基于低秩分解和直方图统计的极化sar图像分割方法
【技术领域】
[0001] 本发明属于图像处理和遥感技术领域，涉及极化SAR图像的分割方法，可用于后 续对极化合成孔径雷达P0LSAR图像的识别。
【背景技术】
[0002] 极化合成孔径雷达P0LSAR图像分割方法是指根据图像的灰度、极化信息、结构、 聚集性等特征将不同的区域区分开来。对极化合成孔径雷达P0LSAR图像分割方法的研究 有着非常现实的意义，在军事、农业上都有着非常重要的应用。极化合成孔径雷达P0LSAR 图像分割是极化图像处理和解译的重要基础，其分割质量的好坏会直接影响到后续的分析 和识别的工作。
[0003] 现有的极化合成孔径雷达P0LSAR图像分割方法主要可以分为三种：第一种是基 于极化统计特性的分类方法；第二种是基于极化电磁波和散射机理的分类方法；第三种是 结合统计特性和散射机理的分类方法。基于极化统计特性的方法主要有：1988年，Kong等 人提出了单视极化SAR图像的极大似然ML分类器；1994年，Lee等人提出了多视情况下的 基于Wishart分布的ML分类器，提出了有监督的极化SAR图像分类方法。基于极化电磁波 和散射机理的方法主要有：1989年，VanZyl等人提出了一种基于奇次散射、偶次散射和体 散射三种散射机理的非监督分类方法；1997年，Cloude等人提出了基于Η/α目标分解的极 化SAR图像非监督分类方法，通过分解得到地物散射熵Η和表征地物散射机理的角度α，实 现了无监督的极化SAR图像分类。结合极化统计特性和散射机理的分类方法主要有：1999 年，Lee等人提出了基于Η/α目标分解和Wishart分类器的非监督分类方法；2004年，Lee 等人提出了基于Freeman分解和Wishart分类器的非监督分类方法，该算法具有保持极化 散射特性的性质；2007年，Jager等人将GraphCut最优化方法用于极化SAR图像分类，结 合EM(ExpectationMaximization,EM)算法取得了比较好的效果。
[0004] 上述方法能够很好的利用极化SAR数据的统计特性和散射机理进行分类，但是这 些方法主要都是基于像素点的分类方法并没有利用极化SAR图像的语义信息和语义区域 本身具有的低秩结构来进行语义分割。因此，上述传统的极化SAR图像分割的方法存在很 多缺陷：（1)同一地物的区域一致性不好，产生斑点噪声；（2)对于灰度变化明暗相间的地 物，传统的分类方法都很难将这类地物从人类视觉和图像理解的角度上分为一类。
【发明内容】
[0005] 本发明的目的在于克服上述已有方法的不足，提出一种基于低秩分解和直方图统 计的极化SAR图像分割方法，提高极化SAR图像的分割效果。
[0006] 为实现上述目的，本发明的技术方案如下：
[0007] (1)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；
[0008] (2)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；
[0009] (3)对聚集区域进行分割：
[0010] (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；
[0011] (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；
[0012] (3c)对每个聚集区域低秩分解的低秩部分进行直方图统计；
[0013] (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；
[0014] (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；
[0015] (4)对匀质区域进行分割；
[0016] (5)对结构区域进行分割，提取出孤立目标和边界；
[0017] (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。
[0018] 本发明与现有技术相比具有如下优点：
[0019] 第一，由于本发明利用极化SAR图像功率图的素描图，对线段包含的语义信息进 行分析，提出了基于线段语义信息分析的区域划分技术，在素描图上有效的提取了线段的 聚集区域，克服了现有技术对聚集区域分割结果区域一致性不好的问题，有效提高了极化 SAR图像的分割精度。
[0020] 第二，由于本发明对空间上不连通的各个聚集区域分别构造低秩观测矩阵，用不 同聚集区域低秩分解的直方图统计特征作为区域的特征，克服了现有技术对极化SAR图像 像素之间空间关系利用不足的问题，使得本发明可以更好的提取聚集区域中物体的结构关 系。
[0021] 第三，由于本发明对不同类型的地物区域采用不同的分割合并策略，克服了现有 技术采用一种方法对不同类型的地物进行分割不具有针对性的问题，使得本发明对的区域 合并更有针对性，保证了不同地物区域都能得到较好的合并，提高了分割的精度。
【附图说明】
[0022] 图1是本发明的流程图；
[0023] 图2是本发明的仿真图。
【具体实施方式】
[0024] 下面结合附图对本发明做进一步的描述。
[0025] 参照附图1，本发明的实现步骤如下。
[0026] 步骤1，素描化极化合成孔径雷达SAR图像。
[0027] 输入待分类的极化SAR图像的数据，对极化SAR数据进行处理得到协方差矩阵，融 合协方差矩阵对角线元素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。
[0028] 本发明使用的极化合成孔径雷达SAR图像素描模型是Jie-Wu等人于2014年 发表在IEEETransactionsonGeoscienceandRemoteSensing杂志上的文章〈〈Local maximalhomogenousregionsearchforSARspecklereductionwithsketch-based geometricalkernelfunction》中所提出的模型，其提取素描图步骤如：
[0029] 第1步，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 ;
[0030] 第2步，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：
[0031]
[0032]
[0033] 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[0，1]，八彦示区域Ω中位置 g对应在极化合成孔径雷达SAR图像中的像素值，v表示区域Ω与极化合成孔径雷达SAR 图像中对应像素的方差；
[0034] 第3步，按照下式，计算极化合成孔径雷达SAR图像中每个像素对比值算子的响应 值：
[0035]
[0036] 其中，R表示极化合成孔径雷达SAR图像