两个聚集区域低秩矩阵的直方图统计。
[0082] 步骤5,利用低秩分解直方图统计的结果，合并相似的聚集区域。
[0083] (5. 1)利用计算到的每两个聚集区域归一化直方图的巴氏距离构造相似性矩阵， 该相似性矩阵中的元素代表第i个聚集区域与第j个聚集区域之间的相似性测度；
[0084] (5. 2)利用构造的相似性矩阵，采用基于图割的谱聚类的方法，对聚集区域进行合 并，就得到最终的聚集区域的分割结果。
[0085] 步骤6,利用Η/a/A-Wishart分类方法对勾质区域进行分类。
[0086] 所述的Η/a/A-Wishart分类方法，参见Cloude等人于1999年发表在期刊IEEE TransactionsGeoscienceandRemoteSensing上的文章〈〈UnsupervisedClassification usingPolarimetricDecompositionandtheComplexffishartDistribution〉〉，其具体 的步骤如：
[0087] (6· 1)提取极化合成孔径雷达SAR图像数据的相干矩阵T;
[0088] (6. 2)对提取到的相干矩阵Τ进行特征值分解：
[0089]
[0090]其中，U表示由相干矩阵Τ的3个特征向量组成的特征矩阵，λρλ2、λ3 表示矩阵Τ的特征值，且λ1Νλ2、\3满足关系λλ2彡λ3>〇，UT表示相干矩阵Τ的 转置矩阵。
[0091] (6. 3)提取极化数据的极化熵Η、反熵Α和平均散射角α:
[0094] a = Pj a j+P2 α 2+P3 α 3,[0095] 其中，？;表不散射过程i的相对散射强度，i= 1，2, 3:
[0092]
[0093]
[0096]
[0097]λi表示相干矩阵T的特征值，且满足λ2>λ3$〇，α3表示相干 矩阵T的3个特征向量UpU2、U3对应的散射角：
[0098] α ; =arccos(abs(U；)),
[0099]其中arccos表示取反余弦操作，abs表示取绝对值操作，；
[0100] (6. 4)利用提取到的极化熵H、反熵A和平均散射角α作为特征进行wishart分 类，得到最终的匀制区域的分割结果。
[0101] 步骤7,对结构区域进行分割。
[0102] (7. 1)采用分水岭算法，将结构区域分割成超像素；
[0103] (7. 2)在极化合成孔径雷达SAR图像的素描图中，将平行且距离小于7个像素的两 条素描线确定为第一类线目标素描线，将第一类线目标素描线之间的超像素进行合并，作 为第一类线目标；
[0104] (7.3)在极化合成孔径雷达SAR图像的初始素描图中，将素描线两边属于同一区 域的素描线确定为第二类线目标素描线，将第二类线目标素描线两边各扩一个像素作为第 二类线目标，将其它素描线作为刻画边界的素描线；
[0105] (7.4)对除了线目标和边界所覆盖的超像素以外的各个超像素，将其与相邻且 wishart距离之差小于25的超像素进行合并，直到不存在相邻且wishart距离之差小于25 的两个超像素为止；
[0106] (7. 5)将7. 4中合并的各个超像素，分别合并到与该超像素wishart距离最小且小 于25的匀制区域中，得到结构区域的分割结果。
[0107] 步骤8,利用步骤5得到的聚集区域和步骤6得到的匀质区域，以及步骤7得到的 结构区域，得到分割后的极化合成孔径雷达SAR图像。
[0108] 下面结合仿真图对本发明做进一步的描述。
[0109] 1.仿真条件：
[0110] 本发明仿真的硬件条件为：window7,CPUCorei5-3230M，基本频率为2. 6GHZ;软 件平台为：MatlabR2012a;本发明仿真所使用的极化合成孔径雷达SAR图像为：NASA/JPL AIRSARL波段的全极化SanFrancisco数据。
[0111] 2.仿真内容：
[0112] 发明的仿真实验是对如图2(a)所示的SanFrancisco图是来源于L波段的极化合 成孔径雷达SAR图像进行分割。
[0113] 仿真步骤1，对图2(a)进行区域提取，得到如图2(b)所示的区域图。
[0114] 仿真步骤2,对图2(b)中的聚集区域进行分割，得到图2(c)所示的聚集区域分割 结果图，其中颜色相同的区域表示同一种地物，颜色不同的区域表示不同的地物。
[0115] 仿真步骤3,对图2(b)中的匀制区域进行分割，得到图2(d)所示的匀质区域的分 割结果图，其中颜色相同的区域表示同一种地物，颜色不同的区域表示不同的地物。
[0116] 仿真步骤4,对图2(b)中的结构区域进行分割，并将结构区域的分割结果与匀制 区域和聚集区域的分割结果进行合并，得到如图2(e)所示的最终的极化合成孔径雷达SAR 图像分割结果图，其中颜色相同的区域表示同一种地物，颜色不同的区域表示不同的地物。
[0117] 3.仿真效果分析：
[0118] 通过上述图2(e)所示的SanFrancisco图的分割结果可以看到，使用本发明方法 对极化合成孔径雷达SAR图像进行分割可以提高分割的精度，分割结果中的区域一致性更 好。
【主权项】
1. 一种基于低秩分解和直方图统计的极化SAR图像分割方法，包括如下步骤： ⑴输入待分割的极化SAR图像的数据，对该极化SAR图像进行Pauli分解，得到极化 SAR图像相干矩阵对角线三个通道的幅度值，融合三个通道幅度值得到极化SAR图像的功 率图，根据稀疏表示模型对极化SAR图像功率图提取素描图； ⑵根据极化SAR图像功率图的素描图提取区域图，并根据区域图将极化SAR图像映射 为聚集区域、匀质区域和结构区域； (3) 对聚集区域进行分割： (3a)对空间上不连通的各个聚集区域分别提取样本并构造低秩观测矩阵； (3b)对构造的低秩观测矩阵分别进行低秩分解，得到每个聚集区域低秩分解的低秩部 分和稀疏部分； (3c)对每个聚集区域低秩分解的低秩部分进行直方图统计； (3d)计算每两个聚集区域低秩矩阵直方图统计的巴氏距离，构造相似性矩阵； (3e)利用相似性矩阵，合并相似的聚集区域，得到聚集区域的分割结果； (4) 对匀质区域进行分割； (5) 对结构区域进行分割，提取出孤立目标和边界； (6) 将聚集区域、匀制区域和结构区域的分割结果进行合并，得到分割后的极化SAR图 像。2. 根据权利要求1所述的基于低秩分解和直方图统计的极化SAR图像分割方法，其特 征在于：其中步骤（1)中根据稀疏表示模型对极化SAR图像功率图提取素描图，按如下步骤 进行： (la) 构造具有不同方向和尺度的边、线模板，并利用模板的方向和尺度信息构造各向 异性高斯函数来计算该模板中每一点的加权系数，其中尺度个数取值为3~5,方向个数取 值为18 ; (lb) 按照下式，计算模板不同区域对应在极化合成孔径雷达SAR图像中像素的均值和 方差：其中，μ表示区域Ω对应在极化合成孔径雷达SAR图像中像素的均值，Ω表示模板 中的一个区域，g表示区域Ω中一个像素点的位置，e表示属于符号，Σ表示求和操作，wg表示区域Ω中位置g处的权重系数，Wg的取值范围为Wge [〇，1]，八彦示区域Ω中位