[0066] Cllj= TrC(T1) '+(Tj) 1T1)^,
[0067] 其中，T1, 1^分别表示新像素点A满A j的相干矩阵，（T J 1和（T J 1分别表示对矩 阵!\和T ;求逆，q为常数，取值为q = 3, Tr ( ·)是矩阵的迹；
[0068] 6b)计算新像素点A1的局部密度P 1:
[0069]
[0070] 其中，当屯< d。时，X (difd。）= 1，否则X (difd。）= 0 ;M表示新像素点Ai的个 数；d。为常数，其取值为将所有点的相互距离Cl1,由小到大排列，将位于该排列2%位置处的 值作为d。取值；
[0071] 6c)计算新像素点A1的距离δ 1:
[0072]
[0073] 6d)选择局部密度P i和距离δ i乘积最大的k个新像素点作为聚类中心；
[0074] 6e)聚类中心确定后，用每个聚类中心代表一类，k个聚类中心共代表k类，比较剩 余新像素点与每一类聚类中心的距离，如果该新像素点与第m类聚类中心的距离最近，则 将该新像素点划分到第m类，m = 1，…，k。
[0075] 步骤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；
[0076] 步骤8，对预分类得到的整幅图像用能反映极化SAR分布特性的Wi shart分类器进 行迭代分类，得到更为准确的分类结果。
[0077] Wishart分类器是一种能反映极化SAR数据分布特性的分类器，通过比较像素 点与各聚类中心的距离，判断像素点的所属类别，见Lee J S，Grunes M R，Pottier E， et al.Unsupervised terrain classification preserving polarimetric scattering characteristic [J]· IEEE Trans. Geosci. Remote Sensing. 2004,42 (4) :722_73L 其步骤 如下：
[0078] (8a)对整个极化SAR图像预分类得到的k类划分结果，根据下式求每一类的聚类 中心B。：
[0079]
[0080] 其中Tp是第c类中各像素点的相干矩阵，η。是属于第c类的像素点的个数；
[0081] (8b)根据每一类的聚类中心B。，计算每个像素点i到第c类聚类中心的距离Cl1。：
[0082]
[0083] 其中T是像素点的相干矩阵，〈·〉表示按视数平均，[·]表示矩阵的行列式，Tr( ·) 表示矩阵的迹，我Γ1表示对聚类中心B。求逆；
[0084] (8c)比较每个像素点与各聚类中心的距离，如果该新像素点与第m类聚类中心的 距离最近，则将该像素点划分到第m类，m = 1，…，k，完成对预分类后整幅极化SAR图像类 别的重新划分；
[0085] (8d)重复步骤（8a) -(8c)，直到迭代次数等于给定的迭代次数μ = 4,得到分类结 果。
[0086] 本发明的效果可以通过以下实验验证：
[0087] 1、实验条件与方法
[0088] 硬件平台为：Intel (R)Pentium(R) 1CPU2. 4GHz ;
[0089] 软件平台为：WindowXPProfessional，MATLAB 7· 0· 4 ;
[0090] 实验方法：分别为现有H/ α的方法以及H/ a -Wi shart方法和本发明，其中现有的 这两种方法都是极化SAR数据分类中引用较多的经典方法。
[0091] 2.实验内容及结果
[0092] 实验一，将图3所示视数为四的SanFranciscoBay极化SAR图像作为测试图像， 用本发明方法与现有H/ α方法以及H/ a -Wishart方法对图3进行分类仿真，分类结果见 图4,其中，图4(a)是H/α方法分类的结果，图4(b)是H/a-Wishart方法分类的结果，图 4(c)为本发明方法的分类结果。
[0093] 由图4(a)可见，图像中的水域部分得到了比较好的划分，但城区和绿地等混淆严 重。因此，该方法分类规则过于武断，导致分类效果不佳。
[0094] 由图4 (b)可见，结合H/ α和Wishart分类器的H/ a -Wishart分类方法，图像区 域划分的比较细致，但还有较多区域划分不清楚，甚至出现错误划分，如图4(b)右上角的 海洋区域出现的错误划分。
[0095] 由图4(c)可见，本发明的分类结果从视觉上看效果更好，其中高尔夫球场、跑马 场、停车场等区域的区域一致性明显好于前两种方法，不同区域之间分类后的边缘也更加 平滑。
[0096] 实验二，将图5所示视数为四的Flevoland极化SAR图像作为测试图像。用本发 明对弗莱福兰省农田极化SAR图像进行分类仿真，分类结果见图6。
[0097] 由图6可见，本发明对农田的区域划分较细致，边缘保持较好，分类精度高。
[0098] 综上所述，本发明提出的基于快速密度峰值聚类的极化SAR图像分类方法对极化 SAR图像分类能取得更好的分类结果，并可用于对各种极化SAR图像进行分类。
【主权项】
1. 一种基于快速密度峰值聚类的极化SAR图像分类方法，包括如下步骤： (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； ⑵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Pv、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; (3) 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： 如果max (Ps，Pd，Pv，Ph) = Ps，则将其对应的像素点划分为一类，其中PsS该类的主散射 功率； 如果max (Ps，Pd，Pv，Ph) = Pd，则将其对应的像素点划分为一类，其中P#该类的主散射 功率； 如果max (Ps，Pd，Pv，Ph) = Pv，则将其对应的像素点划分为一类，其中PvS该类的主散射 功率； 如果max (Ps，Pd，Pv，Ph) = Ph，则将其对应的像素点划分为一类，其中PhS该类的主散射 功率； 其中，max (?)表示最大值； (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； (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； (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； (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A1相同的类别，完成对整幅图像的预分类； (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。2. 根据权利要求书1所述的基于快速密度峰值聚类的极化SAR图像分类方法，其中步 骤（2)所述的对每个像素点的相干矩阵T进行Yamaguchi分解，按如下步骤进行： (2a)读入滤波后图像的每个像素点，这些像素点为一个3 X 3的相干矩阵T，根据相干 矩阵T得到协方差矩阵C ;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，（广表示这个数据的共辄，〈?>表示按视数平均； (2b)将协方差矩阵C分解成如下表示：其中，匕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，fh为螺旋散射分量的分解系数，P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，a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； (2〇)由协方差矩阵(：分解的结果，获得一个具有六个未知系数41心，1(1，|3和五 个方程的方程组如下：(2d)计算像素点协方差矩阵C中的Re(Sffi^r)的值，如果则令a =-1，如果O，则令0 = 1，给定a或0的值后，剩余的4个未知数则根据 (2c)中方程组求解，其中Re( ?)表示取实部； (2e)根据求解出的fs，fv，fd，f h，a，0，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: Ps=fs(l+|0 I2) Pd= f d(l+|a|2) Pv= fV Ph= f h〇3.根据权利要求书I所述的基于快速密度峰值聚类的极化SAR图像分类方法，其中步 骤（6)所述的对M个新像素点进行快速密度峰值聚类，按如下步骤进行： 6a)计算新像素点A1的局部密度P 1:其中，当屯< d。时，X (difd。）= 1，否则X (difd。）= O ;M表示新像素点个数； Cll j表示任意两点间的相互距离： Cllj= Tr(CT1) i+(Tj) 1T1)-q 其中，别表示新像素点八JPA j的相干矩阵，（T1) 1和（T j) 1分别表示对矩阵T1 和Tj求逆，q为常数，取值为q = 3, Tr (?)是矩阵的迹；d。为常数，其取值为将所有点的相 互距离Cllj由小到大排列，将位于该排列2%位置处的值作为d。取值。 6b)计算新像素点A1的距离S 1:6c)选择局部密度P1和距离S i乘积最大的k个新像素点作为聚类中心； 6d)聚类中心确定后，每个聚类中心代表一类，k个聚类中心共代表k类，比较剩余新像 素点与每一类聚类中心的距离，如果该新像素点与第m类聚类中心的距离最近，则将该新 像素点划分到第m类，m = 1，…，k。4.根据权利要求书1所述的基于快速密度峰值聚类的极化SAR图像分类方法，其中步 骤（8)所述的对整个极化SAR图像的预分类结果进行复Wishart迭代，按如下步骤进行： (8a)对整个极化SAR图像预分类得到的k类划分结果，根据下式求每一类的聚类中心 Bc：其中Tp是第c类中各像素点的相干矩阵，n。是属于第c类的像素点的个数； (8b)根据每一类的聚类中心B。，计算每个像素点i到第c类聚类中心的距离Cl1。： = In [j8d ] +Tr c. = 1,…,身 其中T是像素点的相干矩阵，〈?>表示按视数平均，[?]表示矩阵的行列式，Tr (?) 表示矩阵的迹，辱71表示对聚类中心B。求逆； (8c)比较每个像素点与各聚类中心的距离，如果该新像素点与第m类聚类中心的距离 最近，则将该像素点划分到第m类，m = 1，…，k，完成对预分类后整幅极化SAR图像类别的 重新划分； (8d)重复步骤（Sa)-(Sc)，直到迭代次数等于给定的迭代次数y = 4,得到分类结果。
【专利摘要】本发明公开了一种基于快速密度峰值聚类的极化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：1.对待分类极化SAR图像进行滤波；2.对滤波后的极化SAR图像进行Yamaguchi分解，计算每个像素点的四种散射功率；3.提取每个像素点主散射功率，将整幅图像初始划分为四类；4.按照初始类别中所有像素点的主散射功率，将整个极化SAR图像划分为M类；5.以M个类别的中心点作为新像素点进行聚类，并将聚类结果转化为整幅图像的预分类结果；6.对预分类结果进行迭代分类，得到最终分类结果。实验表明，本发明的分类效果更好，可用于对各种极化SAR图像进行无监督分类。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN105138966
【申请号】CN201510467832
【发明人】滑文强, 王爽, 焦李成, 岳波, 熊涛, 郭岩河, 马晶晶
【申请人】西安电子科技大学
【公开日】2015年12月9日
【申请日】2015年8月3日