基于异极化比和散射功率熵的极化SAR图像分类方法与流程

本发明属于图像数据处理技术领域，涉及一种极化sar图像分类方法，具体涉及一种基于异极化比和散射功率熵的极化sar图像分类方法，可用于极化sar图像的地物分类。

背景技术：

极化合成孔径雷达是一种多参数、多通道的雷达成像系统，由于其较强的目标信息获取能力，在农业，军事，海洋等领域均得到广泛的研究和应用，已经成为合成孔径雷达发展的重要方向之一，极化sar图像分类作为极化合成孔径雷达的重要应用之一，受到越来越多的关注。极化sar图像分类是利用机载或星载极化sar系统提供的极化测量数据，对图像中的每个像素进行类别划分，从而实现极化sar图像的分类。现有的极化sar图像分类方法主要包括无监督分类方法和有监督分类方法，但有监督分类方法需要大量的训练样本，并且分类精度容易受到训练数据的影响。在对图像进行地物分类时，很多情况下，我们并不知道地表的真实数据，那么人为的选择训练样本对极化sar图像来说是很困难的。因此，目前地物分类的重点在于无监督分类，无监督分类的特点就是不需要训练样本，不需要知道图像中地物的真实数据分布，充分利用图像中包含的数据信息来对图像进行分类。比较经典的极化sar图像无监督分类的方法有：freeman提出的三分量散射模型和lee提出的基于h/α目标分解和wishart分类器的分类方法等，在这些经典的分类算法的基础上，先分类，再合并的分类策略被提出，其中包括：

2004年，j.s.lee等人基于freeman分解提出了一种保持目标散射特性的极化sar图像无监督分类算法，见j.s.lee,m.r.grunes,e.pottierandl.ferro-famil,"unsupervisedterrainclassificationpreservingpolarimetricscatteringcharacteristics,"inieeetransactionsongeoscienceandremotesensing,vol.42,no.4,pp.722-731,april2004.该方法在freeman散射模型的基础上，将图像分解成表面散射类，二面角散射类和体散射类三大类，然后根据每一类数据中各像素点的散射功率的大小将每一类细分成30类或者更多，之后对数据进行类别合并和wishart迭代优化。该方法结合freeman散射模型和复wishart迭代，具有保持多极化sar图像主散射机制纯净性的特性，但是该方法没有考虑到极化sar图像中混和散射机制的存在，因此，分类精度仍有待提高。

2007年，cao等人提出了基于span/h/α/a和复wishart算法的自适应类别的极化sar图像的分类方法，见f.cao,w.hong,y.wu,ande.pottier.“anunsupervisedsegmentationwithanadaptivenumberofclustersusingthespan/h/α/aspaceandthecomplexwishartclusteringforfullypolarimetricsardataanalysis.”ieeetrans.geosci.remotesensing,vol.45,no.8,pp.3454-3467,nov.2007.该方法结合数据的后向散射功率span和数据的h/α/a信息，把极化sar图像分成48类，之后采用wishart测试统计的方法来实现数据的凝聚式层次聚类，利用数据的似然概率来自动评估数据被划分的合适类别数。该方法可以对极化sar数据进行自适应类别的划分，方法的鲁棒性得到了保证，但是该方法仍没有考虑到极化sar图像中混和散射机制的存在，而且，该方法中用到凝聚式层次聚类和每次聚类对数据进行的似然评估，导致整个方法的计算复杂度较高。

2013年，wang等人提出基于散射功率熵和同极化比的分类方法，见s.wang,k.liu,j.pei,m.gongandy.liu,"unsupervisedclassificationoffullypolarimetricsarimagesbasedonscatteringpowerentropyandcopolarizedratio,"inieeegeoscienceandremotesensingletters,vol.10,no.3,pp.622-626,may2013.该方法在散射功率熵的基础上，将图像分解成表面散射类、二面角散射类、体散射类、表面-二面角散射类、表面-体散射散射类，二面角-体散射类，和混合类七大类，然后利用数据的同极化比特征把每一大类分成三小类，最后利用复wishart迭代方法对分类结果进行优化。该方法考虑到了像素中混和散射机制的存在，但是用到的同极化比只涉及到了极化sar图像中的共极化比分量，忽略了极化sar图像的交叉极化分量，导致出现部分目标错分，或分类不精细的问题。

技术实现要素：

本发明的目的在于克服上述已有技术的不足，提出了一种基于异极化比和散射功率熵的极化sar图像分类方法，以实现极化sar图像更精确的地物分类。

本发明的技术思路是：首先在freeman分解的基础上，利用散射功率熵对极化sar图像进行初始分类；然后根据极化sar图像中各像素点的共极化分量与交叉极化分量之间的比值，对图像初始化分的每一类作进一步的划分；之后采用基于wishart距离的类间合并准则对上述分类结果进行合并，并对合并结果进行wishart迭代；最后对图像上色，得到彩色的分类结果图，具体实现步骤为：

(1)去除待分类极化sar图像中的相干斑噪声，得到滤波后的极化sar图像；

(2)获取极化sar图像中各像素点的三种散射功率：对滤波后的极化sar图像进行freeman分解，得到各像素点的表面散射功率ps、二面角散射功率pd和体散射功率pv；

(3)利用各像素点的三种散射功率，分别计算每一个像素点的散射功率熵hp，其中0≤hp≤1；

(4)对极化sar图像进行初始分类：根据极化sar图像中每个像素点的三种散射功率和散射功率熵hp，对极化sar图像进行初始分类，得到7类极化sar图像：

(4a)根据极化sar图像的散射功率熵hp选择两个分类阈值x1和x2；

(4b)根据散射功率熵hp与两个分类阈值x1和x2的关系，对极化sar图像进行初始分类，具体为：

当0≤hp≤x1，将满足ps＝max(ps,pd,pv)的像素点划分为表面散射类，满足pd＝max(ps,pd,pv)的像素点划分为二面角散射类，满足pv＝max(ps,pd,pv)的像素点划分为体散射类；

当x1＜hp≤x2，将满足ps＝min(ps,pd,pv)的像素点划分为二面角-体散射混合类，满足pd＝min(ps,pd,pv)的像素点划分为表面-体散射混合类，满足pv＝min(ps,pd,pv)的像素点划分为表面-二面角散射混合类；

当x2＜hp≤1，则将该类像素点划分为散射混合类；

(5)定义异极化比公式，并利用该公式计算极化sar图像中各像素点的共极化分量与交叉极化分量的比值，得到各像素点的异极化比，然后统计极化sar图像的异极化比分布；

(6)对极化sar图像进行再次分类：根据极化sar图像中各像素点的异极化比和极化sar图像的异极化比分布，对步骤(4)中的7类极化sar图像中的每一类进行同比例的细分，得到7n类极化sar图像，其中，n表示每一类数据细分的类别数，且n≥2；

(7)对获得的7n类极化sar图像进行类别合并，得到m类极化sar图像，其中，m的值是由极化sar图像中包含的地物种类个数来确定；

(8)更新m类极化sar图像中每个像素点所属的类别，得到分类结果；

(9)用红色r、绿色g和蓝色b三个颜色分量作为三基色，根据三基色原理给步骤(8)中得到的分类结果上色，得到最终彩色分类结果图。

本发明与现有的技术相比，具有以下优点：

本发明在freeman分解的基础上，利用散射功率熵对极化sar图像进行初始分类，在初始分类的基础上，充分利用极化sar图像中包含的极化信息：共极化分量和交叉极化分量，根据两种极化分量的比值对数据进行更细致地划分。由于散射功率熵信息能够有效地确定每一个像素的散射类型，共极化分量与交叉极化分量的比值能够较好地表征不同地物之间的差异，有利于区分不同的地物类型，因此两种极化分量的比值与散射功率熵的结合能够有效地提高了极化sar图像分类的精度。

附图说明

图1是本发明的实现流程框图；

图2是本发明仿真使用的极化sar图像sanfrancisco图像；

图3是本发明仿真所用的极化sar图像中主要地物的异极化比分布图；

图4是本发明与现有的基于散射功率熵和同极化比的分类方法对sanfrancisco图像的分类仿真结果图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步的详细说明。

参照图1、基于异极化比和散射功率熵的极化sar图像分类方法，包括如下步骤：

步骤1)采用精致lee滤波方法去除sanfrancisco图像中的相干斑噪声，得到滤波后的sanfrancisco图像；

步骤2)对滤波后的sanfrancisco图像进行freeman分解，得到各像素点的表面散射功率ps、二面角散射功率pd和体散射功率pv，实现步骤为：

(2a)输入sanfrancisco图像中各像素点的协方差矩阵c：

其中，h表示水平极化，v表示垂直极化，shh表示水平发射水平接收的回波图像，svv表示垂直发射垂直接收的回波图像，shv表示水平发射垂直接收的回波图像，shh和svv被称为共极化分量，shv被称为交叉极化分量，*表示共轭，|·|表示取模值，<·>表示按视数平均；

(2b)将协方差矩阵c分解成如下形式：

其中，fs为表面散射分量的分解系数，fd为二面角散射分量的分解系数，fv为体散射分量的分解系数，β表示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反射系数的比值，α定义为α＝rghrvh/rgvrvv，rgh，rvh分别表示地表的水平和垂直反射系数，rgv，rvv分别表示竖直墙体的水平和垂直反射系数；

(2c)根据公式1)和公式2)对应元素相等，得出含有五个未知数fs，fd，fv，α和β的四个方程：

(2d)求解方程组3),得到fs，fd，fv，α和β的值：

计算各像素点协方差矩阵中的的值并判断正负，若令α＝-1，否则令β＝1，根据α和β的值求解方程组3)，进而得到fs，fd和fv的值，其中re(·)表示取实部；

(2e)根据fs，fd，fv，α和β的值，利用下式求出各像素点的三种散射功率ps，pd和pv：

其中，ps，pd和pv分别表示表面散射功率，二面角散射功率和体散射功率。

步骤3)利用各像素点的三种散射功率，分别计算每一个像素点的散射功率熵hp，其中0≤hp≤1；

(3a)计算各像素点的表面散射功率ps、二面角散射功率pd以及体散射功率pv在总散射功率中所占比重，计算公式为：

其中，p1，p2和p3分别表示表面散射功率，二面角散射功率以及体散射功率在总散射功率中所占比重；

(3b)利用公式6)计算sanfrancisco图像中每个像素点的散射功率熵hp

步骤4)对sanfrancisco图像进行初始分类：根据sanfrancisco图像中每个像素点的三种散射功率和散射功率熵hp，把sanfrancisco图像初始划分为7类；

散射功率熵是对散射机制随机性的描述，其取值范围为：0≤hp≤1，当hp＝0时，数据中只有唯一的一种散射机制，当hp＝1时，数据为三种散射机制混合的极端情况，当0＜hp<1时，随着散射功率熵的增加，散射过程的随机性也逐渐增加，当散射功率熵较小时，数据中只有一种主散射机制，当散射功率熵较大时，数据中具有两种或者三种主散射机制，因此，散射功率熵可以用来确定像素点的散射机制，根据像素点的散射机制来对图像进行分类，实现步骤为：

(4a)根据极化sar图像的散射功率熵hp选择两个分类阈值x1＝0.48和x2＝0.85；

(4b)根据散射功率熵hp与两个分类阈值x1和x2的关系，对极化sar图像进行初始分类，具体为：

当0＜hp≤x1，将满足ps＝max(ps,pd,pv)的像素点划分为表面散射类，满足pd＝max(ps,pd,pv)的像素点划分为二面角散射类，满足pv＝max(ps,pd,pv)的像素点划分为体散射类；

当x1＜hp≤x2，将满足ps＝min(ps,pd,pv)的像素点划分为二面角-体散射混合类，满足pd＝min(ps,pd,pv)的像素点划分为表面-体散射混合类，满足pv＝min(ps,pd,pv)的像素点划分为表面-二面角散射混合类；

当x2＜hp≤1，则将该类像素点划分为散射混合类；

步骤5)定义异极化比公式，并利用该公式计算sanfrancisco图像中各像素点的共极化分量与交叉极化分量的比值，得到各像素点的异极化比；

异极化比表示极化sar图像的共极化分量和交叉极化分量之间的比值，可以是共极化分量与交叉极化分量的比值，也可以是交叉极化分量与共极化分量的比值。无论是哪一种比值都不会影响数据的异极化比分布。由于异极化比中不仅包含极化sar图像的共极化分量，还包含图像的交叉极化分量，对极化sar图像中的信息利用比较充分，因此，用异极化比来对图像进行分类更能提高数据的分类效果。这里以共极化分量与交叉极化分量的比值为例，即定义异极化比的计算公式为：

其中shh表示水平发射水平接收的回波图像，svv表示垂直发射垂直接收的回波图像，shh和svv被称为共极化分量，shv表示水平发射垂直接收的回波图像，svh表示垂直发射水平接收的回波图像，shv和svh被称为交叉极化分量，|·|表示取该数的模值。

步骤6)对sanfrancisco图像进行再次分类：根据sanfrancisco图像中各像素点的异极化比和sanfrancisco图像的异极化比分布，对步骤4)中的7类sanfrancisco图像中的每一类进行同比例的细分。sanfrancisco图像主要包含3种不同地物：海洋，建筑和植被，因此我们将步骤4)中的7类sanfrancisco图像中的每一类数据再次划分成3类，得到21类的sanfrancisco图像，实现步骤为：

(6a)根据sanfrancisco图像的异极化比分布，选择两个分类阈值y1＝6，y2＝13；

(6b)根据sanfrancisco图像中各像素的异极化比rd与两个分类阈值y1和y2的关系，把步骤4)中的7类sanfrancisco图像中的每一类细分成3类，具体为：将满足rd≤y1的像素点划分为一类，满足y1＜rd≤y2的像素点划分为一类，满足rd≤y2的像素点划分为一类；

步骤7)利用基于wishart距离的类间合并准则把21类的sanfrancisco图像合并成8类的sanfrancisco图像，实现步骤为：

(7a)计算每类数据的聚类中心，计算公式为：

其中，i＝1,2,...21ni表示第i类数据中像素点的个数，cl表示第i类数据中第l个像素点的协方差矩阵；

(7b)计算每两类数据之间的wishart距离，计算公式为：

dij＝(ni+nj)ln|v|-niln|vi|-njln|vj|9)

其中，i,j＝1,2,...21,i≠j，v表示两个类合并之后的聚类中心；

(7c)合并距离最小的两类数据；

(7d)重复步骤(7a)-(7c)，直到极化sar图像的总类别数为8。

步骤8)对sanfrancisco图像中的8类数据进行复wishart迭代，更新每个像素点所属的类别，得到更为准确的分类结果：

(8a)设置初始迭代次数t＝1，最大迭代次数为4；

(8b)利用公式8)计算合并后的每一类数据的聚类中心；

(8c)计算每个像素到第i类数据聚类中心的wishart距离，计算公式为：

d(c,vi)＝ln|vi|+tr(vi^-1c)10)

其中，i＝1,2,...8，c是像素点的协方差矩阵，tr表示矩阵的迹，vi^-1表示vi矩阵的逆矩阵；

(8d)根据每个像素点到每个聚类中心的wishart距离对像素进行重新分类：如果像素满足d(c,vi)≤d(c,vj)，i,j＝1,2,...,8,i≠j，则将该像素划分为第i类；

(8e)迭代次数增加1，即t＝t+1；

(8f)重复步骤(8b)-(8e)，至到迭代次数为4。

步骤9)用红色r、绿色g和蓝色b三个颜色分量作为三基色，根据三基色原理给步骤8)中得到的分类结果上色，得到最终彩色分类结果图。上色原则一般为：水域部分用蓝色调，人工建筑用红色调，植被部分用绿色调。

以下结合仿真实验，对本发明的技术效果作进一步说明。

1.仿真条件及方法：

仿真环境：intel(r)core(tm)i5-3210mcpu@2.50ghz2.50ghzwindows10；

软件平台：matlab2015a；

仿真方法：完成本发明和基于散射功率熵和同极化比的分类方法对极化sar图像的分类仿真实验。

2.仿真内容及结果分析：

实验内容：本发明使用图2所示的sanfrancisco图像进行仿真实验，该图像的视数为4，大小为900×1024像素；

实验一，分析sanfrancisco图像中不同地物的异极化比分布，sanfrancisco图像中主要包含三种地物类型，如图2中标记的区域1，区域2和区域3，分别表示海洋，建筑，植被，他们的异极化比分布见图3。

从图3可以看出三种不同地物之间的异极化比分布存在较大的差异，因此我们可以设置不同的异极化比分类阈值，来区分不同的地物类型。

实验二，用本发明和基于散射功率熵和同极化比的分类方法对sanfrancisco图像进行分类仿真实验，分类结果见图4，其中图4(a)为基于散射功率熵和同极化比的分类方法的分类结果，图4(b)为本发明的分类结果。

从图4(a)可以看出，基于散射功率熵和同极化比的分类方法，虽然能大致区分图像中不同的地物类型，但是对海洋区域的划分仍不够细致，部分地区存在错分现象。

从图4(b)可以看出，本发明的分类结果与图4(a)相比，分类结果更加准确，地物细节体现的更加精细，不同区域的分类边缘也比较平滑，例如，海洋区域划分的更加细致，建筑地区的分类结果更加接近真实地物，高尔夫球场，跑马场和停车场等区域的一致性要明显好于图4(a)的分类结果。

综上所述，本发明提出的针对极化sar图像的分类方法，通过利用极化sar图像的三种散射功率和散射功率熵对图像进行初始分类，利用极化sar图像中共极化分量和交叉极化分量的比值对图像进行再次分类，之后对分类结果进行类别合并和复wishart迭代，进一步改善了数据的分类效果，能够更加准确地区分不同的地物类型，具有更好的分类性能。