快速实现投影寻踪方法并分类极化SAR图像

《快速实现投影寻踪方法并分类极化SAR图像》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2009年4月西北工业大学学报Apr.2009第27卷第2期JournalofNorthwesternPolytechnicalUniversityVol.27No.2α快速实现投影寻踪方法并分类极化SAR图像林伟,田铮,王瑞霞(西北工业大学理学院,陕西西安710072)摘要:针对序列投影寻踪聚类模型用于多视极化SAR图像分类存在的速度慢的问题,文章提出了一种基于Bootstrap方法的快速投影寻踪实现方法。文中定义了拟最佳投影方向,给出了用于分类的Bootstrap样本选取准则,于是,只需要较少的样本就可寻找到拟最

2、佳投影方向,实现极化SAR图像的快速分类。分类结果和原有的序列投影寻踪聚类分类结果一样,与直接采用极化散射特性的方法相比,都能极大地改进分类结果。同时相比于原有算法又极大地提高算法实现的速度。关键词:序列投影寻踪聚类模型,Bootstrap方法,拟最佳投影方向,极化SAR图像,分类中图分类号:TP391,TP751文献标识码:A文章编号:100022758(2009)0220280205多极化、多波段、多模式SAR数据应用越来越问题的研究中,由于大量微小分量的投影具有正态广泛,从而对高维数据分析与应用方法的研究也得分

3、布,与正态分布的分离程度通常用作度量指标,如到广泛重视。如主成分分析法和独立主元分析法是Cook投影指标,其定义为采用投影的方式分析和研究高维数据,它们都是投2I(Α)=∫{f(y)-g(y)}g(y)dy(1)R影寻踪方法的特例。近年来投影寻踪方法已成功应[1,2]式中,Y=T(Z)是经过变化的投影数据,Z=Α′X,用于遥感图像处理中。序列投影寻踪聚类模是X的一维投影,X是p维数据,Α表示投影方向,满[3]型,是通过逐次把数据投影到最佳方向实现分类。足‖Α‖2=1。2Y的分布密度函数为f(y),g(y)是与现在广泛

4、应用的基于散射特性的极化SAR图像标准正态分布密度函数经变换后的分布密度函数。[6～8]的分类方法不同,该方法可同时利用目标的多实现投影寻踪的过程就是通过最大化投影指标个极化散射特性进行分类,极大地改进了目标的分来获得投影方向Α,亦即类精度。然而由于遥感中的大数据量,使该方法的应Αmax=arg(maxI(Α))(2)Α用停留在理论研究上,实用价值没有体现出来。基于[3]聚类序列投影寻踪模型定义如下。此,在研究序列投影寻踪聚类模型用于多视极化假设数据X由其若干子集Xi构成,即XSAR图像分类基础上,本文提出采用Boo

5、strap方法=∪Xi。根据公式(1)和(2)可以获得第1个投影方来实现投影方向的优化逼近,用于序列投影寻踪聚iT向Α1,则子类Xm由Xm=arg{max[I(Α1∪Xi)]}类模型的快速实现,以得到SAR图像快速分类。11ii抽取。在余下的数据中,在和Α1正交的子空间里,再根据公式(1)和(2)得到第2个投影方向Α2,显然Α21序列投影寻踪聚类模型的快速实现满足Α1�Α2=0,且Αmax=arg(maxI(Α))。同理,子ΑT类Xm由Xm=argmaxIΑ2∪Xi抽出。如111序列投影寻踪聚类模型22ii≠m1投影

6、寻踪通过采用搜索高维数据有意义的低维此等等,便得到一个投影方向序列Α=(Α1,Α2,⋯,投影方式进行高维数据分析。而有意义的低维投影1,i=jΑm),其中Αi�Αj=,并得到子类Xm,Xm12是通过最大(小)化投影指标体现。在高维数据分类0,i≠jα收稿日期:2007211211基金项目:国家自然科学基金(60375003)和航空基金(03I53059)资助作者简介:林伟(1965-),女,西北工业大学副教授,博士,主要从事遥感图像的统计建模及处理工作。第2期林伟等:快速实现投影寻踪方法并分类极化SAR图像·281·

7、⋯,Xm。因而,序列投影寻踪数学模型为表性的准则定义为每一个mi都大于零的概率趋近mT�于1,即Yt=ΑtXt�t=1,2,⋯,m(3)Xt=∪XiP{m1>0,⋯,mk>0)}=i≠m,⋯,m1t-1mmm112拟最佳投影方向⋯m!pk1⋯pkk→1(5)∑∑∑k1k1!⋯kk!k=1k=1k=1Bootstrap方法是一种自助式统计方法,通过对12k由Bootstrap样本的独立性和中心极限定理,有原始数据重复采样降低数据中异常值的影响。通常,P{m1>0,⋯,mk>0)}≈可重复使用Bootstrap方法采样k

8、次(k>200)并令k-mpi采样样本数m等于原始样本数n。在大数据量情况∏1-5(6)下,采样样本数影响计算速度,因而常采取减少重i=1m(1-pi)^新采样样本数,即令m