专利名称：基于Freeman分解和数据分布特征的极化SAR图像分类方法
技术领域：
本发明属于图像处理技术领域，涉及极化合成孔径雷达SAR图像地物分类领域的应用，具体的说是一种基于Freeman分解和数据分布特征的极化SAR图像分类方法，可用于对极化SAR图像的进行地物分类。
背景技术：
随着雷达技术的发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰 富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测，目标检测和海洋污染检测等。极化图像分类的目的是利用机载或星载极化传感器获得的极化测量数据，确定每个像素所属的类别。经典的极化SAR分类方法包括Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法，见CloudeS R， Pottier E. An entropy based classification scheme for land applicationsofpolarimetric SAR[J]. IEEE Trans. Geosci. Remote Sensing. 1997,35 (I) :549-557.该方法主要是通过Cloude分解提取两个表征极化数据的特征H和α，然后根据Η/α平面将极化图像划分为9个区域，其中一个理论上不可能存在的区域，因此最终将图像划分为8类。Η/α分类存在的两个缺陷一个是区域的划分过于武断；另一个是当同一个区域里共存几种不同的地物时，将不能有效区分。Lee等人提出了基于H/ α目标分解和Wishart分类器的H/ a -Wishart非监督分类方法，见 Lee J S, Grunes M R, Ainsworth T L, et al. Unsupervised classificationusingpolarimetric decomposition and the comp lex Wishart classifier[J].IEEETrans. Geosci. Remote Sensing. 1999,37(5) :2249-2258.该方法是在原始 H/α 分类基础上增加了 Wishart迭代，主要是对H/ α划分后的8类利用Wishart分类器对每一个像素进行重新划分，从而有效的提高了分类的精度，但是该方法不能很好的保持各类的极化散射特性。J. S. Lee等基于Freeman分解于提出了一种基于Freeman-Durden分解的多极化图像非监督分类算法，见 Lee J S, Grunes M R, Pottier E, et al. Unsupervisedterrainclassification preserving polarimetric scattering characteristic[J].IEEETrans. Geosci. Remote Sensing. 2004,42(4) :722-731.该方法主要是通过Freeman分解获取平面散射功率、二面角散射功率和体散射功率，然后根据这三个散射功率的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器进行迭代，重新划分，提高分类效果。该方法结合了 Freeman分解和复Wishart分布,具有保持极化SAR的主要散射机制纯净性的特性，但是该方法中由于Freeman分解中的多类的划分以及合并，因而计算复杂度较高，分类时间长。
发明内容
本发明的目的在于针对已有技术的不足，提出一种基于Freeman分解和数据分布特征的极化SAR图像分类方法，以降低计算复杂度，提高分类速度。为实现上述目的，本发明包括如下步骤(I)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Freeman分解，得到三个散射功率Ps，Pd, Pv，其中Ps表示表面散射功率，Pd表示二面角散射功率，Pv表示体散射功率；(2)根据每个像素点的三个散射功率Ps，Pd，Pv，计算max(Ps，Pd，Pv)的值，如果max (Ps, Pd, Pv) = Ps,则将其对应的像素点划分为一类，如果max (Ps, Pd, Pv) = Pd,则将其对应的像素点划分为一类，如果max (Ps, Pd, Pv) = Pv,则将其对应的像素点划分为一类,从而将极化SAR图像初始划分为三类，其中，max ( ·)表示最大值；
(3)对得到的三类初始划分结果，计算每一类中每个像素点的分布特征参数XL:3a)将每个像素点及其周围的像素点总共九个像素点作为一个小区域，计算该区域的相对峰值RK
权利要求
1.一种基于Freeman分解和数据分布特征的极化SAR图像分类方法，包括如下步骤 (1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Freeman分解，得到三个散射功率Ps，Pd, Pv，其中Ps表示表面散射功率，Pd表示ニ面角散射功率，Pv表示体散射功率； (2)根据每个像素点的三个散射功率Ps，Pd,Pv,计算max (Ps, Pd, Pv)的值，如果max (Ps, Pd, Pv) = Ps,则将其对应的像素点划分为ー类，如果max (Ps, Pd, Pv) = Pd,则将其对应的像素点划分为ー类，如果max (Ps, Pd, Pv) = Pv,则将其对应的像素点划分为ー类,从而将极化SAR图像初始划分为三类，其中，max( ·)表示最大值； (3)对得到的三类初始划分結果，计算每一类中每个像素点的分布特征參数Xじ 3a)将每个像素点及其周围的像素点总共九个像素点作为ー个小区域，计算该区域的相对峰值RK
2.根据权利要求I所述的基于Freeman分解和数据分布特征的极化SAR图像分类方法，其中步骤(I)所述的对图像中的每个像素点进行Freeman分解，按如下步骤进行 Ia)读入极化SAR图像的姆个像素点,姆个像素点为ー个含有9个元素极化协方差矩阵C ；
3.根据权利要求I所述的基于Freeman分解和数据分布特征的极化SAR图像分类方法，其中步骤(5)所述的对整个极化SAR图像的9类划分结果进行复Wishart迭代，按如下步骤进行 5a)对整个极化SAR图像的9类划分结果，根据下式求每ー类的聚类中心Bi
全文摘要
本发明公开了一种基于Freeman分解和数据分布特征的极化SAR图像分类方法，主要解决现有技术计算复杂度较高和分类效果差的问题。其实现步骤为1)对待分类的极化SAR图像进行Freeman分解，获取平面散射、二面角散射及体散射三种散射功率；2)根据三种散射功率将极化SAR图像初始划分为三类；3)计算每一类中各像素点的分布特征参数χL；4)根据分布特征参数χL的值将初始划分的三类的每一类再划分为3类，从而将整个极化SAR图像划分为9类；5)对得到的9类划分结果进行复Wishart迭代，得到最终的分类结果。本发明与经典分类方法相比，对极化SAR图像的划分更加严谨，分类效果更佳，计算复杂度相对较小，可用于对极化SAR图像的进行地物分类和目标识别。
文档编号G06K9/62GK102968640SQ20121041513
公开日2013年3月13日 申请日期2012年10月25日 优先权日2012年10月25日
发明者王爽, 侯小瑾, 李崇谦, 李婷婷, 刘亚超, 马文萍, 马晶晶, 刘坤, 张涛 申请人:西安电子科技大学