一种基于极化目标分解特征的变分极化sar图像分割方法
【专利摘要】本发明公开了一种基于极化目标分解特征的变分极化SAR图像分割方法，利用极化SAR图像的极化相干分解方法和极化非相干分解方法，得到了反应目标属性和目标类型信息的极化目标分解特征向量f，结合区域指示函数FiN、高斯核函数KRBF和基本CV模型，建立能量泛函，采用水平集方法进行求解，得到极化SAR图像的分割结果。本发明给出的方法不仅仅局限于一种或者两种极化目标分解特征数据，而是使用了多种极化目标分解的特征数据，对极化信息的利用是比较充分的。通过定义区域指示函数FiN，可以利用较少数目的水平集函数表示区域数目较多的情况，大大地减少了计算量。将本发明用于极化SAR图像的分割，可以得到较精确的分割结果。
【专利说明】—种基于极化目标分解特征的变分极化SAR图像分割方法
【技术领域】
[0001]本发明涉及雷达遥感或图像处理技术，即用图像处理技术分析雷达观测信息，尤其涉及一种基于极化目标分解特征的变分极化SAR图像分割方法。
【背景技术】
[0002]极化合成孔径雷达(Synthetic Aperture Radar, SAR)图像的分割是雷达遥感【技术领域】的重要研究内容，在极化SAR数据的分类、目标检测和目标识别等方面有重要的应用，对雷达遥感【技术领域】的发展具有重要意义。
[0003]极化SAR利用不同的极化发射和极化接收天线的组合，得到雷达目标的极化散射矩阵，进而获得雷达目标的电磁散射特性，该特性可以提供其他雷达参数不能反映出的信息，是刻画雷达目标特性的一个重要参量。为了有效提取出雷达目标的结构信息和电磁散射特性，需要对极化数据进行极化SAR目标的分解。极化目标分解主要分为相干极化目标分解和非相干极化目标分解。相干极化目标分解主要有Pauli分解，Krogager分解等；非相干极化目标分解包括基于互易性和对称性等属性的目标二分法分解方法，即Huynen分解和Barnes-Holm分解等，基于模型的Freeman-Durden分解和Yamaguchi分解等，基于特征矢量的Cloude-Pottier分解和VanZyl分解等。近年来,利用极化SAR目标分解所得到的极化特征信息，对极化SAR图像进行相关处理已成为一个研究热点。
[0004]Krogager提出的相干目标分解方法，将极化散射矩阵分解成球散射、二面角散射、螺旋体散射3个固定类型分量，结合SVM设计分类器可以得到较好的极化SAR图像分类结果。Huynen分解根据目标的属性，将目标分为对称分量、不规则分量与不对称分量，可以较好的分出对称和规则的地物类型。Freeman和Durden利用极化协方差矩阵,建立表面散射、二次散射、体散射的散射模型，根据三种散射分量的散射能量进行极化SAR图像的分类。Yamaguchi在此基础上增添了螺旋体散射，进行了极化SAR图像的进一步更细致的划分。利用Freeman-Durden分解得到的散射特征与散射熵以及Wishart分布统计特征进行极化SAR图像的分类处理，也可以得到较好的结果。Cloude-Pottier利用极化相干矩阵的特征分解，定义了三个重要的旋转不变极化物理量:散射熵、散射角和反熵，较好的刻画出了目标的散射特性。结合参量与根据极化SAR图像统计特征形成的Wishart分类器，可以清楚地区分自然地物的主要类型，符合散射机制的自然分布。这些方法都是基于极化目标分解的，利用的是一个或者两个极化分解方法得到的特征，得到的分割结果反应的地物信息往往不够精确。
[0005]近些年，随着偏微分方程技术的逐渐成熟，变分法在极化SAR图像的分割中，占据了较为重要的位置，获得了广泛应用。该方法通过定义针对图像的能量泛函，利用水平集方法求解能量泛函的极值，以达到对图像分割的目的。1.B.Ayed等人根据极化相干矩阵的Wishart统计特征，建立针对极化SAR图像的能量泛函，进行极化SAR图像的分割。这种方法对极化信息的利用是比较充分的，但单个数据点的极化相干矩阵是一个3X3的复矩阵，数学运算非常复杂。Y.Shuai等利用复Gaussian/Wishart统计分布、漂移Heaviside函数和改进的CV模型建立了应用于极化SAR图像分割的能量泛函，水平集求解的曲线演化方程稳定收敛，避免了局部极小值的出现，但是未能很好地进行极化信息的有效利用。为了较好的利用极化信息，将极化参量组成极化特征向量，建立基于该向量的CV模型，省去了 Wishart统计分布的复杂数学运算，还有效地利用了极化信息。但是该方法也只是用了一种极化目标分解的分解特征，然而不同极化目标分解反应出不同的极化特征信息，这样就会使得上述方法对于极化信息的利用不够充分。
【发明内容】
[0006]有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于极化目标分解特征的变分极化SAR图像分割方法，充分利用极化目标分解的分解特征，同时利用变分法和核函数的优势，较好的处理高维数灾难问题，采用水平集方法数值求解，得到较为精确的极化SAR图像分割结果。
[0007]为实现上述目的，本发明提供了一种基于极化目标分解特征的变分极化SAR图像分割方法，利用不同极化目标分解的分解特征形成的特征向量，结合核函数和CV模型建立能量泛函，具体由以下步骤进行实现:
[0008]步骤1:根据极化目标分解特征数据，建立极化目标分解特征向量:
[0009]根据极化SAR 图像 Pauli 分解，Huynen 分解，Cloude-Pottier 分解，Freeman-Durden分解，SDH分解,VanZyl分解各自得到的3个分解特征数据，Yamaguchi分解得到的4个分解特征数据，以及Huynen分解的推广分解方法,即Barnes-Holm分解,在两种不同的特征向量情况下，得到的6个极化特征数据，一共28个极化目标分解特征数据，构成分解特征向量f = (fi, f2)..., fD)，其中fk，k = I,..., D, D = 28,表征某一个分解特征。
[0010]步骤2:将极化SAR图像I(x，y)整个区域Ω任意划分为N个区域Qi, i =I,..., N，所述极化SAR图像I (X，y)中的每个区域用i标注。
[0011]步骤3:计算区域指示函数if。
[0012]步骤4:计算区域的极化目标分解特征均值向量
【权利要求】
1.一种基于极化目标分解特征的变分极化SAR图像分割方法，利用不同极化目标分解的分解特征形成的特征向量，结合核函数和CV模型建立能量泛函，其特征在于，包括如下步骤: 步骤1:根据极化目标分解特征数据，建立极化目标分解特征向量: 根据极化 SAR 图像 Pauli 分解，Huynen 分解，Cloude-Pottier 分解，Freeman-Durden分解，SDH分解，VanZyl分解各自得到的3个分解特征数据，Yamaguchi分解得到的4个分解特征数据，以及Huynen分解的推广分解方法,即Barnes-Holm分解,在两种不同的特征向量情况下，得到的6个极化特征数据，一共28个极化目标分解特征数据，构成分解特征向量f = (fi, f2,...，fD)，其中 fk, k = I,..., D, D = 28,表征某一个分解特征； 步骤2:将极化SAR图像I (X，y)整个区域Ω任意划分为N个区域Ω。i = 1，...，N，所述极化SAR图像I (X，y)中的每个区域用i标注； 步骤3:计算区域指示函数F ；
步骤4:计算区域的极化目标分解特征均值向量
2.如权利要求1所述的基于极化目标分解特征的变分极化SAR图像分割方法，其特征在于，所述步骤3中所述区域指示函数F汁算步骤如下: (3a)当数N为2的幂次方时，存在m使得2m = N成立，则I≤i≤2m = N。引入水平集函数集合Ψ = { Φ! (x, y),..., Φ m (X，y)}, m为水平集函数数目， Φ (χ, y), r = I,...，m表示第r个水平集函数；Ψ相对应的正则化Heaviside函数集合为1(小(叉，7)) = (Ηε (Φ^χ, y))，...，He (<i)m(x，y))),其中,
HMrix^))= 2 1 +^arctan 1为水平集函数4>r(X，y)对应的正则化 Heaviside函数，ε用以控制函数从O上升到I的快慢，ε的取值范围为[0.1,2],则当2m = N时，区域指示函数表示为: Ff={-lft\{H^y))-brl)
r=\ (3b)当数N不为2的幂次方时，即2m Φ N, 2"1-1 < N < 2m时，区域指示函数表示为:
3.如权利要求1所述的基于极化目标分解特征的变分极化SAR图像分割方法，其特征在于，所述步骤5中所述核函数为高斯核函数:^_.(Μ) = ^)?) = εχΡ(4-€Α2)，其中，σ为高斯核函数的标准差，取值为[5，50], IHI"为L2范数，则有
4.如权利要求1所述的基于极化目标分解特征的变分极化SAR图像分割方法，其特征在于，所述步骤8中所述水平集函数迭代过程为:
【文档编号】G06T7/00GK103761741SQ201410033518
【公开日】2014年4月30日 申请日期:2014年1月23日 优先权日:2014年1月23日
【发明者】曹宗杰, 皮亦鸣, 谭英, 冯籍澜 申请人:电子科技大学