基于快速密度峰值聚类的极化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图像分类方法，可用于目标识别。
【背景技术】
[0002] 随着遥感技术在卫星、载人航天、探月工程等领域的发展，极化SAR已成为SAR的 发展趋势，极化SAR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，如地形测绘、资源勘探、灾害监测及天文研究等不同 领域。极化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。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重 视，已成为SAR图像分类的主要研究方向。
[0003] 根据处理方法的不同，全极化SAR图像分类方法可以分为监督分类和非监督分 类。监督分类方法主要包括基于统计知识、神经网络、小波分析和模糊逻辑的分类方法。非 监督分类方法中最多的是基于目标散射机理的分解方法，如H/ α目标分解方法和Freeman 分解方法。相对于监督分类方法而言，基于散射机理的全极化SAR非监督分类方法不需要 已知类别的训练数据，具有更强的适应性。
[0004] 经典的极化SAR图像分类方法包括：
[0005] I. Cloude等人提出了基于Η/α目标分解的非监督极化SAR图像分类方法， 见 Cloude S R，Pottier E. An entropy based classification scheme for land applications ofpolarimetric SAR[J]. IEEE Trans.Geosci. Remote Sensing.1997， 35(1) :549-557.该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然 后根据H和a组成的Η/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在 的区域，最终将图像划分为8类。H/a分类存在的一个缺陷是区域的划分过于武断，当同一 类的数据分布在两类或几类的边界上时分类器性能将变差，另一不足之处是当同一个区域 里共存几种不同的地物时，将不能有效区分。
[0006] 2. Lee等人提出了基于H/a目标分解和Wishart分类器的非监督极化SAR分类 方法，见Lee J S, Grunes M R,Ainsworth T L, et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Trans. Geosci. Remote Sensing. 1999,37 (5) :2249-2258.该方法主要是对 Η/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，但是存在不能 很好的保持各类的极化散射特性的不足。
【发明内容】
[0007] 本发明的目的在于针对已有技术的不足，提出一种基于快速密度峰值聚类的极化 SAR图像分类方法，以提高分类正确率。
[0008] 为实现上述目的，本发明包括如下步骤：
[0009] (1)对待分类极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图 像；
[0010] (2)对滤波后的极化SAR图像中每个像素点的相干矩阵T进行Yamaguchi分解，得 到每个像素点的体散射功率P v、二面角散射功率Pd、表面散射功率Ps和螺旋体散射分量P h;
[0011] ⑶按照每个像素点四个散射功率Ps，Pd，Pv，匕的最大值将极化SAR图像初始划分 为四类：
[0012] 如果max (Ps，Pd，Pv，Ph) = Ps，则将其对应的像素点划分为一类，其中Ps为该类的主 散射功率；
[0013] 如果max (Ps，Pd，Pv，Ph) = Pd，则将其对应的像素点划分为一类，其中Pd为该类的主 散射功率；
[0014] 如果max (Ps，Pd，Pv，Ph) = Pv，则将其对应的像素点划分为一类，其中Pv为该类的主 散射功率；
[0015] 如果max (Ps，Pd，Pv，Ph) = Ph，则将其对应的像素点划分为一类，其中Ph为该类的主 散射功率；
[0016] 其中，max(·)表不最大值；
[0017] (4)对每类初始类别所有像素点的主散射功率按由小到大排序，并将每类中每 300个像素点再划分为一类，最终将整个极化SAR图像划分为M类；
[0018] (5)在已获得的M个类别中，将每一类的中心点作为新像素点，得到M个新像素点 A1, i = 1，…，M，并用每类的新像素点A1代表该类别内所有像素点；
[0019] (6)对上述M个新像素点进行快速密度峰值聚类，将M个新像素点聚为k类；
[0020] (7)在M个新像素点的聚类结果中，将由新像素点A1代表的所有像素点标记为与 新像素点A 1相同的类别，完成对整幅图像的预分类；
[0021] (8)对整个极化SAR图像的预分类结果进行复Wishart迭代，得到更为准确的分类 结果。
[0022] 本发明与现有的技术相比具有以下优点：
[0023] 1.本发明充分利用了 Yamaguchi分解得到的四种散射功率Pv，Pd，Ps，匕在分类中 的有效性，使一些不满足反射对称性的复杂区域能更够好的分类。
[0024] 2.本发明针对现有极化SAR分类中很多经典分类方法都局限于特定的分类类别 数的缺陷，采用快速密度峰值聚类，可根据不同极化SAR图像的具体情况进行自适应聚类， 自适应的选择类别数目，且分类结果区域一致性划分较好，不同区域划分后的边缘也更加 清晰。
【附图说明】
[0025] 图1是本发明的总流程图；
[0026] 图2是本发明中快速密度峰值聚类的子流程图；
[0027] 图3是本发明仿真使用的原始的旧金山极化SAR数据图像；
[0028] 图4是用现有H/ α方法、H/ a -Wishart方法及本发明方法对图3的分类结果图；
[0029] 图5是本发明仿真使用的原始的弗莱福兰农田极化SAR数据图像；
[0030] 图6是用本发明对图5的分类结果图。
【具体实施方式】
[0031] 参照图1，本发明的实现步骤如下：
[0032] 步骤1，对待分类极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图 像。
[0033] 对极化SAR图像的滤波通常都是采用现有的精致极化LEE滤波法，滤波窗口的大 小为7X7。
[0034] 步骤2,对滤波后的极化SAR图像中每个像素点的相干矩阵T进行Yamaguchi分 解，得到每个像素点的体散射功率P v、二面角散射功率Pd、表面散射功率PdP螺旋散射分量 Ph。
[0035] Yamaguchi分解是一种极化目标分解方法，不同的地物目标具有不同的散射特性， 该方法根据不同地物目标的散射特性，将每个像素点的相干矩阵分解成多种散射分量的 线性组合，该方法相对其它目标分解方法的优势在于它增加了螺旋体散射分量，使一些不 满足反射对称性的复杂区域能更够好的分类，见Yamaguchi Y, Maoriyama T, Ishido M，et al. Four-component scattering model for polarimetric SARimage decomposition[J]. IEEE Trans. Geosci. Remote Sensing. 2005, 43 (8) : 1699-1706。Yamaguchi 分解的具体步骤 如下：
[0036] (2a)读入滤波后图像的每个像素点，这些像素点为一个3X3的相干矩阵T，根据 相干矩阵T得到协方差矩阵C ;
[0037]
[0038] 其中，U是中间变量，
H表示水平极化，V表示垂直极化，Shh 表示水平向发射和水平向接收的回波数据，Svv表示垂直向发射和垂直向接收的回波数据， Shv表示水平向发射垂直向接收的回波数据，（Γ表示这个数据的共辄，〈·〉表示按视数平 均；
[0039] (2b)将协方差矩阵C分解成如下表示：
[0040]
[0041] 其中，fs为平面散射分量的分解系数，f d为二面角散射分量的分解系数，f v为体散 射分量的分解系数，4为螺旋散射分量的分解系数，β是水平发射水平接收后向散射反射 系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为a = IHIVH/IVIVV，IjPIv 分别表示地表的水平及垂直反射系数，Ivh和I "分别表示竖直墙体的水平及垂直反射系数， j表示虚数；
[0042] (2c)由协方差矩阵C分解的结果，获得一个具有六个未知数fs，fv，f d，fh，α，β和 五个方程的方程组如下：
[0043]
[0044]
[0045]
[0046]
[0047]
[0048] (2d)计算像素点协方差矩阵C中的的值，如果RediX7.)^)，则令 α =-1，如果)<0,则令β = 1，给定α或β的值后，剩余的4个未知数则根据 式3)求解，其中Re (·)表示取实部；
[0049] (2e)根据求解出的fs，fv，fd，f h，α，β，求解出体散射功率Pv、二面角散射功率Pd， 表面散射功率PjP螺旋散射功率P h:
[0050] Ps= f s(l+| β I2)
[0051] Pd= fd(l+|a|2)
[0052] Pv= f v
[0053] Ph= f h〇
[0054] 步骤3,按照每个像素点四个散射功率Ps，Pd，P v，匕的最大值将极化SAR图像初始 划分为四类：
[0055] 如果max (Ps，Pd，Pv，Ph) = Ps，则将其对应的像素点划分为一类，其中Ps为该类的主 散射功率；
[0056] 如果max (Ps，Pd，Pv，Ph) = Pd，则将其对应的像素点划分为一类，其中Pd为该类的主 散射功率；
[0057] 如果max (Ps，Pd，Pv，Ph) = Pv，则将其对应的像素点划分为一类，其中Pv为该类的主 散射功率；
[0058] 如果max (Ps，Pd，Pv，Ph) = Ph，则将其对应的像素点划分为一类，其中Ph为该类的主 散射功率；
[0059] 其中，max( ·)表示最大值。
[0060] 步骤4,对每类初始类别所有像素点的主散射功率按由小到大排序，并将每类中每 300个像素点再划分为一类，最终将整个极化SAR图像划分为M类。
[0061] 步骤5,在已获得的M个类别中，将每一类的中心点作为新像素点，得到M个新像素 点A 1, i = 1，…，M，并用每类的新像素点A1代表该类别内所有像素点。
[0062] 步骤6,对上述M个新像素点进行快速密度峰值聚类，将M个新像素点聚为k类。
[0063] 常用的聚类方法主要包括K-means聚类、谱聚类、模糊聚类和快速密度峰值聚 类。本实例采用快速密度峰值聚类，该聚类方法是机器学习领域一种新的聚类方法，该方 法认为聚类中心由一些具有低局部密度点的数据包围，而这些低密度数据点距离其它高 密度数据点距离较大，并以此为根据自适应选择聚类中心和聚类类别，见RodriguezA，and Alessandro L. Clustering by fast search and find of density peaks[J] · Science 27. 2014, 344(6191):1492-1496.
[0064] 参照图2,本步骤的具体实现如下：
[0065] 6a)计算任意两个新像素点~和A ^之间的相互距离d U: