一种基于散射相似性的地物分类的方法与流程

本申请涉及微波遥感领域，具体涉及基于散射相似性的地物分类的方法。

背景技术：

目标极化散射特性研究对于目标的检测以及地物分类意义重大。目标极化特性研究可分为两类：一为目标极化分解，二为散射相似性理论。

但由于基于目标极化分解的分类方法存在应用局限、运算量偏大等诸多问题，对处理实时的图像数据并不适用。

通过分析目标极化分解的不足，2002年，杨健等首次提出了散射相似性这一概念，定义了一种度量目标散射相似性的参数—相似性系数，解决了由于散射相似性理论计算简单，而且能满足要求，已被广泛应用于目标分类与检测，但此目标散射相似性不能直接用于分布式目标散射特性分析。2005年，徐俊毅等提出适用于分布式目标的方法，虽然解决了这一问题，但却额外增加了运算量。

技术实现要素：

本申请提供一种基于散射相似性的地物分类的方法。以解决计算量过大的问题。

为了解决上述技术问题，本申请实施例提供了如下的技术方案：

本申请提供一种基于散射相似性的地物分类的方法，其特征在于，包括：

s1，获取与待分类sar图像的每个像素相关联的目标相干矩阵t；

s2，根据所述待分类sar图像及所述目标相干矩阵t获取分布式目标相干矩阵tt；

s3，根据所述分布式目标相干矩阵tt获取极化散射熵h；

s4，根据所述待分类sar图像的两目标像素的关系和所述分布式目标相干矩阵tt获取分布式目标散射相似性系数；

s5，根据所述分布式目标散射相似性系数计算表面散射相似性值rs；

s6，根据所述表面散射相似性值rs建立表面散射相似性平面ah/rs，所述表面散射相似性平面，包括简单线性近似公式ah和边界rs估计值，其中，所述简单线性近似公式ah，替代所述极化散射熵h；

s7，根据所述简单线性近似公式ah和所述边界rs估计值获取散射机制分类；

s8，根据所述待分类sar图像和所述散射机制分类获取分类图。

优选的，所述根据所述待分类sar图像及所述目标相干矩阵t获取分布式目标相干矩阵tt，包括：

获取所述待分类sar图像的极化后向散射矩阵ss；

矢量化所述极化后向散射矩阵ss生成特征矢量矩阵

根据所述特征矢量矩阵获取目标相干矩阵t；

根据所述目标相干矩阵t及mueller矩阵获取分布式目标相干矩阵tt。

优选的，所述根据所述待分类sar图像的两目标像素的关系和所述分布式目标相干矩阵tt获取分布式目标散射相似性系数，包括：

根据所述两目标像素的pauli基矢量获取所述两目标像素间的散射相似性系数公式：

其中，为目标散射矢量，其中上标*表示共轭复数，

表示向量分量绝对值的平方和，r∈[0,1]；

将所述分布式目标相干矩阵tt分解为第一公式：

其中，和分别是三个归一化正交特征矢量，每一个目标对应一种确定的散射机制，确定的散射机制成分i在整个散射过程中所占的权重由特征值λi描述；然后根据λi权重大小确定主散射机制，即若λ1≥λ2≥λ3，则为主散射机制，为次散射机制，为最次散射机制；

定义散射相似性系数公式：

其中，tt为分布式目标相干矩阵，

典型目标的pauli基矢量；

根据所述散射相似性系数公式和所述第一公式获取分布式目标散射相似性系数：

其中，为的归一化矢量，

pi为的发生概率也是对应散射机制发生概率，

为和的目标散射相似性系数。

优选的，所述根据所述表面散射相似性值建立表面散射相似性平面，所述表面散射相似性平面，包括简单线性近似公式ah和边界rs估计值，包括：

利用所述简单线性近似公式ah替代所述极化散射熵h；

利用平均α角边界值获取所述边界rs估计值。

优选的，所述根据所述简单线性近似公式ah和所述边界rs估计值获取散射机制分类，包括：

根据所述简单线性近似公式ah获取第一散射机制分类；

根据所述第一散射机制分类及所述平均α角边界和所述边界rs估计值获取所述散射机制分类。

基于上述实施例的公开可以获知，本申请实施例具备如下的有益效果：

本申请提供一种基于散射相似性的地物分类的方法，所述方法包括：s1，获取与待分类sar图像的每个像素相关联的目标相干矩阵t；s2，根据所述待分类sar图像及所述目标相干矩阵t获取分布式目标相干矩阵tt；s3，根据所述分布式目标相干矩阵tt获取极化散射熵h；s4，根据所述待分类sar图像的两目标像素的关系和所述分布式目标相干矩阵tt获取分布式目标散射相似性系数；s5，根据所述分布式目标散射相似性系数计算表面散射相似性值rs；s6，根据所述表面散射相似性值rs建立表面散射相似性平面ah/rs，所述表面散射相似性平面，包括简单线性近似公式ah和边界rs估计值，其中，所述简单线性近似公式ah，替代所述极化散射熵h；s7，根据所述简单线性近似公式ah和所述边界rs估计值获取散射机制分类；s8，根据所述所述待分类sar图像和所述散射机制分类获取分类图。

本申请针对h/α分类方法运算量偏大的缺点进行了改进，用散射相似性平面代替了h/α平面。散射相似性分类算法弥补了h/α运算量偏大的缺点，提高了运算效率；同时，分类效果和已有分类效果基本一致。

附图说明

图1是本实施例提供的一种基于散射相似性的地物分类的方法的流程图；

图2是本实施例提供的美国旧金山地区的待分类的合成孔径雷达图像的pauli图；

图3是本实施例提供的黄河流域内蒙古段地区的待分类的合成孔径雷达图像的pauli图；

图4是本实施例提供的实现的ah/h平面散布图；

图5是本实施例提供的表面散射相似性平面ah/rs分类散布图；

图6是本实施例提供的已有分类方法h/α和ah/rs分类后的结果示意图；。

图7是本实施例提供的已有分类方法h/α和ah/rs分类后的结果示意图；

图8是本实施例提供的已有的分类方法h/α和ah/rs分类后的结果示意图；

图9是本实施例提供的已有分类方法h/α和ah/rs分类后的结果示意图。

具体实施方式

下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。

应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。

下面，结合附图详细的说明本申请实施例，

本申请提供一种基于散射相似性的地物分类的方法。在下面的实施例中逐一进行详细说明。请参见图1至图9所示.

本实施例提供了一种基于散射相似性的地物分类的方法，具体步骤包括：

请参见图1所示，步骤s1，获取与待分类sar图像的每个像素相关联的目标相干矩阵t：

其中，t11、t22、t33、t12、t21、t13、t31、t32、t23为所述分类图像在每个像素位置处的目标相干矩阵。

请参见图2和图3所示。图2是本实施例提供的美国旧金山地区的待分类的合成孔径雷达图像的pauli图，每个像素位置处的目标相干矩阵包含900*1024个元素；图3是本实施例提供的黄河流域内蒙古段地区的待分类的合成孔径雷达图像的pauli图，每个像素位置处的目标相干矩阵包含1500*1600个元素。

步骤s2，根据所述待分类sar图像及所述目标相干矩阵t获取分布式目标相干矩阵tt。具体步骤包括：

步骤s2-1，获取所述待分类sar图像的极化后向散射矩阵ss。

在分类sar图像中)，极化后向散射矩阵通常采用一个sinclair矩阵表征。在“水平-垂直”线极化基下，该sinclair矩阵：

其中，sshh为h极化发射和h极化接收时目标散射系数，

sshv为v极化发射和h极化接收时目标散射系数,

ssvh为h极化发射和v极化接收时目标散射系数,

ssvv为v极化发射和v极化接收时目标散射系数；

在互易条件下，sinclair矩阵为对称矩阵以下内容均假设sinclair矩阵为对称的。

步骤s2-2，矢量化所述极化后向散射矩阵ss生成特征矢量矩阵

其中，为pauli特征矢量，

trace(ss)为矩阵迹运算，为pauli基矩阵集合，

矩阵右上角′为矩阵的转置。

步骤s2-3，根据所述特征矢量矩阵获取目标相干矩阵t：

其中，上标*为矢量共轭转置运算。

步骤s2-4，根据所述目标相干矩阵t及mueller矩阵获取分布式目标相干矩阵tt。

通常将分布式目标看成是由许多在空间上随机分布的、相互独立的非相干散射中心构成，这样，其散射回波就为这些散射中心的回波相干叠加而成。采用stokes矢量表示：

其中，为分布式目标散射回波，

为第i个散射中心散射回波，

为发射电磁波极化，

l为散射中心个数，

mi为第i个散射中心的mueller矩阵，

m为分布式目标的mueller矩阵。

目标相干矩阵t的公式表明，分布式目标mueller矩阵可以理解为目标包含散射中心对应的mueller矩阵之和；利用相干矩阵与mueller矩阵元素间的线性关系，分布式目标相干矩阵：

其中，tti为散射中心相干矩阵，

为pauli基矢量。

步骤s3，根据所述分布式目标相干矩阵tt获取极化散射熵h。

本实施例中分布式目标相干矩阵tt是一个3*3的埃尔米特型极化相干矩阵，它可以由特征值λ和归一化特征矢量ui表示；

为了得到数据的极化特征，对分布式目标相干矩阵tt进行特征值分解，得到特征值λ和归一化特征向量ui，极化散射熵h和极化散射参数α的计算公式：

det(tt-λi)＝0；

(tt-λii)ui＝0；

ui＝[ui1,ui2,ui3]′；

其中，ui1为归一化特征向量ui中的元素，

pi为对应特征值λi获得的伪概率；

极化散射熵h可以表示散射机制随机性的度量，

极化散射参数α表示平均散射机制的类型。

步骤s4，根据所述待分类sar图像的两目标像素的关系和所述分布式目标相干矩阵tt获取分布式目标散射相似性系数。具体步骤包括：

步骤s4-1，根据所述两目标像素的pauli基矢量获取所述两目标像素间的散射相似性系数公式：

其中，为目标散射矢量，其中上标*表示共轭复数，

表示向量分量绝对值的平方和，r∈[0,1]。

上述目标散射相似性不能直接用于分布式目标散射特性分析。针对上述问题，通过求解最大特征值来确定地物中的主导散射机制。

步骤s4-2，将所述分布式目标相干矩阵tt分解为第一公式：

其中，和分别是三个归一化正交特征矢量，每一个目标对应一种确定的散射机制，确定的散射机制成分i在整个散射过程中所占的权重由特征值λi描述；然后根据λi权重大小确定主散射机制，即若λ1≥λ2≥λ3，则为主散射机制，为次散射机制，为最次散射机制。

本步骤虽然解决了不能直接用于分布式目标散射特性的问题，但增加了计算特征值和特征向量带来的额外运算量。考虑到相干矩阵包含了分布式目标所有散射机制，可用相干矩阵来定义分布式目标散射相似性。

步骤s4-3，定义散射相似性系数公式：

其中，tt为分布式目标相干矩阵，

典型目标的pauli基矢量。

步骤s4-4，根据所述散射相似性系数公式和所述第一公式获取分布式目标散射相似性系数：

其中，为的归一化矢量，

pi为的发生概率也是对应散射机制发生概率，

的目标散射相似性系数。

若将所述目标相干矩阵t代入散射相似性系数公式中，散射相似性还可表示为

即散射相似性度量还可理解为分布式目标所包含散射中心的散射与规范散射相似性之和。

由此可见，该散射性度量综合考虑了分布式目标所有散射与规范散射的相似性，因而能准确反映分布式目标与典型目标之间的散射相似性。

步骤s5，根据所述分布式目标散射相似性系数计算表面散射相似性值rs。

表面散射相似性系数，为分布式目标散射与表面散射的相似性的简称。

作为新参数的实际应用，将表面散射的归一化pauli基矢量代入分布式目标相干矩阵tt，得到目标表面散射相似性：

其中，t11、t22和t33分别所述待分类sar图像的目标相干矩阵t的对角线元素，

t11+t22+t33为目标散射回波的总功率，

a0和b0为huynen参数，

a0+b0代表目标散射回波的总功率，

a0代表对应表面散射回波总功率。

表面散射相似性表征了目标平均散射机制。

步骤s6，根据所述表面散射相似性值rs建立表面散射相似性平面ah/rs，所述表面散射相似性平面，包括简单线性近似公式ah和边界rs估计值，其中，所述简单线性近似公式ah，替代所述极化散射熵h。具体步骤包括：

步骤s6-1，利用所述简单线性近似公式ah替代所述极化散射熵h。

由于提取极化散射熵h需要对矩阵进行特征值和特征矢量的分解，仍需大量运算。针对这一问题，由简单线性近似公式ah替代所述极化散射熵：

其中，n＝tt/trace(tt)，

nij为n的元素。

通过仿真得出h和ah的关系，请参见图4和图5所示，实验数据在h-ah平面的上的散布图，由该图可得到近似关系ah＝h。

步骤s6-2，利用平均α角边界值获取所述边界rs估计值。

rs的取值范围边界通过平均α来确定,请参见图5所示，针对平均α角，将研究区数据导入后，利用区域边界附近的数据点，得到平均α角边界值和rs边界估计值，根据最小二乘法可拟合出区域边界直线得到了rs估计值。

步骤s7，根据所述简单线性近似公式ah和所述边界rs估计值获取散射机制分类。具体步骤包括：

步骤s7-1，根据所述简单线性近似公式ah获取第一散射机制分类。

极化散射熵h的取值范围为[0,1]，类比于h/α分类方法，简单线性近似公式ah近似等于极化散射熵h，因此ah的取值范围仍为[0,1]，先将目标分为高、中、低三种随机散射情况，划分如下：

当简单线性近似公式ah的取值范围为[0,0.5)时，目标为低随机散射情况；

当简单线性近似公式ah的取值范围为[0.5,0.9)时，目标为中随机散射情况；

当简单线性近似公式ah的取值范围为[0.9,1]时，目标为高随机散射情况。

步骤s7-2，根据所述第一散射机制分类及所述平均α角边界和所述边界rs估计值获取所述散射机制分类。

将散射相似性平面分为三种情况，为了将地物区分开，在步骤s7-1的基础上进一步细分。

根据所述平均α角边界和所述边界rs估计值进一步将步骤s7-1得到的三种散射随机情形细分为八种不同的散射机制，分别用z1到z8来表示；八种不同散射机制划分如下：

当目标为高散射情况时，若散射相似性系数rs的取值范围为[0,0.3549)时，该区域记为z1，对应高熵多次散射；若散射相似性系数rs的取值范围为[0.3549,0.5868)时，该区域记为z2，对应高熵植被散射；

当目标为中散射情况时，若散射相似性系数rs的取值范围为[0,0.4304)时，该区域记为z3，对应中等极化熵的二面角散射；若散射相似性系数rs的取值范围为[0.4304,0.5868)时，该区域记为z4，对应中熵植被散射；若散射相似性系数rs的取值范围为[0.5868,1)时，该区域记为z5，对应中熵表面散射；

当目标为低散射情况时，若散射相似性系数rs的取值范围为[0,0.4564)时，该区域记为z6，对应低熵二次散射或偶次散射；若散射相似性系数rs的取值范围为[0.4564,0.5435)时，该区域记为z7，对应低熵偶极子散射；若散射相似性系数rs的取值范围为[0.5435,1)时，该区域记为z8，对应低熵表面散射。

步骤s8，根据所述所述待分类sar图像和所述散射机制分类获取分类图。

将所述待分类sar图像按照所述散射机制分类进行划分，图像中属于不同类别的像素用不同的标记加以表征，得到基于散射相似性的分类图。对分类图像中的每一像素，根据所述第一散射机制分类判断其位于哪种散射情形，然后根据所述散射机制分类判断其位于哪类散射机制。

请参见图6和图7。图6是本实施例提供的已有分类方法h/α和ah/rs分类后的结果示意图；图7是本实施例提供的已有分类方法h/α和ah/rs分类后的结果示意图。

请参见图8和图9。图8是本实施例提供的已有的分类方法h/α和ah/rs分类后的结果示意图；图9是本实施例提供的已有分类方法h/α和ah/rs分类后的结果示意图。

两种分类方法分类后的结果具有一致性，在视觉感官上难以区分,这是因为在利用刻画随机形式简单线性近似公式ah近似等于极化散射熵h，然后利用散射机制刻画参数α或rs将三种散射随机情况进一步细分为八种不同的散射类别，而且参数rs和参数α存在对应关系，因此构建的ah/rs分类方案与h/α分类方案存在一致性，同时也保证了分类结果上有一致性。

为了定量化评估两种分类方案的一致性，图6和图7的分类结果，分别计算ah/rs分类结果中的类别zi(i＝[1,8])与h/α分类结果中的类别ci间的重叠率，即比较划分在zi中的像素也同时出现在对应位置处的ci中的比率，经计算两种分类方法在数据上的整体一致性比率高达0.9409。

图8和图9的分类结果，分别计算ah/rs分类结果中的类别zi(i＝[1,8])与h/α分类结果中的类别ci间的重叠率，经计算两种分类方法在此数据上的整体一致性比率高达0.9010。

虽然验证了两种方法分类结果具有高度一致性，但在h/α分类方法中，首先要计算参数h和α，其次为了形成分类，还需要对所有像素的目标相干矩阵进行特征分解，这样就产生了额外的运算量，而在本发明中分类方法可完全避免，参数ah和rs可通过公式由相干矩阵直接获得，所以计算效率很高；为了量化两种分类算法的计算效率，利用matlab软件分别执行两种算法各十次，发现在图6和图7地区，ah/rs分类方法平均耗时比h/α分类方法平均耗时快了将近50多倍；在图8和图9地区，ah/rs分类方法平均耗时比h/α分类方法平均耗时快了将近60多倍。

本实施例针对h/α分类方法运算量偏大的缺点进行了改进，用散射相似性平面代替了h/α平面。散射相似性分类算法弥补了h/α运算量偏大的缺点，提高了运算效率；同时，分类效果和已有分类效果基本一致。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。