一种基于Cloude分解的极化SAR图像分类方法
【专利摘要】本发明公开了一种基于Cloude特征分解的极化SAR图像无监督分类方法，包括：读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到散射熵H和散射角α；计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值；将得到的分割阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类；将得到的初始分类的类中心和类别数输入Wishart分类器，得到所述极化SAR图像的分类结果。本发明对H、α参数进行直方图分割获得划分的阈值，改进H/α分类面的初始类中心，使分类更合理，提高了分类器的性能。
【专利说明】-种基于Cloude分解的极化SAR图像分类方法
【技术领域】
[0001] 本发明属于图像分类【技术领域】，具体涉及一种极化SAR图像地物分类方法。
[0002] 发明背景
[0003] 具有全天时全天候的微波遥感技术近年得到了广泛的研究和应用。具有代表性 的合成孔径雷达（SAR)，是一种高分辨率成像雷达，可以提供一定波段和一定入射角下的地 物图像，因此对遥感数据的自动分析及解译，特别是针对地物的分类，具有很重要的研究意 义。相对于普通SAR，极化SAR加入了极化信息，得到的数据包含了更多的地物信息，更有利 于对地物的分析。
[0004] 极化SAR图像分类一般分为监督分类和无监督分类两大方法。由于不需要任何的 先验信息，无监督分类是一种很重要的分类方法，而且极化SAR数据相对于普通的SAR数据 而言，提供了更多的地物信息。一般，极化SAR图像的分类流程为：预处理、特征提取、特征 选择、分类。其中，特征提取是非常重要的一步，分类结果的好坏取决于提取的特征信息是 否能充分的表示地物以及如何对特征信息作可信的处理。近年来，涉及目标特征分解的研 究已有很多，在此基础上也提出了基于目标分解理论的无监督分类方法。例如，比较广泛 应用的，Cloude的Η/α特征分解和Freeman的三分量分解。针对Cloude特征分解的无监 督分类已有很多，但是大多数分类方法都是基于Η/α的初始分类面发展来的，传统的基于 Cloude分解的Η/ α分类方法，是在Η/ α平面上给定一些值实现硬性划分为8类，如图1所 示。所有的图像样本点都会根据这个划分原则分配初始分类的类中心，这给图像分类一定 的局限性。从图5中可看到，左下角的矩形区域中，图像样本点分别集中在3个类中心的周 围，但是该方法没有划分出来，只是将这一整块划分为一类，这使得初始类中心存在不合理 的划分。初始分类的类中心是否合理关系到下一步聚类器性能的好坏，影响了整个分类器 的性能，并且地物类别数也是特定的。
[0005] 针对上述的问题，已有研究者给出了可行的方法，但是由于图像样本点大，使得计 算量非常大，非常耗时，这使得实时性受到限制。所以，如何使初始分类的类中心更合理，并 且算法的复杂度又不大的情况下提高分类器的性能，这是一个需要解决的问题。
【发明内容】
[0006] 本发明的目的在于解决初始分类的类中心分配不合理而影响分类器性能的问题， 因此本发明提出技术方案：一种基于Cloude分解的极化SAR图像分类方法，改善初始分类 的类中心，提高分类器的性能，并且分类过程中无需指定类别数，类别数在分类过程中自动 产生，包括如下步骤：
[0007] 步骤S1 :读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分 解，得到散射熵Η和散射角α ;
[0008] 步骤S2:计算散射熵Η和散射角α的统计直方图，并对直方图进行分割，得到分 割阈值，
[0009] 进一步地，步骤S2还包括一下分步骤：
[0010] 步骤S21 :计算所述特征参数Η和α的统计直方图；
[0011] 步骤S22 :对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和 相邻峰值，得到明显峰值；
[0012] 步骤S23 :将得到的明显峰值输入到FCM分割器中，得到更合理的划分阈值；
[0013] 步骤S3 :将步骤S2得到的阈值作为散射熵Η和散射角α特征构成的二维平面的 划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步 骤S2得到的阈值决定；
[0014] 步骤S4 :将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极 化SAR图像的分类结果。
[0015] 本发明的有益效果：提供了一种基于特征分解的极化SAR图像分类，其利用从极 化SAR图像提取的特征参数进行统计直方图分割，得到合理的分割阈值，再根据阈值对特 征参数所组成的二维分类平面进行划分。这种划分方法对比原始的Η/α硬性划分方法要 更加的合理，而且得到的类别数不再固定，而是根据图像本身特征的特点自适应的改变，更 加符合图像信息的实际分布。由于初始划分的合理性，得到的类中心更加合理，使得在进一 步的分类中，改善了分类器的性能。这种划分方法在没有增加其他特征参数的情况下，利用 对已有特征参数进行直方图分割得到分割点，使分类更合理，且计算复杂度并没有实质的 增加。
【专利附图】
【附图说明】
[0016] 图1本发明的流程图；
[0017] 图2是原始San Francisco Bay极化SAR图像功率图；
[0018] 图3是现有的Η/ a -Wishart分类方法对图2的分类仿真结果图；
[0019] 图4是本发明对图2的分类仿真结果图；
[0020] 图5是现有对图2的Η/ α平面划分图；
[0021] 图6是本发明对图2的Η/ α平面划分图；
[0022] 图7是对图2提取的Η的统计直方图；
[0023] 图8是对图2提取的α的统计直方图。
[0024] 具体的实现方式
[0025] 为使本领域技术人员更好地理解本发明，下面参照附图对本发明的实施例进行详 细的说明。
[0026] 本发明的技术方案是：一种基于cloude分解的极化SAR图像分类方法，包括如下 步骤：
[0027] 步骤S1 :读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分 解，得到散射熵Η和散射角α ;
[0028] 步骤S2:计算散射熵Η和散射角α的统计直方图，并对直方图进行分割，得到分 割阈值，
[0029] 进一步地，步骤S2还包括一下分步骤：
[0030] 步骤S21 :计算所述特征参数Η和α的统计直方图；
[0031] 步骤S22 :对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和 相邻峰值，得到明显峰值；
[0032] 步骤S23 :将得到的明显峰值输入到FCM分割器中，得到更合理的划分阈值；
[0033] 步骤S3 :将步骤S2得到的阈值作为散射熵Η和散射角α特征构成的二维平面的 划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步 骤S2得到的阈值决定；
[0034] 步骤S4 :将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极 化SAR图像的分类结果。
[0035] 下面结合附图1进行具体说明所述步骤S1，读入一幅待分类的极化SAR图像，对图 像中的每个像素点进行Cloude分解，得到散射熵Η和散射角α按以下分步骤进行：
[0036] 步骤S11 :读入一幅待分类的极化SAR图像，图像中的每个像素点的散射矩阵S，
[0037]
【权利要求】
1. 一种基于Cloude分解的极化SAR图像分类方法，其特征是，包括如下步骤： 步骤S1 :读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解， 得到散射熵Η和散射角α ; 步骤S2:计算散射熵Η和散射角α的统计直方图，并对直方图进行分割，得到分割阈 值，步骤S2具体包含以下分步骤： 步骤S21:计算所述散射熵Η和散射角α的统计直方图； 步骤S22 :对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和相邻 峰值，得到明显峰值，步骤S22还包括以下分步骤： 步骤S221 :找初始峰值， p〇 = {i, s (i) I s (i) ^ s (i-l)&s (i) ^ s (i+1), 2 ^ i ^ 256}, P〇是初始峰值的集合，当i = 256时，则s (i+1) = s (1); 步骤S222 :去除小峰值，对于集合P(l，当峰值小于第一阈值时，将这个峰值从集合P(l中 去掉； 步骤S223 :去除相邻的峰值，当两个峰值之间的距离小于第二阈值时，去除较小的峰 值； 步骤S23 :将得到的明显峰值输入到FCM分割器中，得到分割阈值，步骤S23还包括以 下分步骤： 步骤S231 :初始化直方图的聚类中心为步骤S22产生的峰值，设定门限ε，t = l，m =2， 步骤S232 :计算模糊隶属度，
其中禮1表示第t次迭代计算的模糊隶属度矩阵中第i行j列的模糊隶属度，如果 则j尹k，其中，^=|d||，fj是映射到直方图的横坐标刻度， 1彡j彡256, i e S，以下i，j范围一致； 步骤S233 :计算直方图的聚类中心f(i+1)，
其中，h(fp是&的频数，1为灰度级； 步骤S234 :如果|0+11 -#1 < s迭代停止，否则t = t+Ι，重复步骤S232到步骤S234， 得到收敛的聚类中心即峰值和隶属度矩阵，根据最大隶属度原则找到分割阈值； 步骤S3:将步骤S2得到的阈值作为散射熵Η和散射角α特征构成的二维平面的划分 点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步骤S2 得到的阈值决定； 步骤S4 :将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极化 SAR图像的分类结果。
2. 根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在 于， 步骤S1还包括以下分步骤： 步骤S11 :读入一幅待分类的极化SAR图像，图像中的每个像素点的散射矩阵S，
其中，表示采用i极化方式接收，j极化方式发射的复散射系数，所述i，j = Η或V， 且Η表示水平方向，V表示垂直方向，使用Pauli基，散射矩阵S可以写成一个散射矢量k :
其中，上标"T"表示转置，所以每个像素点的η视相关矩阵T定义为：
其中，η为视数，为第i视的散射矢量，上标Η表示取共轭转置，〈·>表示统计平均； 步骤S12 :将相干矩阵Τ进行特征分解，因为相干矩阵Τ是3X3的Hermitian半正定 矩阵，所以相干矩阵T总是能进行特征值分解的，
其中，Ai是相干矩阵T的第i个特征值，并且有λ2> λ3>〇,上标Η表示取 共轭转置，ei为相干矩阵Τ经正交化后的单位特征矢量，表示为
其中上标Τ表示取转置； 步骤S13 :根据获得的特征值λ i和特征矢量ei，计算每个像素点的散射熵Η和散射角 α ：
3. 根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在 于，，步骤S4具体包含以下分步骤： 步骤S41 :根据下式求m类中每一类的聚类中心Q，表示为对每一类的相干矩阵求平 均：
其中，?\表示属于第1类的像素的相干矩阵，队为第i类的像素的个数； 步骤S42 :根据下式计算每个像素点的相干矩阵T到第i类聚类中心Q的距离 daQ ：
其中，I · I表示对矩阵求行列式，tr( ·)表示求矩阵的迹，Cf1表示对聚类中心Q求 逆； 步骤S43 :根据最大似然准则相干矩阵为T的像素点被归类到第i类，如果距离度量 dacj满足下式要求： d (T，C)彡 d (T，Cj)，j = 1，…，m 且 j 关 i, 其中m表示类别数； 步骤S44 :重复步骤S41至步骤S43直到迭代的次数等于给定的迭代次数μ，其中μ =5,得到更为准确的分类结果。
4. 根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在 于，所述第一阈值设定为图像总像素点的〇. 5%。
5. 根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在 于，所述第二阈值设定为10。
【文档编号】G06K9/62GK104123563SQ201410341457
【公开日】2014年10月29日 申请日期:2014年7月17日 优先权日:2014年7月17日
【发明者】张扬, 蒋霞, 郝恩义 申请人:电子科技大学