一种基于极化特征和近邻传播聚类的极化sar图像分类方法
【专利摘要】本发明公开了一种基于极化特征和近邻传播聚类的极化SAR图像分类方法，主要解决现有无监督极化SAR分类方法分类精度不高的问题。其实现步骤为：对每个像素点进行特征分解和Freeman分解，提取像素点的三种系数和四种散射功率；根据获得的系数和散射功率对图像进行划分，得到7种类别；对获得的每一类，利用数据分布特征将其分成3个小类；对得到的21个类别计算相似度矩阵，然后用近邻传播聚类对其聚类，得到图像的预分类结果；最后，对预分类得到的图像用Wishart分类器进行迭代分类，得到最终分类结果。本发明与经典分类方法相比，对极化SAR图像的划分更加严谨，分类效果更佳，计算复杂度相对较小，可用于对极化SAR图像的进行地物分类和目标识别。
【专利说明】—种基于极化特征和近邻传播聚类的极化SAR图像分类方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，涉及极化SAR图像地物分类领域的应用，具体的说是一种基于极化特征和近邻传播聚类的极化SAR图像分类方法。
【背景技术】
[0002]极化SAR雷达能够得到更丰富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测，目标检测和海洋污染检测等。极化SAR图像分类的目的是利用机载或星载极化传感器获得的极化测量数据，确定每个像素所属的类别。经典的极化SAR分类方法包括:
[0003]Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法，见CloudeS R, Pottier E.An entropy based classification scheme for land applications ofpolarimetric SAR[J].1EEE Trans.Geosc1.Remote Sensing.1997,35(1):549-557.该方法主要是通过Cloude分解提取两个表征极化数据的特征H和α，然后根据Η/α平面将极化图像划分为9个区域，其中一个理论上不可能存在的区域，因此最终将图像划分为8类。Η/α分类存在的两个缺陷:一个是区域的划分过于武断；另一个是当同一个区域里共存几种不同的地物时，将不能有效区分。
[0004]Lee等人提出了基于H/α目标分解和Wishart分类器的H/a-Wishart非监督分类方法，见 Lee J S, Grunes M R, Ainsworth T L, etal.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].1EEETrans.Geosc1.Remote Sensing.1999,37(5):2249-2258.该方法是在原始 H/α 分类基础上增加了 Wishart迭代，主要是对H/ α划分后的8类利用Wishart分类器对每一个像素进行重新划分，从而有效的提高了分类的精度，但是又存在不能很好的保持各类的极化散射特性的不足。
[0005]近邻传播聚类是近年出现的一种在数据挖掘领域极具竞争力的聚类算法，相比较于传统聚类算法，近邻传播聚类方法能够在较短时间内完成大规模多类别数据集的聚类，并且该算法能够很好地解决非欧空间问题。然而该算法在应用到图像分割领域时，计算量和存储量是难以承受的，严重阻碍了该算法的性能发挥。
[0006]上述图像处理方法未能体现极化SAR数据的分布特性；也没有减少了近邻传播聚类算法的计算量和存储量；且不能根据图像的具体情况对图像自适应的进行聚类。
【发明内容】
[0007]本发明的目的在于针对已有技术的不足，提出一种基于极化特征和近邻传播聚类的极化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分类效果进行提闻。[0008]为实现上述目的，本发明技术方案是:一种基于极化特征和近邻传播聚类的极化SAR图像分类方法，其特征是:包括如下步骤:
[0009](I)对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解，得到每个像素点的单一散射机制系数Ps，双散射机制系数Pd和三种散射机制系数Pr;
[0010](2)对待分类的极化SAR图像中每个像素点进行Freeman分解，得到每个像素点的表面散射功率ps，二面角散射功率Pd，体散射功率Pv ；
[0011](3)根据每个像素点的单一散射机制系数Ps，双散射机制系数Pd和三种散射机制系数P r,对待分类的极化SAR图像进行初始划分:根据max ( P s, P d, P v)的值的大小，将待分类的极化SAR图像数据初始划分为7类，即当max (P s，P d，P v) = P 3时，认为只有一种主散射机制，将max (Ps, Pd, Pv) = Ps的对应像素点划分为Ps类，将max (Ps, Pd, Pv) = Pd的对应像素点划分为Pd类，将max (Ps, Pd, Pv) = Pv对应像素点划分为Pv类；当max ( P s，P d，P v)=Pd时，认为同时存在两种主散射机制，将min(Ps，Pd，Pv) = Ps的对应像素点划分为PdPv类，将min (Ps, Pd, Pv) = Pd的对应像素点划分为PsPv类，将min (Ps, Pd, Pv) = Pv对应像素点划分为PsPd类；当max( Ps，Pd，Pv) = P 7时，认为三种散射同时存在，将对应的像素点划分为Ρ#Λ类；
[0012](4)对得到的7类初始划分结果，计算每一类中每个像素点的分布特征参数XL:
[0013](4a)将每个像素点及其周围的像素点总共九个像素点作为一个小区域，计算该区域的相对峰值RK:
【权利要求】
1.一种基于极化特征和近邻传播聚类的极化SAR图像分类方法，其特征是:包括如下步骤: (1)对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解，得到每个像素点的单一散射机制系数Ps，双散射机制系数Pd和三种散射机制系数Pd (2)对待分类的极化SAR图像中每个像素点进行Freeman分解，得到每个像素点的表面散射功率Ps，二面角散射功率Pd，体散射功率Pv ; (3)根据每个像素点的单一散射机制系数Ps，双散射机制系数Pd和三种散射机制系数P P对待分类的极化SAR图像进行初始划分:根据max ( P s, P d, P v)的值的大小，将待分类的极化SAR图像数据初始划分为7类，即当max(P s，P d，P v) = P s时，认为只有一种主散射机制，将max (Ps, Pd, Pv) = Ps的对应像素点划分为Ps类，将max (Ps, Pd, Pv) = Pd的对应像素点划分为Pd类，将max (Ps, Pd, Pv) = Pv对应像素点划分为Pv类；当max ( P s, Pd, Pv)=P d时，认为同时存在两种主散射机制，将min (Ps, Pd, Pv) = Ps的对应像素点划分为PdPv类，将min (Ps, Pd, Pv) = Pd的对应像素点划分为PsPv类，将min (Ps, Pd, Pv) = Pv对应像素点划分为PsPd类；当max (P s, Pd, Pv) = P v时,认为三种散射同时存在,将对应的像素点划分为PsPdPv 类; (4)对得到的7类初始划分结果，计算每一类中每个像素点的分布特征参数XL: (4a)将每个像素点及其周围的像素点总共九个像素点作为一个小区域，计算该区域的相对峰值RK:
2.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法，其特征是和:其中步骤(1)所述的对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解，按如下步骤进行: (Ia)读入图像的每个像素点，这些像素点为一个含有9个元素的3X3相干矩阵T ；
3.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法，其特征是:其中步骤(2)所述的对每个像素点进行Freeman分解，按如下步骤进行: (2a)读入图像的每个像素点，该像素点为一个3X3的相干矩阵T，根据相干矩阵T得到协方差矩阵C ；
4.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法，其特征是:其中步骤(11)所述的用近邻传播聚类对特征向量矩阵X进行聚类，得到整幅图像的预分类结果，按如下步骤进行: (Ila)根据特征向量矩阵X计算新相似矩阵S，
5.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法，其特征是:其中步骤(12)所述的对预分类得到的整幅图像用Wishart分类器进行迭代分类，按如下步骤进行: (12a)对整幅图像预分类得到的结果，计算每一类的聚类中心B。:
【文档编号】G06K9/62GK103839073SQ201410055001
【公开日】2014年6月4日 申请日期:2014年2月18日 优先权日:2014年2月18日
【发明者】王爽, 焦李成, 刘亚超, 于佳平, 马晶晶, 马文萍, 侯彪 申请人:西安电子科技大学