计算新像素点V1的局部密度P 1:
[0068]
[0069] 其中，当屯< d。时，X (difd。）= 1，否则X (difd。）= 0 ;M表示新像素点Vi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；
[0070] 5c)计算新像素点V1的距离δ 1:
[0071]
[0072] 5d)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；
[0073] 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。
[0074] 步骤6,在K个新像素点的聚类结果中，将由新像素点V1代表的所有像素点标记为 与新像素点V 1相同的类别，完成对整幅图像的预分类；
[0075] 步骤7,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。
[0076] 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) :722-731.其步骤 如下：
[0077] (7a)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。：
[0078]
[0079] 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；
[0080] (7b)根据每一类的聚类中心Β。，计算每个像素点i到第c类聚类中心的距离Cl1。：
[0081]
[0082] 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，I1表示对聚类中心B。求逆；
[0083] (7c)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；
[0084] (7d)重复步骤（7a)_(7c)，直到迭代次数等于给定的迭代次数μ = 4,得到分类结 果。
[0085] 本发明的效果可以通过以下实验验证：
[0086] 1、实验条件与方法
[0087] 硬件平台为：Intel (R)Pentium(R) ICPU 2. 4GHz ;
[0088] 软件平台为：Window XP Professional，MATLAB 7· 0· 4 ;
[0089] 实验方法：分别为现有H/ a -Wishart方法、基于Freeman分解的方法及和本发明 方法，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。
[0090] 2.实验内容及结果
[0091] 实验一，将图3所示视数为四的San Francisco Bay极化SAR图像作为测试图 像，用本发明方法与现有H/ a -Wishart方法以及基于Freeman分解的方法对图3进行分 类仿真，分类结果见图4,其中，图4(a)是H/a-Wishart方法分类的结果，图4(b)是基于 Freeman分解方法的分类结果，图4(c)为本发明的分类结果。
[0092] 由图4 (a)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右上角的海洋 区域出现的错误划分。
[0093] 由图4(b)可见，基于Freeman分解方法分类效果较图4(a)更好，类别区分更合 理，但是城区、桥梁等区域划分不准确，且边界区域划分过于武断。
[0094] 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、停车场等这些的区域分类区域的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。
[0095] 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。
[0096] 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。
[0097] 综上所述，本发明提出的基于空间信息的极化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. 一种基于空间信息的极化SAR图像分类方法，包括如下步骤： (1) 对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像； (2) 对滤波后的极化SAR图像进行Pauli分解，获得伪彩色图； (3) 对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割，获得K个 超像素块： (3a).将伪彩色图转化为CIELAB颜色空间下的三维特征向量： Ci= [1 ； a； b；]1 其中，I1表示亮度，a JP b 1表示相对维度； (3b).选择初始种子点，每个种子点的距离近似为，其中N表示整幅极化 SAR图像总的像素点个数，K表示预分割的超像素块的个数； (3c).在以种子点为中心的2SX2S区域内计算每个像素点与种子点的颜色差异d。：(3d)?在以种子点为中心的2SX2S区域内计算每个像素点与种子点空间距离ds:其中，1\和T Av别代表像素点i和j的相干矩阵，（T J 1和（T卩1分别表示对矩阵T 4口 Tj求逆，I ? I表示矩阵的行列式，Tr( ?)是矩阵的迹； (3e).在以种子点为中心的2SX2S区域内计算每个像素点与种子点的相似度D1:其中，S表示种子点间的距离，m表示平衡参数，且m = 10 ; (3f).在以种子点为中心的2SX 2S区域内比较所有点的相似度D1，选取D1值最大的像 素点赋予其中心点相同的类别，并作为新的种子点； (3g).重复步骤3 (c) -3 (f)，直到收敛； (4) 计算每个超像素块内所有像素点相干矩阵的均值V1, i = 1，…K，以V1为新像素点， 并用每一个1都代表其所对应超像素块内的所有像素点； (5) 对上述K个新像素点1进行快速密度峰值聚类，将K个新像素点聚为k类； (6) 在K个新像素点的聚类结果中，将由新像素点V1代表的所有像素点标记为与新像 素点V1相同的类别，完成对整幅图像的预分类； (7) 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所述的基于空间信息的极化SAR图像分类方法，其中步骤⑶所 述对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割，获得K个超像素 块，按如下步骤进行： (3a).将伪彩色图转化为CIELAB颜色空间下的三维特征向量： Ci= [1 ； a； b；]1 其中，I1表示亮度，a JP b 1表示相对维度。 (3b).选择初始种子点，每个种子点的距离近似为5' = ，其中N表示整幅极化 SAR图像总的像素点个数，K表示预分割的超像素块的个数。 (3c).在以种子点为中心的2SX2S区域内计算每个像素点与种子点的颜色差异d。：(3d)?在以种子点为中心的2SX2S区域内计算每个像素点与种子点空间距离ds:其中，其中，TjPT 别代表像素点i和j的相干矩阵，（T1) 1和（T j) 1分别表示对矩 阵1\和T ,求逆，卜I表示矩阵的行列式，Tr ( ?)是矩阵的迹； (3e).在以种子点为中心的2SX2S区域内计算每个像素点与种子点的相似度D1:其中，S表示种子点间的距离，m表示平衡参数，且m = 10。 (3f).在以种子点为中心的2SX 2S区域内比较所有点的相似度D1，选取D1值最大的像 素点赋予其中心点相同的类别，并作为新的种子点； (3g).重复步骤3 (c)-3(g)，直到收敛。3. 根据权利要求书1所述的基于空间信息和快速密度峰值聚类的极化SAR图像分类方 法，其中所述步骤（5)中对K个新像素点进行聚类，按如下步骤进行： (5a).计算新像素点V1的局部密度P 1:其中，当屯< d。时，X (difd。）= 1，否则X (difd。）= 0 ;M表示新像素点\^的个数； Cll j表示任意两点间的相互距离： d,, = Tr^Ti) iTi HTl) [T;)-q 其中，T1, Tj分别表示新像素点V JP V 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。 (5b).计算新像素点V1的距离S 1:(5c).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； (5d).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所述的基于空间信息的极化SAR图像分类方法，，其中步骤（7)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： (7a).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； (7b).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。： 4-infz?]+7>(z?'(r)) e = i.__a 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，.疋1表示对聚类中心B。求逆； (7c).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； (7d).重复步骤（7a)-(7c)，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空间信息的极化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，不能自适应选择分类目标类别数的问题。其实现步骤为：1.对极化SAR图像进行滤波；2.对滤波后的极化SAR图像进行Pauli分解，获得极化SAR数据的伪彩色图；3.使用改进的SLIC超像素算法对伪彩色图进行过分割，获得K个超像素块；4.对K个超像素块进行快速密度峰值聚类，获得图像的预分类结果；5.对预分类得到的整幅图像Wishart分类器进行迭代分类，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】CN105138970
【申请号】CN201510481787
【发明人】滑文强, 王爽, 焦李成, 岳波, 刘红英, 谢慧明, 马文萍
【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