5个未知量的后向散射模型：
〈|SHH|2〉=fs|β|2+fd|α|2+fd,〈|SVV|2〉=fs+fd+fv,〈SHHSVV*〉=fsβ+fdα+fv/3,〈|SHV|2〉=fv/3.---12)]]>
如果时，则单次散射占优，令α＝-1；如果时，则二次散射占优，令β＝1；确定α或者β值后，从残余模型中估计出fs，fd，fv，α或β，由fs，fd，fv系数求得各散射分量的功率Ps，Pd，Pv：
Ps=fs(1+|β|2),Pd=fd(1+|α|2),Pv=8fv3.---13)]]>
3)由同极化比的定义：
R=10×log(|SHH|2|SVV|2).---14)]]>
结合1)式求得：
R=10×log(C(1,1)C(3,3)).---15)]]>
4)由12)至15)式可以得到Ps，Pd，Pv，fs，fd，fv，R，7个表征弗里曼—得登Freeman-Durden分解的散射特征参数；
(3e)克拉徳Cloude分解提取散射特征参数；
1)将相干矩阵T表示为：
T=U3ΛU3*=U3λ1000λ2000λ3U3*.---16)]]>
其中，(·)*表示数据的共轭，U3是极化数据相干矩阵T的正交特征向量，Λ是由T的特征值组成的对角矩阵；
2)由16)式得到表征克拉徳Cloude分解的散射熵H，反熵A和平均散射角α：
H=Σi=13-Pilog3Pi,A=λ2-λ3λ2+λ3,α=Σi3Piαi.---17)]]>
其中，αi＝con-1(|U3(1,i)|)，i＝1,2,3，H表示散射介质从各向同性散射到完全随机散射的随机性，α代表散射类型，A的大小反映克拉徳Cloude分解中主导散射机制外的两个相对较弱散射分量之间的关系；
3)由11)和12)式得到克拉徳Cloude分解的6个特征参数H，A，α，λ1，λ2，λ3。
(3f)慧能Huynen分解提取散射特征参数；
1)用9个自由度的实参数将相干矩阵表示为如下形式：
T=2A0C-iDH+iGC+iDB0+BE+iFH-iGE-iFB0-B.---18)]]>
2)由1)式、2)式和18)式可得：
2A0=14〈|SHH+SVV|2〉B0+B=14〈|SHH-SVV|2〉B0-B=〈|SHV|2〉C+iD=14〈|SHH|2-|SVV|2+2iImg(SHH*SVV)〉H-iG=12〈SHHSHV*+SVVSHV*〉E-iF=12〈SHHSHV*-SVVSHV*〉.---19)]]>
由1)、2)和19)求A0，B0+B，B0-B，C，D，E，F，G，H9个表征慧能Huynen分解特征参数；
(3g)克罗艾厄Krogager分解提取散射特征；
1)将散射矩阵分解为如下所示：

其中ks，kd，kh分别对应三个相干分量球、二面角和螺旋体散射的分量系数，表示散射体的绝对相位包含有关散射体的信息，j为复数虚部，相位表示球相对于二面角分量和螺旋体分量的偏移量，相位参量θ表示克罗艾厄Krogager分解中二面角和螺旋体分量的相位角；
2)用待定系数方法求出克罗艾厄Krogager分解的3个特征参数，其中解得：
ks2=T(1,1)4.---21)]]>
kd2=min(12×C(2,2)+12×Img(C(1,2))-12×Img(C(2,3))+T(2,2)4,...12×C(2,2)-12×Img(C(1,2))+12×Img(C(2,3))+T(2,2)4).kh2=|12×C(2,2)+12×Img(C(1,2))-12×Img(C(2,3))+T(2,2)4-...---22)]]>
(12×C(2,2)-12×Img(C(1,2))+12×Img(C(2,3))+T(2,2)4)|.---23)]]>
其中，Img表示取复数虚部，由21)式至23)式求解3个表征克罗艾厄Krogager分解特征参数。

4.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，根据滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取以下11维偏振特征P＝{p1,p2,…,p11}包括以下参数：
φhhvv=arg(〈SHHSVV*〉)Dpol=R12+R22+R32/R0σhh0=〈SHHSHH*〉σhv0=〈SHVSHV*〉σw0=〈SVVSVV*〉σw0/σhh0=〈SVVSVV*〉/〈SHHSHH*〉σhv0/σhh0=〈SHVSHV*〉/〈SHHSHH*〉rvvhh=10×log(|SVV|2/|SHH|2)rhvhh=10×log(|SHV|2/|SHH|2)rhvvv=10×log(|SHV|2/|SVV|2)δ=〈SHVSHV*〉/(〈SHHSHH*〉+〈SVVSVV*〉)---24)]]>
由1)式和24)式对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C提取11维的偏振特征P：
P={φhhvv,Dpol,σhh0,σhv0,σvv0,σvv0/σhh0,σhv0/σhh0,rvvhh,rhvhh,rhvvv,δ}.---25).]]>

5.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，从滤波后的极化SAR图像表示每个像素点的协方差矩阵C中提取出9个独立的元素，并与步骤3中得到的表征数据分布特征参数α，28维的散射特征S＝{s1,s2,…，s28}和11维偏振特征P＝{p1,p2,…,p11}组合为49维特征，并归一化到[-1,1]，作为深度PCA网络的原始输入数据。

6.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，用步骤6白化处理后的训练样本训练深度PCA网络的方法为：
(7a)将白化后的训练样本即选定的10％的滤波后的极化SAR图像的有标记数据作为输入，输入到深度PCA网络第一层中进行训练，得到能够表征输入数据的特征；
1)将每一个1×49维的输入转换为7×7的元胞数组Ii∈Rm×n，即R7×7,其中Ii表示第一层PCA网络中的第i个训练样本所对应的元胞数组，对元胞数组I7×7中的每一个像素，进行非零填充的重叠取块其中块大小为k1×k2，xi,j表示元胞数组Ii中的第j个矢量块；然后从每一个取得的矢量块中进行均值移除，获得通过对作为输入的所有训练样本执行同样的操作，最终将结果组合到一起，可以得到其中N为训练样本的总个数；
2)最小化重构误差，提取第一层PCA滤波器，即：
minV∈Rk1k2×L1||X-VVTX||F2,s.t.VVT=IL1.---26)]]>
其中，L1为第一层PCA滤波器数，是大小为L1×L2的单位矩阵，XXT的前L1个主特征向量则为式26)的解，将PCA滤波器表示为：
Wl1=matk1,k2(ql(XXT))∈Rk1×k2,l=1,2,...,L1.---27)]]>
其中,函数将向量映射到矩阵ql(XXT)表示XXT的前l个主特征向量；
3)计算第一层PCA网络的第l个滤波器的输出：
Iil=Ii*Wl1,i=1,2,...,N.---28)]]>
其中*表示2D卷积，在与进行卷积前对Ii的边界零填充以保证和Ii有相同的大小，N为训练样本的总个数，将第一层滤波器与图像卷积得到的输出结果作为深度PCA网络第二层的输入数据；
(7b)将深度PCA网络第一层训练得到的特征输入到深度PCA网络第二层中进行训练，执行和第一层同样的操作，得到能表征深度PCA网络第一层特征的新特征；
1)取的所有的重叠块，对进行块均值移除，则得到其中是的第j个均值移除块，收集上层网络中第l个滤波器输出结果数据的所有均值移除块将所有滤波器的输出结果进行连接得到Y,Y=[Y1,Y2,...,YL1]∈Rk1k2×L1Nmm;]]>
2)提取深度PCA网络第二层的滤波器：
Wl2=matk1,k2(ql(YYT))∈Rk1×k2,l=1,2,...,L2.---29)]]>
其中，L2为第二层PCA滤波器数；
3)计算深度PCA网络第二层的每个输入对应的L2个输出，即：
Oil={Iil*Wl2}l=1L2.---30)]]>
(7c)对深度PCA网络的输出层进行二值化和直方图统计；
1)对深度PCA网络第二层的输出进行二值化；
利用函数对深度PCA网络第二层的L1个输入图像的每个输入图像对应的L2个实值输出执行二值化操作，其中H(·)代表单位阶跃函数，即正数作为输入则函数输出为1，其它作为输入则函数输出为0；
2)L2位二值化结果进行十进制数值化；
第二层每个输入对应的输出结果中的L2个输出可以看作一组L2位二进制向量，通过函数31)式将一组L2位二进制向量转换成一个十进制数值：
Til=Σl=1L22l-1H(Iil*Wl2).---31)]]>深度PCA网络第二层的每个输入对应的一组L2位输出经过二值化和十进制数值化，输入图像的每个像素对应的十进制数值结果取值范围为
3)十进制化结果进行块直方图统计；
第二层的L1个输入图像的每个输入图像进行(7c)1)和2)处理后都对应一个十进制数值的输出图像本发明中对图像进行重叠取块，块的个数设置为B，块的大小设置为BS＝[3 3]，重叠率设置为overlapping＝0.5，直方图统计计 算每个子块中的十进制值，然后将B个取块的十进制值直方图统计计算结果组合成一个向量输入图像Ii经过此深度PCA网络提取后的特征最终表示为块直方图的统计结果集合即：
fi=[Bhist(Ti1),...,Bhist(TiL1)]T∈R(2L2)L1B.---32).]]>

7.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，利用步骤7中深度PCA网络的输出对SVM分类器进行训练包括；
SVM分类器采用的最优决策函数为：
f(x)=sgn{(wTx)+b}=sgn{(Σi=1nαiy(i)x(i))Tx+b}.---33)]]>
其中n是输入样本个数，x(i)代表第i个输入样本值，y(i)代表第i个输入样本所对应的类别标签；
当待分类的目标为多类目标时，本发明使用一对一(one-against-one)方法解决多分类问题。

8.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中对分类后的极化SAR图像上色显示方法为；
将滤波后的图像输入到训练好的框架中预测分类结果，得到分类后的极化SAR图像，在分类后的极化SAR图像上，以红色、绿色和蓝色三种颜色作为三基色，分别按照不同的混合比例对三基色进行混合，分别对这三基色取如下15组值：(255,0,0)、(255,128,0)、(171,138,80)、(255,255,0)、(183,0,255)、(191,191,255)、(90,11,255)、(191,255,191)、(0,252,255)、(128,0,0)、(255,182,229)、(0,255,0)、(0,131,74)、(0,0,255)、(255,217,157)。

9.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，滤波窗口大小设置为7×7。

10.  根据权利要求1所述的基于深度PCA网络和SVM的极化SAR图像分类方法，其中，k1×k2设置为3×3。

说明书基于深度PCA网络和SVM的极化SAR图像分类方法
技术领域
本发明属于图像处理技术领域，涉及极化合成孔径雷达图像地物分类技术领域的一种应用，具体是一种全新的基于深度主成分分析(Principal Component Analysis,PCA)网络和SVM的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别，能有效的提高极化SAR图像分类正确率。 
背景技术
合成孔径雷达(SAR)能够得到全天时、全天候、分辨率高的遥感图像，作为一种重要的遥感图像获取手段，有着广泛的应用。极化合成孔径雷达(极化SAR)通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标，能够得到更丰富的目标信息，在农林业、军事、海洋、水文学和地质学等方面具有广泛的研究和应用价值。它是一种先进的SAR系统，利用机载或星载极化传感器获得极化数据，确定每个像素所属的类别来进行极化SAR图像分类。经典的极化SAR分类方法包括： 
Cloude等人提出了基于H/α相干极化目标分解的极化SAR图像非监督分类方法。该方法主要是通过Cloude分解提取两个表征极化数据的特征参数，分别为散射熵H和散射角α，然后根据H/α组成的特征空间将极化图像划分为9个区域，由于一个区域理论上是不可能存在的，因此最终将图像划分为8类，且每个区域对应着某种类型的散射机制。H/α分类存在的两个缺陷：一个是区域的划分过于武断；另一个是可能会将同一类别的地物划分到不同的区域内，同时，不同类别的地物也可能存在于同一区域内。 
Yoshio Yamaguchi等提出了一种非相干极化目标的分解，即基于四分量目标分解的极化图像非监督分类算法。这是另一种特征提取的方法。该方法将极化SAR数据分解为四个散射机制之和。利用Yamaguchi分解可以获得这四个散射机制的散射功率，分别为：平面散射、二次散射、体散射和螺旋体散射。 
由于单一的目标分解不能完全描述地物的散射机理，其形成的特征不足以表征实际地物，这样导致极化SAR图像的分类效果不好，不能满足要求。鉴于此，本发明中深度PCA网络是将多种散射分解参数、偏振参数(Scattering Decomposition)、表 征数据分布的参数及协方差矩阵中提取出的9个独立元素进行归一化组合在一起的高维新极化SAR图像分类特征作为输入。组合得到的新特征不仅包含了散射机理特征和数据的分布特征而且考虑了地物的空间关系，充分利用了极化SAR图像的特性。本发明中所提出的深度PCA网络是一种特征学习框架，深度PCA网络能从低层次到高层次多层提取特征，可以准确地学习提取更有效、更抽象的极化SAR特征。相比较低层的特征，较高层次的特征能更好地反映数据的性质，更有利于提高分类精度。 
发明内容
本发明的目的在于针对已有技术的不足，提出一种基于深度PCA网络和SVM的极化SAR图像分类方法，以提高分类精度。 
为实现上述目的，本发明包括如下步骤： 
1、基于深度PCA网络和SVM的极化SAR图像分类方法，包括如下步骤： 
(1)读入一幅任选的待分类的极化SAR图像； 
(2)对待分类的极化SAR图像采用精致极化LEE滤波法，得到滤波后的极化SAR图像； 
(3)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取数据分布特征参数α；对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，分别通过泡利Pauli分解得到3个散射特征参数、弗里曼—得登Freeman-Durden分解得到7个散射特征参数、克拉徳Cloude分解得到6个散射特征参数、慧能Huynen分解得到9个散射特征参数和克罗艾厄Krogager分解得到3个散射特征参数，将通过这5种非相干极化目标分解方法得到的相应散射特征参数组合为28维散射特征S＝{s1,s2,…，s28}；对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取11维的偏振特征P＝{p1,p2,…,p11}； 
(4)从滤波后的极化SAR图像表示每个像素点的协方差矩阵C中提取出9个独立的元素，并与步骤(3)中得到的数据分布特征参数α、28维散射特征和11维的偏振特征组合，组合后进行归一化作为原始输入数据； 
(5)根据极化SAR图像的实际地物类别标记，在步骤(4)中得到的原始输入数据中标记与每种地物类别对应的数据，并把该数据作为有标记数据，在对应于每种地物类别的有标记数据中随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本； 
(6)对选取的训练样本做白化处理； 
(7)用步骤(6)白化处理后的训练样本训练深度PCA网络，将深度PCA网络的输出即深度PCA网络最终学习到的特征作为下一步待处理的数据； 
(7a)将步骤(6)白化处理后的训练样本作为输入数据，输入到深度PCA网络第一层中进行训练，得到能表征输入数据即步骤(6)白化处理后的训练样本的特征作为深度PCA网络第一层训练得到的特征； 
(7b)将深度PCA网络第一层训练得到的特征输入到深度PCA网络第二层中进行训练，得到能表征深度PCA网络第一层特征的新特征，即深度PCA网络第二层训练得到的特征； 
(7c)对深度PCA网络第二层训练得到的特征进行二值化和直方图统计，得到能够表征深度PCA网络的第二层特征的新特征，这个新特征就是深度PCA网络最终学习到的特征，即深度PCA网络的输出；； 
(8)利用步骤(7)中深度PCA网络的输出对SVM分类器进行训练，得到训练好的用于分类的SVM分类器； 
(9)将测试样本白化处理后输入到深度PCA网络，经步骤(7)得到深度PCA网络的输出，后将深度PCA网络的输出输入到步骤(8)训练好的分类器中预测分类结果并计算正确率； 
(9a)输入测试样本，进行与训练样本相同的白化处理； 
(9b)将白化后的测试样本输入到深度PCA网络，经步骤(7)得到深度PCA网络的输出，后将深度PCA网络的输出输入到步骤(8)训练好的分类器中预测分类结果； 
(9c)计算正确率； 
(10)将步骤(4)中得到的全部原始数据白化处理后，使用与步骤(7)相同的方法训练深度PCA网络，得到深度PCA网络的输出，然后将深度PCA网络的输出输入到步骤(8)训练好的分类器中预测分类，预测分类结果后对分类后的极化SAR图像上色显示，输出最终结果； 
在分类后的极化SAR图像上，以红色、绿色和蓝色三种颜色作为三基色，分别按照不同的混合比例对三基色进行混合上色。分类结果中相同类别的像素点上色相同，得到上色后的极化SAR分类结果图显示并输出。 
实现本发明的技术思路是：首先，对极化合成孔径雷达SAR图像进行滤波；其 次，对每个像素提取出28维的散射特征、1维的表征数据分布的形状因子、11维偏振特征及协方差矩阵9个独立的元素，组合归一化作为深度PCA网络的原始输入数据；然后，用选取的经白化处理的训练样本训练深度PCA网络；再用深度PCA网络的输出训练SVM分类器，之后对网络进行测试，预测分类结果，输出并保存。本发明与现有的技术相比具有以下优点： 
1.本发明提取了表征极化数据统计分布的形状因子特征参数，且使用到了五种不同的散射目标分解方法以得到更多的分解参数特征，通过将形状因子、散射特征参数、偏振参数及表示每个像素点的协方差矩阵C中提取出的9个独立元素进行组合归一化，形成的高维特征更有利于充分利用极化SAR数据不同于其他数据的散射特性和统计特性； 
2.本发明通过训练好的深度PCA网络能很好地学习高级特征，学习到的高级特征能更好地反映极化数据的性质，更有利于提高分类结果和分类精度，本发明分类结果相比传统方法有了很大提高； 
3.本发明使用到了SVM分类器，通过将深度PCA网络与SVM分类器有效结合能够准确地对极化SAR图像进行分类； 
附图说明
图1是本发明的总流程图； 
图2是本发明仿真使用弗莱福兰省Flevoland地区的极化SAR数据PauliRGB合成图； 
图3是本发明所使用弗莱福兰省Flevoland地区部分数据的真实地物标记； 
图4是现有监督wishart分类方法的分类结果； 
图5是支持向量机SVM分类方法的分类结果； 
图6是使用本发明所得极化合成孔径雷达SAR图像的分类结果图； 
图7是使用本发明所得极化合成孔径雷达SAR图像的类标记分类结果图。
具体实施方式
参照图1，本发明的具体实现步骤如下： 
步骤1，读入一幅待分类的极化SAR图像； 
步骤2，对待分类的极化SAR图像采用精致极化LEE滤波法，得到滤波后的极化SAR图像； 
对读入的待分类极化SAR图像进行滤波以实现斑点抑制。 
优选地，采用的滤波方法是精致极化LEE滤波法，其滤波窗口的大小设置为7×7。 
除此之外，还可以采用的滤波方法包括极化白化滤波、Box car滤波和基于非监督分类的滤波方法等。 
步骤3，对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取数据分布特征参数α；对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，分别通过泡利Pauli分解得到3个散射特征参数、弗里曼—得登Freeman-Durden分解得到7个散射特征参数、克拉徳Cloude分解得到6个散射特征参数、慧能Huynen分解得到9个散射特征参数和克罗艾厄Krogager分解得到3个散射特征参数，将通过这5种非相干极化目标分解方法得到的相应散射特征参数组合为28维散射特征S＝{s1,s2,…，s28}；对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C，提取11维的偏振特征P＝{p1,p2,…,p11}； 
首先对滤波后的极化SAR图像中每个像素点及其邻域划分为一个小的特征区域，提取表征该小区域的分布特征参数α。 
其次对表示每个像素点的协方差矩阵C，分别通过泡利Pauli分解得到3个散射特征参数、弗里曼—得登Freeman-Durden分解得到7个散射特征参数、克拉徳Cloude分解得到6个散射特征参数、慧能Huynen分解得到9个散射特征参数和克罗艾厄Krogager分解得到3个散射特征参数。通过这5种非相干极化目标分解方法，将得到的相应散射特征参数组合为28维散射特征S＝{s1,s2,…，s28}。最后，对每个像素点的协方差矩阵C，提取11维的偏振特征P＝{p1,p2,…,p11}。 
(3a)读入滤波后的极化SAR图像，则每个像素点可以表示为一个3×3的协方差矩阵C： 
C=<|SHH|2>2<SHHSHV*><SHHSVV*>2<SHVSHH*>2<|SHV|2>2<SHVSVV*><SVVSHH*>2<SVVSHV*><|SVV|2>.---1)]]>
由协方差矩阵C和相干矩阵T的关系，可以得到T： 
T=UCU-1=<|A|2><AB*><AC*><A*B><|B|2><BC*><A*C><B*C><|C|2>.---2)]]>
其中，A=SHH+SVV,B=SHH-SVV,C=2SHV.]]>
即T=<|SHH+SVV|2><(SHH+SVV)(SHH-SVV)*>2<(SHH+SVV)SHV*><(SHH-SVV)(SHH+SVV)*><|SHH-SVV|2>2<(SHH-SVV)SHV*>2<SHV(SHH+SVV)*>2<SHV(SHH-SVV)*>4<|SHV|2>.--3)]]>
其中，U=12×10110-1020]]>是中间变量，H表示水平极化态，V表示垂直极化态，SHH表示采用水平发射和水平向接收的复散射系数，SVV表示采用垂直向发射和垂直向接收的复散射系数，SHV表示采用水平向发射垂直向接收的复散射系数，(·)*表示数据取共轭，<·>表示按视数平均； 
(3b)提取数据分布特征参数α； 
1)计算每个像素点划定区域的相对峰值RK： 
由于K-wishart分布中的形状参数α可以表征数据分布特性,所以将该分布用于极化SAR图像分类，具体的，将图像数据中每个像素点及其周围的像素点总共九个像素点作为一个区域，根据协方差矩阵的对角元素计算每个像素点划定区域的相对峰值RK： 
RK=13(E{|SHH|2}E{|SHH|}2+E{|SHV|2}E{|SHV|}2+E{|SVV|2}E{|SVV|}2).---4)]]>
其中，SHH表示水平向发射和水平向接收的回波数据，SVV表示垂直向发射和垂直向接收的回波数据，|·|表示取这个数据的模，E{·}表示取这个数的均值； 
2)根据相对峰值计算分布特征参数α； 
相对峰值与区域分布特征参数存在如下关系： 
α=nq+1q+1/(RK-1).---5)]]>
其中n为视数，q为通道数，对于互易极化雷达，通道数取值为3。由4)式和5)式可以得到表征数据分布特性的参数α； 
(3c)泡利Pauli分解提取散射特征参数|a|2，|b|2，|c|2； 
1)将散射矩阵[S]表示为： 
[S]=SHHSHVSVHSVV=a[Sa]+b[Sb]+c[Sc]+d[Sd].---6)]]>
其中[Sa]=121001,[Sb]=12100-1,[Sc]=120110,[Sd]=120-ii0.]]>
2)将复数a，b，c和d用向量K表示为： 
K=abcd=12SHH+SVVSHH-SVVSHV+SVHi(SVH-SHV)T.---7)]]>
如果满足互易条件可将7)式表示为： 
K=abc=12SHH+SVVSHH-SVV2SHVT.---8)]]>
3)由此得到泡利Pauli分解的3个参数： 
|a|2=(SHH+SVV)22,|b|2=(SHH-SVV)22,|c|2=2(SHV)2.---9)]]>
其中|a|2表示具有奇次散射特征的散射体的散射能量，|b|2表示具有偶次散射的散体的散射能量，|c|2表示散射矩阵45度角偶次散射的散射能量。结合2)式和9)式可得： 
|a|2=T(1,1)2,|b|2=T(2,2)2,|c|2=T(3,3)2.---10)]]>
其中，T(,)表示相干矩阵中的元素，由10)式得到泡利Pauli分解的3个特征参数|a|2，|b|2，|c|2。 
(3d)弗里曼—得登Freeman-Durden分解提取散射特征参数； 
1)将协方差矩阵C表示为如下形式： 
C=fv101/302/301/301+fd|α|20α000α01+fs|β|20β000β*01.---11)]]>
其中，fv对应着体散射分量的贡献，fd对应着二面角散射分量的贡献，fs对应着平面散射分量的贡献，α和β为两个待定的比值系数，β表示水平发射水平接收后向散射反射系数HH与垂直发射垂直接收后向散射发射系数VV的比值，α被定义为α＝RghRvh/RgvRvv,其中Rvh和Rvv表示竖直墙体的反射系数，Rgh和Rgv分别表示地表的水平和垂直反射系数； 
2)由1)式和11)式得到以下4个方程和5个未知量的后向散射模型： 
<|SHH|2>=fs|β|2+fd|α|2+fd,<|SVV|2>=fs+fd+fv,<SHHSVV*>=fsβ+fdα+fv/3,<|SHV|2>=fv/3.---12)]]>
如果时，则单次散射占优，令α＝-1；如果时，则二次散射占优，令β＝1。确定α或者β值后，从残余模型中估计出fs，fd，fv，α或β。由fs，fd，fv系数求得各散射分量的功率Ps，Pd，Pv： 
Ps=fs(1+|β|2),Pd=fd(1+|α|2),Pv=8fv3.---13)]]>
3)由同极化比的定义： 
R=10×log(|SHH|2|SVV|2).---14)]]>
结合1)式求得同极化比为： 
R=10×log(C(1,1)C(3,3)).---15)]]>
4)由12)至15)式得到Ps，Pd，Pv，fs，fd，fv，R，7个表征弗里曼—得登Freeman-Durden分解的散射特征参数。 
(3e)克拉徳Cloude分解提取散射特征参数； 
1)将相干矩阵T表示为如下所示： 
T=U3ΛU3*=U3λ1000λ2000λ3U3*.---16)]]>
其中，(·)*表示数据的共轭，U3是T的正交特征向量，Λ是由T特征值组成的对角矩阵； 
2)由16)式得到克拉徳Cloude分解的散射熵参数H和反熵参数A，平均散射角α： 
H=Σi=13-Pilog3Pi,A=λ2-λ3λ2+λ3α=Σi3Piαi.---17)]]>
其中，αi＝con-1(|U3(1,i)|)，i＝1,2,3，H表示散射介质从各向同性散射到完全随机散射的随机性，α代表散射类型，A的大小反映Cloude分解中主导散射机制外的两个相对较弱散射分量之间的关系。 
3)由11)式和12)式得到克拉徳Cloude分解的6个特征参数H，α，A，λ1，λ2，λ3； 
(3f)慧能Huynen分解提取散射特征参数； 
1)将相干矩阵用9个自由度的实参数表示为如下形式： 
T=2A0C-iDH+iGC+iDB0+BE+iFH-iGE-iFB0-B.---18)]]>
2)由1)式、2)式和18)式可有： 
2A0=14<|SHH+SVV|2>B0+B=14<|SHH-SVV|2>B0-B=<|SHV|2>C+iD=14<|SHH|2-|SVV|2+2iImg(SHH*SVV)>H-iG=12<SHHSHV*+SVVSHV*>E-iF=12<SHHSHV*-SVVSHV*>.---19)]]>
由1)式、2)式和19)式可以求得A0，B0+B，B0-B，C，D，E，F，G，H9个表征慧能Huynen分解的特征参数； 
(3g)克罗艾厄Krogager分解提取散射特征； 
1)将散射矩阵分解为如下所示： 

其中ks，kd，kh分别对应三个相干分量球、二面角和螺旋体散射的分量系数。表示散射体的绝对相位包含有关散射体的信息，j为复数虚部，相位表示球相对于二面角分量和螺旋体分量的偏移量，相位参量θ表示Krogager分解中二面角和螺旋体分量的相位角； 
2)用待定系数方法求出克罗艾厄Krogager分解的3个特征参数，其中解得： 
ks2=T(1,1)4.---21)]]>
kd2=min(12×C(2,2)+12×Img(C(1,2))-12×Img(C(2,3))+T(2,2)4,...12×C(2,2)-12×Img(C(1,2))+12×Img(C(2,3))+T(2,2)4).---22)]]>
kh2=|12×C(2,2)+12×Img(C(1,2))-12×Img(C(2,3))+T(2,2)4-...]]>
(12×C(2,2)-12×Img(C(1,2))+12×Img(C(2,3))+T(2,2)4)|.---23)]]>
其中，Img表示取复数的虚部，由21)式至23)式得到3个克罗艾厄Krogager分解特征参数； 
(3h)对滤波后的极化SAR图像中表示每个像素点的协方差矩阵C提取11维的偏振特征P＝{p1,p2,…,p11}； 
本发明使用以下偏振特征参数： 
φhhvv=arg(<SHHSVV*>)Dpol=R12+R22+R32/R0σhh0=<SHHSHH*>σhv0=<SHVSHV*>σvv0=<SVVSVV*>σvv0/σhh0=<SVVSVV*>/<SHHSHH*>σhv0/σhh0=<SHVSHV*>/<SHHSHH*>rvvhh=10×log(|SVV|2/|SHH|2)rhvhh=10×log(|SHV|2/|SHH|2)rhvvv=10×log(|SHV|2/|SVV|2)δ=<SHVSHV*>/(<SHHSHH*>+<SVVSVV*>)---(24)]]>
由1)式和24)式对滤波后的极化SAR图像中每个像素点的协方差矩阵C提取11维的偏振特征P： 
P={φhhvv,Dpol,σhh0,σhv0,σvv0,σvv0/σhh0,σhv0/σhh0,rvvhh,rhvhh,rhvvv,δ}.---25)]]>
步骤4，从滤波后的极化SAR图像表示每个像素点的协方差矩阵C中提取出9个独立的元素，并与步骤3中得到的数据分布特征参数α、28维散射特征和11维的偏振特征组合，组合后进行归一化到[-1,1]，作为深度PCA网络的原始输入数据； 
步骤5，根据极化SAR图像的实际地物类别标记，在步骤4中得到的原始输入数据中标记与每种地物类别对应的数据作为有标记数据，在对应于每种地物类别的有标 记数据中随机选取10％的有标记数据作为训练样本，剩下的90％有标记数据作为测试样本； 
步骤6，对选取的训练样本做白化处理； 
步骤7，用步骤6白化处理后的训练样本训练深度PCA网络，将深度PCA网络的输出即深度PCA网络最终学习到的特征作为下一步待处理的数据； 
(7a)将步骤6白化处理后的训练样本作为输入数据，输入到深度PCA网络第一层中进行训练，得到能够表征输入数据即步骤6白化处理后的训练样本的特征作为深度PCA网络第一层训练得到的特征； 
1)将每一个1×49维的输入转换为7×7的元胞数组Ii∈Rm×n，即R7×7,其中Ii表示第一层PCA网络中的第i个训练样本所对应的元胞数组。对元胞数组I7×7中的每一个像素，进行非零填充的重叠取块其中块大小k1×k2，本发明中k1×k2设置为3×3，xi,j表示元胞数组Ii中的第j个矢量块。然后从每一个取得的矢量块中进行均值移除，获得通过对作为输入的所有训练样本执行同样的操作，最终将结果组合到一起，可以得到其中N为训练样本的总个数； 
2)最小化重构误差，提取第一层PCA滤波器，即： 
minV&Element;Rk1k2×L1||X-VVTX||F2,s.t.VVT=IL1.---26)]]>
其中，L1为第一层PCA滤波器数，是大小为L1×L2的单位矩阵，XXT的前L1个主特征向量则为式26)的解，本发明中L1＝8。因此，可以将网络第一层的PCA滤波器表示为： 
Wl1=matk1,k2(ql(XXT))&Element;Rk1×k2,l=1,2,...,L1.---27)]]>
其中,函数将向量映射到矩阵ql(XXT)表示XXT的前l个主特征向量。由于主特征向量可以获取所有均值移除训练块的主要变化，所以，本发明中通过堆叠多层的PCA滤波器来提取更高层的特征； 
3)计算第一层PCA网络的第l个滤波器与输入进行卷积后的输出： 
Iil=Ii*Wl1,i=1,2,...,N.---28)]]>
其中*表示2D卷积，在与进行卷积前对Ii的边界零填充以保证和Ii有相同的大小，N为训练样本的总个数。将第一层滤波器与图像卷积得到的输出结果作为深度PCA网络第二层的输入数据； 
(7b)将深度PCA网络第一层训练得到的特征输入到深度PCA网络第二层中进行训练，得到能表征深度PCA网络第一层特征的新特征，即深度PCA网络第二层训练得到的特征； 
1)取的所有的重叠块，对进行块均值移除，则得到 其中是的第j个均值移除块。收集上层网络中第l个滤波器输出结果数据的所有均值移除块将所有滤波器的输出结果进行连接得到Y,
2)提取深度PCA网络第二层的滤波器： 
Wl2=matk1,k2(ql(YYT))&Element;Rk1×k2,l=1,2,...,L2.---29)]]>
其中，L2为第二层PCA滤波器数，本发明中L2＝8。 
3)计算深度PCA网络第二层的每个输入对应的L2个输出，即： 
Oil={Iil*Wl2}l=1L2.---30)]]>
(7c)对深度PCA网络第二层训练得到的特征进行二值化和直方图统计，得到能够表征深度PCA网络的第二层特征的新特征，这个新特征就是深度PCA网络最终学习到的特征，即深度PCA网络的输出； 
1)对深度PCA网络第二层的输出进行二值化； 
利用函数对深度PCA网络第二层的L1个输入图像的每个输入图像对应的L2个实值输出执行二值化操作，其中H(·)代表单位阶跃函数，即正数作为输入则函数输出为1，其它作为输入则函数输出为0； 
2)L2位二值化结果进行十进制数值化； 
第二层每个输入对应的输出结果中的L2个输出可以看作一组L2位二进制向量，通过函数31)式将一组L2位二进制向量转换成一个十进制数值： 
Til=Σl=2L22l-1H(Iil*Wl2).---31)]]>
深度PCA网络第二层的每个输入对应的一组L2位输出经过二值化和十进制数值化，输入图像的每个像素对应的十进制数值结果取值范围为
3)十进制化结果进行块直方图统计； 
第二层的L1个输入图像的每个输入图像进行(7c)1)和2)处理后都对应一个十进制数值的输出图像本发明中对图像进行重叠取块，块的个数设置为B，块的大小设置为BS＝[3 3]，重叠率设置为overlapping＝0.5。直方图统计计算每个子块中的十进制值，然后将B个取块的十进制值直方图统计计算结果组合成一个向量输入图像Ii经过此深度PCA网络提取后的特征最终表示为块直方图的统计结果集合即： 
fi=[Bhist(Ti1),...,Bhist(TiL1)]T&Element;R(2L2)L1B.---32)]]>
步骤8，利用步骤7中深度PCA网络的输出对SVM分类器进行训练，得到训练好的用于分类的SVM分类器； 
SVM是一种基于结构风险最小化原则的以样本间的某种距离作为划分依据的模型识别方法。对于不同类型的问题，可能需要采用不同的分类学习机。 
对于线性可分问题，它的最优决策函数为： 
f(x)=sgn{(wTx)+b}=sgn{(Σi=1nαiy(i)x(i))Tx+b}.---33)]]>
其中n是输入样本个数，x(i)代表第i个输入样本值，y(i)代表第i个输入样本所对应的类别标签。 
对于线性不可分问题，必须使用非线性分类学习机。通过核空间的成功引入，实现原始空间到高维空间的非线性映射，将数据映射到更高维空间使其具有可分性，相应的判别函数为： 
f(x)=sgn{Σi=1nyiαi*K(xi,x)+b*}.---34)]]>
其中，K(xi,x)为核函数。本发明中采用的是线性SVM，对应的最优决策函数为33)式。当待分类的目标为多类目标时，要解决多分类问题可以采用的常用策略为以下几种： 
①一对多(one-against-rest) 
k类问题需要构造k个两类目标子分类器，要求第i个子分类器使用第i类中的训练样本作为正的训练样本，其它的样本作为负的训练样本，对于某个输入样本，其分类结果则为各子分类器输出值为最大的对应的相应类别。 
②一对一(one-against-one) 
该方法将k类中的每两类构造为一个子分类器，总共需要构造N＝k(k-1)/2个分类器，进而组合这些子分类器，使用投票的方法得到最终的类别属性。方法②相比方法①虽然需要的分类器较多些，但每次训练使用的训练样例较少，整个训练时间也相对较短，故本发明中使用一对一(one-against-one)方法解决多分类问题。 
步骤9，将测试样本白化处理后，使用与步骤7相同的方法训练深度PCA网络，得到深度PCA网络的输出，然后将深度PCA网络的输出输入到步骤8训练好的分类器中预测分类结果并计算正确率； 
(9a)输入测试样本，进行与训练样本相同的白化处理； 
(9b)将白化处理后的测试样本输入到深度PCA网络，使用与步骤7相同的方法得到深度PCA网络的输出，然后将深度PCA网络的输出输入到步骤8训练好的分类器中预测分类结果； 
(9c)计算正确率； 
对比预测得到的分类结果与真实的地物标记。计算每个类别的正确率，即测试样本中的每个类别，预测类别一致的像素个数与测试样本中相应类别总的像素个数的比值；计算极化SAR图像整体的分类正确率，即类别一致的像素个数与测试样本中全部像素个数的比值； 
步骤10，将步骤4中得到的全部原始输入数据白化处理后，使用与步骤7相同的方法训练深度PCA网络，得到深度PCA网络的输出，然后将深度PCA网络的输出输入到步骤8训练好的分类器中预测分类，预测分类结果后对分类后的极化SAR图像上色显示，输出最终结果； 
(10a)以红色、绿色和蓝色三种颜色作为三基色，对分类结果进行上色； 
将滤波后的图像输入到训练好的框架中得到分类后的极化SAR图像。在分类后的极化SAR图像上，以红色、绿色和蓝色三种颜色作为三基色，分别按照不同的混合比例对三基色进行混合。分别对这三基色取如下15组值：(255,0,0)、(255,128,0)、(171,138,80)、(255,255,0)、(183,0,255)、(191,191,255)、(90,11,255)、(191,255,191)、(0,252,255)、(128,0,0)、(255,182,229)、(0,255,0)、(0,131,74)、(0,0,255)、(255,217,157)。 
(10b)将上色后的极化SAR分类结果图显示并输出； 
通过15种不同的颜色来对分类结果上色，其中分类结果中相同类别的像素点上色相同，得到上色后的极化SAR分类结果图并输出。 
本发明的效果可以通过下面的实验仿真进一步说明： 
1、实验条件与方法 
硬件平台为：Intel(R)Core(TM)i5-4200M CPU E6550@2.50GHZ、4GB RAM； 
软件平台为：MATLAB R2013b； 
2、仿真内容与结果 
本发明使用图2所示的大小为750×1024的Flevoland极化SAR数据作为测试图像。根据真实地物标记如图3所示，对每个类别随机选取10％作为训练样本。用剩下的有标记的90％数据作为测试数据。 
仿真一，使用有监督的wishart分类方法对图2进行分类，极化SAR图像分类结果见图4，每类的正确率及总体正确率见下表1。 
仿真二，使用支持向量机SVM分类方法对图2进行分类，其中训练样本归一化处理后作为输入数据，测试数据也需要做相应归一化后再做测试。极化SAR图像分类结果见图5，每类的正确率及总体正确率见下表1。 
仿真三，使用本发明对图2进行分类，极化SAR图像分类结果见图6，每类的正确率及总体正确率见表1。本发明的类标记分类结果图见图7。 
表1 


由表1以及图4、图5、图6和图7可以看出：本发明在三种方法之中，获得了最高的正确率(96.46％)。从分类结果来看，本发明的方法无论视觉效果还是正确率统计都比监督wishart和支持向量机SVM方法更好。相比本发明及支持向量机SVM方法，监督wishart方法将很多水的区域错分为了裸土。此外，支持向量机SVM方法对建筑物这个地物类别分类正确率很低(21.64％)。该方法将大部分建筑物误分类为森林。本发明所有地物的分类正确率都大于90％，其中建筑物这个类别分类正确率为100％。该方法对地物的划分更为精细，同质区域比其他两个方法更完整，边缘划分更为清晰，区域一致性更好，进一步提高了极化SAR图像的分类正确率、改善了图像质量。以上说明了本发明在极化SAR数据分类性能上更具有优势。