胀，其具体公式为：
[0073]
[0074] 其中，0表示开操作运算符，?表示腐蚀运算，活表示膨胀运算；
[0075] 闭操作流程为；使用处理窗口 W对疑似滑坡区域图I进行膨胀，再用处理窗口 W对 疑似滑坡区域图I进行腐蚀，其具体公式为：
[0076]
[0077] 其中，?表示闭操作运算符。
[007引本发明的发明目的是该样实现的：
[0079] 本发明基于全极化SAR图像的滑坡信息提取方法，通过机载或星载卫星获取待处 理的滑坡灾害发生前后同轨同模式两幅原始全极化图像，然后对图像进行预处理得到基准 图像，采用化eeman分解和Cloude分解相结合方法，对基准图像进行极化特征提取，得到初 始分类图像，再对初始分类图像进行聚类处理，将相似特征区域进行合并，得到最终分类图 像，经分析滑坡散射机理主要为表面散射，周边环境散射机理主要为体散射，并且滑坡发生 前后散射滴都集中在0. 6到0. 8之间，从而找出疑似滑坡区，最后采用形态学方法对疑似滑 坡区进行处理，去除噪声或区域过小区域，最终输出滑坡分布图。本发明利用滑坡在SAR图 像中散射机制的特点，结合聚类算法及变化检测算法应用于SAR图像滑坡信息提取，能够 从全极化SAR图像中快速、准确的提取出大面积的滑坡信息。
【附图说明】
[0080]图1是本发明基于全极化SAR图像的快速滑坡信息提取方法流程图；
[0081] 图2是灾害前、后两幅全极化原始SAR图像；
[0082] 图3是按照散射机理将SAR图像中地物分类后的示意图；
[0083] 图4是滑坡区域示意图。
【具体实施方式】
[0084] 下面结合附图对本发明的【具体实施方式】进行描述，W便本领域的技术人员更好地 理解本发明。需要特别提醒注意的是，在W下的描述中，当已知功能和设计的详细描述也许 会淡化本发明的主要内容时，该些描述在该里将被忽略。
[0085] 图1是本发明基于SAR图像大面积快速滑坡倍息提取方法流程图。
[0086] 在本实施例中，如图1所示，本发明基于SAR图像的滑坡信息提取方法包括：
[0087] S1、获取全极化原始SAR图像
[008引在具体实施过程中，可W通过机载或是星载卫星获取两幅滑坡灾害发生前后同轨 道同模式的待处理的原始全极化图像。在本实施例中，可W通过Radarsat-2卫星获取C波 段的高分辨率全极化SAR图像，如图2所示，图2(a)和图2(b)分别是灾害前、后两幅全极 化原始SAR图像；
[0089] S2、对原始SAR图像进行预处理
[0090] 对两幅原始SAR图像分别进行福射校正、滤波、几何校正和配准，得到两幅基准 SAR图像；在本实施例中，福射校正消除了太阳福射造成的影响；采用Gamma Map滤波方法 抑制相干斑噪声，同时能够更好的保持图像的纹理信息；通过几何校正消除图像中存在的 各种几何变形，最终得到具有准确位置信息的图像；配准是将两幅图像之间的相同区域对 准，即两幅图像相同位置上的两个像素配准。
[0091] S3、对基准SAR图像进行特征提取
[0092] 采用化eeman分解和Cloude分解相结合方法，对两幅基准SAR图像分别进行特征 提取，再将基准SAR图像中的地物分为九类。
[0093] (S3. 1)、利用化eeman分解算法提取地物的散射机理
[0094] (S3. 1. 1)、利用公式（1)求出体散射、表面散射和偶次散射的散射机理权重，并分 别标记为fv，；fs，fd;
[0099]
[0100] 其中，Si^、SYY、ShY为散射矩阵元素，*表示共辆转置，a，p为表面散射和偶次散射 权重；
[010U (S3. 1.2)、结合散射机理权重，利用公式（2)计算出表面散射功率P,、偶次散射功 率Pd和体散射功率P Y;
[0刪 P曰=f 曰(1+1 0 |2)
[0103] Pd= f d(l+l a I') (2)
[0104] Pv=8fv/3
[01化](S3. 1. 3)、比较该=个功率的大小，取表面散射功率P,、偶次散射功率Pd和体散射 功率Py的最大值，并作为地物的散射机理；
[0106] Pd"m=max[Ps，Pd，Pv]做
[0107] (S3. 2)、利用Cloude分解算法提取地物散射滴
[010引设散射矩阵的向量形式为V = [Si*+S"，Si*-S"，2Sj% *表示向量的共辆转置，贝U 相干矩阵T为：
[0109] T = VXV* (4)
[0110] 对T进行特征值分解，得到特征值入：
[0117] (S3. 3)、对地物进行初始化分类
[011引结合步骤做.1)中地物的散射机理，W及步骤（S3.。中地物的散射滴，W散射滴 典型值0. 5和0. 9为界，划分为低滴区，中滴区和高滴区，从而将地物划分为九个类别，即；
[0119] 类别 1 ;低滴-表面散射；(P d，Pv)，〇《H < 0. 5 ;
[0120] 类别 2 ;中滴-表面散射；(P d，Pv)，〇. 5《H < 0. 9 ;
[012U 类别3 ;高滴-表面散射；(Pd，Pv)，0.91 ;
[012引类别4 ;低滴-偶次散射；Pd> (P s，Pv)，0《H < 0. 5 ;
[012引类别5 ;中滴-偶次散射；Pd> (P s，Pv)，0. 5《H < 0. 9 ;
[0124] 类别6 ;高滴-偶次散射；Pd> (P s，Pv)，〇. 9《H《1 ;
[012引类别7 ;低滴-体散射；Pv> (P s，Pd)，0《H < 0. 5 ;
[0126] 类别 8 ;中滴-体散射；Pv> (P s，Pd)，0. 5《H < 0. 9 ;
[0127] 类别9 ;高滴-体散射；Pv> (P s，Pd)，0. 9《H《1。
[0128] S4、对初始化分类图中相似特征区域进行合并
[0129] 由于极化分解后得到的都是像素点信息，不适用于区域的提取，因此需要对相似 特征的区域进行合并。
[0130] 结合步骤（S3)的特征提取，利用Wishart聚类算法分别将两幅初始化分类图中相 似特征区域进行合并，得到两幅最终分类图；
[0131] 设<T>为视数为n的极化相干矩阵，<〉表示对相干矩阵T进行n视处理；则<T〉 服从复Wishart分布；
[0132]
[013引其中，M表示相干矩阵T的统计均值，r表示gamma函数，Tr表示相干矩阵T的 迹，q表示相干矩阵T的阶数；
[0134] 先根据最大似然估计得到第m类的类中屯、Mm;
[0135]
[0136] 其中，Nm是属于第m，m= 1，2，…，9类的像素数，
[0137] 再采用最大似然准则对初始化分类进行聚类，并通过公式（8)得到每个像素的相 干矩阵T与属于第m类像素的相干矩阵类中屯、Mm的最大化似然距离d (T，M m)，其表达式为：
[013 引
[0139] 在聚类迭代过程中，Mm表示最新一次迭代中属于第m类的所有像素的相干矩阵的 平均值，即类中屯、；
[0140] 设迭代过程中所有类均满足均匀分布，则得到某一像素属于某一类的判断准则：
[0141] L(<T〉|Mi) > L(<T〉|Mj')，j = 1，2，j 声 i (11)
[014引选出每个像素离聚类中屯、Mm的最小距离d(T，Mm)，再将该像素归入对应的类别中， 完成相似特征区域的合并。
[0143] 在本实施例中，如图3所示，在基于图2的基础上，通过上述步骤处理后，按照散射 机理将地物分为9类，分别得到灾害发生前、后两幅最终分类图，即图3(a)和图化）所示， 其中滑坡信息的提取最直接的观察是植被和裸±，因此在本图中用浅灰色代表裸±，灰色 代表植被，黑色代表其他类别；
[0144] S5、对最终分类图进行变换检测处理，生成疑似滑坡区域图
[0145] 通过对已有滑坡区域分析可知，滑坡散射机理主要是表面散射，滑坡周边环境的 主要散射机制是体散射，滑坡的散射滴都集中在0. 6到0. 8之间，滑坡周边环境的散射滴和 滑坡的一样，根据滑坡发生前后散射机制特性，判定滑坡发生前区域为植被-中滴区，发生 后同区域为裸± -中滴区的地点为疑似滑坡点，其余区域为非滑坡点。
[0146] 设任意像素点PGIi，qG12,Ii和12分别为滑坡前、后两幅最终分类图；根据滑坡 形成前后的区域特征，对两幅最终分类图进行变换检测处理，得到疑似滑坡区域图；其中， 在变换检测过程中，最终分类图中的像素点是否为滑坡点的判断规则：
[0147](S5. 1)、如果像素点P不属于类别8,则判断所对应的区域为非滑坡点；
[0148](S5