基于模糊C均值的全极化SAR图像分类方法与流程

本发明涉及一种基于模糊C均值的全极化SAR图像分类方法，属于极化SAR数据处理技术领域。

背景技术：
近些年，随着星载极化SAR系统的陆续投入使用，极化SAR技术在遥感应用中占据越来越重要的位置。由于具有四个极化通道，全极化SAR数据获取的地物信息比单极化SAR更加丰富。如何有效地分析全极化SAR数据，提取全极化SAR数据中包含的散射体的特征一直是极化研究的难点。许多极化特征参数曾经被提出，如通道强度、通道强度比、通道相位差等，但这些特征参数只对特定的应用环境适用，受具体实验和需求的限制。Cloude-Pottier算法作为一种典型的目标极化分解方法在解决以上难题中有绝对的优势。该算法不需要知道数据的概率分布状态就可以对分类结果进行合理的解译，但是由于散射机制与真实地表之间缺乏一一对应关系，所以每种地物的分类边界比较模糊。

技术实现要素：
为解决现有技术的不足，本发明的目的在于提供一种基于模糊C均值的全极化SAR图像分类方法，针对传统的基于Cloude-Pottier分解的极化SAR图像分类方法中由于分割阈值固定导致的地类边界不准确的问题，采用Wishart距离取代传统模糊C均值聚类中的欧氏距离，并引入一个距离因子，使得分类结果与真实地表更加接近，准确度更高。为了实现上述目标，本发明采用如下的技术方案：基于模糊C均值的全极化SAR图像分类方法，其特征在于：包括如下步骤：1)对原始全极化SAR数据进行预处理，采用多视处理和RefinedLee滤波方法消除SAR图像中斑点噪声的影响；2)对预处理后的图像进行Cloude-Pottier极化分解，得到散射熵H、散射角α、平均散射强度λ三个极化参数；3)根据平均散射强度的值将图像分为三大类，分别为：高散射强度区域、中等散射强度区域和低散射强度区域，将每一大类利用H/α平面进一步分割，共得到24小类；4)采用层次聚类算法将得到的24类合并为n(0<n≤24)类；5)计算每个像素点与每一类聚类中心的距离，采用模糊C均值聚类算法调整每一类地物的边界，直至满足目标函数最小，迭代终止并输出分类结果；所述模糊C均值聚类算法中的像素点到聚类中心的距离d采用Wishart距离和一个距离因子Wij重新定义：其中<T>为像素点的相干矩阵，Vm为每一类的平均相干矩阵，即聚类中心，μij代表数据点xi隶属于类别j的概率；所述距离因子Wij表示的含义为Wij越大，每个像素与聚类中心Vm的距离越小，离聚类中心近的点变得更近，与聚类中心远的点变得更远。前述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：所述步骤2)中，散射熵H、散射角α及平均散射强度λ三个极化参数采用Cloude-Pottier分解算法对预处理后的数据进行极化分解得到：λ＝λ1p1+λ2p2+λ3p3其中λ1、λ2、λ3为相干矩阵T的特征值，且∞＞λ1≥λ2≥λ3＞0，pi的表达式为：αi表示第i种散射机制的类型。前述的基于模糊C均值的全极化SAR图像分类方法，其特...