基于空间域和频域特征的并行sar图像分类方法
【技术领域】
[0001] 本发明涉及信息处理技术领域，涉及SAR(合成孔径雷达）图像处理方法，尤其是 一种具体为基于空间域和频域特征的并行SAR图像分类方法。
【背景技术】
[0002] SAR(合成孔径雷达）以其特有的全天时、全天候高分辨成像能力，及对某些地物 的穿透探测，使之在国防和国民经济建设中有着重要的应用（如在一些大的地震灾害（如 2008年汶川地震和2010年青海玉树地震）与洪水灾害监测、救灾及灾后重建中、旱情与土 壤湿度动态监测、农业病害虫害监测、农作物长势监测（国内外已有一些很多研宄，利用雷 达数据散射特点对不同农作物进行识别、分类、监测的成功实例。）等方面，其独特优势得 到了非常重要的应用），各国都争先发展SAR技术。以飞机为平台的机载SAR已被广泛使用， 以卫星为平台的星载SAR获得了极大的成功，更是在世界范围内掀起了发展主动微波遥感 对地观测卫星的热潮。
[0003] 随着遥感技术的迅速发展，SAR所能够提供的信息和数据所呈现出的海量程度和 复杂程度都是空前的。SAR成像的特点决定了SAR图像几何失真较大且含有大量被称为相 干斑的噪声，这使得传统的图像处理技术很难应用。一般来说，有效的SAR图像处理方法都 较为复杂。越来越大的数据量再加之复杂的算法使得SAR图像处理所需要的时间越来越 长，而在灾害快速动态监测与灾害预防及救灾、现代化农业（农业病害虫害快速监测、大面 积农作物长势动态监测）等应用领域，要很好地发挥SAR这种强势观测工具，则需要从大量 SAR图像数据中迅速甚至是实时地提取有用信息。如何对SAR图像数据做出准确而快速的 解译，对于发挥SAR的作用都具有相当重要的理论和实际意义。
[0004]SAR图像分割分类是SAR图像解译各环节中较为复杂的关键环节，是SAR图像自 动处理的基础。SAR特别是极化SAR通过测量每个分辨单元在不同收发极化组合下的散射 特性，更完整地记录了目标后向散射信息，为详尽分析目标散射特性提供了良好的数据支 持。极化SAR图像分割分类图既可作为中间结果为目标检测、识别等提供辅助信息，也可作 为最终结果直接输出给用户，开展极化SAR图像准确快速的分割分类对提高极化SAR系统 的应用水平非常重要。美国在整个SAR图像解译领域处于国际领先水平。有关SAR图像解 译技术的研宄从八十年代开始就得到了高度重视，投入数百亿的美元进行SAR数据的获取 以及后续处理研宄。而其他一些国家，如加拿大、德国、日本、英国、法国、意大利、印度等也 都制定了有关的研宄计划。在具体的SAR图像自动分割分类算法研宄方面，马里兰大学的 自动化研宄中心、美国空军技术学院的电子学与计算机工程系、圣地亚（Sandia)国家实验 室、MIT林肯（Lincoln)实验室以及怀特（Wright)实验室走在前列。例如，马里兰大学的 S.kuttikkad和R.Chellappa等充分利用多通道全极化的SAR图像所提供的信息，成功的把 SAR图像分割成为阴影、背景区域、树木、道路、建筑物和人造目标等类别。其思路是首先利 用双参数恒虚警率（CFAR)检测器提取图像感兴趣区域（R0I)，然后利用最大似然分割算法 对所有极化图像进行分割，最后利用所谓"SiteModel"（实际上是极化SAR图像中目标的 几何和位置特性）进行地物分类。美国空军技术学院的StevenK.Rogers等9位学者和怀 特实验室的KevinJ.Willy-起，利用小波和分形技术成功的把极化ADTSSAR图像分割成 为阴影、背景区域、树木和人造目标等类别；Robert等利用马尔可夫随机场的方法（把马尔 可夫随机场条件概率的问题转化为Gibbs分布能量函数极小化问题），将图像区分为目标 区、背景区和阴影区；其他如ScottEvanDecatur、YoshihisaHara、Z.Behladj等分别研宄 了统计分类算法和神经网络在SARATC中的作用以及监督与无监督算法的优劣。Cloude利 用相干矩阵提取出表征目标散射极化程度的参数H和表征目标散射机理的角度a，并表明 可在H-a平面上区分零熵表面、偶极子、二面角散射与高熵表面、偶极子、二面角散射。经 过进一步的研宄，Cloude和Pottier在相干矩阵特征值分解的基础上，提出了H-a方法，通 过对H-a平面进行线性划分，从而确定目标的散射机理，包括低熵、中熵表面散射，低熵、 中熵、高熵偶极子散射，低熵、中熵、高熵多次散射。H-a方法物理意义清晰、简洁易用、适用 面广，受到了人们的广泛关注，并被用于分割、分类和目标检测，成为最著名的极化目标分 解方法之一。法国的AlexandreBouvet使用ENVISATASARHH/VV极化数据进行水稻种植 评估，该文先对极化SAR图像进行多通道相干斑滤波，在此基础上采用阈值法进行极化SAR 图像分类，分析结果证实，HH/VV极化数据比较适合于水稻种植分类。意大利的Gianfranco D.DeGrandi等人应用小波包变换提出了一种SAR图像目标检测与纹理分割方法。纹理测 度包括后向散射强度的归一化的二阶矩与小波包变换系数变量。在这种方法中，对特征度 量依赖于极化状态进行了解释，提出了一个理论模型，该理论是这种SAR图像目标检测与 纹理分割方法的基础。加拿大的KaanErsahin等人基于计算机视觉领域最近新出现的为 更好解决分类问题的光谱图分割法，提出了一种极化SAR图像分割分类方法，其效果优于 Wishart分类器。LionelBombrun等人基于一种异构杂波模型提出了一种极化SAR图像分 割方法，实验结果表明该方法能对X波段和L波段极化的SAR图像能取得较好的分割结果。 AlbertoAlonso-Gonzdlez等人使用二差分区树提出了一种新的基于区域和多尺度的极化 SAR数据表示，基于此对极化SAR图像进行相干斑噪声滤噪和图像分割，实验表明该方法能 够实现很好的SAR图像去噪，同时较好地保留了空间分辨率和极化信息，取得了较好的极 化SAR图像分割效果。
[0005]在国内，中科院遥感所、中科院对地观测中心、中科院电子所、中科院地理所等许 多研宄单位，以及国防科技大学、成都电子科技大学、西安电子科技大学、哈尔滨工业大学、 北京大学、清华大学、北京理工大学、武汉大学等许多院校，都做了许多关于SAR图像目标 分割分类与识别的研宄，取得了一定的成果。例如，朱俊杰等以2003年7月淮河洪水监测 获取的单波段单极化高分辨率SAR图像为试验数据，首先对数据进行了分析，指出了高分 辨率SAR图像的特点，之后通过小波变换对图像进行两层小波分解得到子图像，并在选择 合适的能量计算窗口条件下，计算子图像的纹理能量，最后使用了BP神经网络方法进行纹 理分类。付琨等给出了一种关于高分辨率、单极化SAR图像目标分类的完整算法。首先利 用基于改进的相关领域模型的RadarCrossSection(RCS)重构算法进行目标和阴影检测， 通过非线性积累把图像分割为"阴影区"、"背景区"和"目标区"，接着通过形态学算子进行 地貌滤波和边缘提取。应用改进的Hough变换和细线化措施进行线段的连接和编组；最后 利用空间联合位置模型进行目标的分类。吴永辉等在极化SAR特征提取的基础上，将SVM 应用于极化SAR图像分类，定性和定量地比较了全极化、双极化和单极化SAR图像的分类性 能，分析了不同的极化组合对分类结果的影响，并根据地物极化散射特性分析了分类精度 差异的成因。通过实测极化SAR数据的实验结果表明，全极化数据能获得最好的分类性能， 双极化次之，单极化最低，且在某些情况下，双极化与全极化分类性能接近。宿富林等将 基于原始SAR图像的灰度级共生矩阵提取的纹理特征与滤波后图像的灰度特征进行组合 用于分类，实验结果表明这种改进的特征提取方法提高了SAR图像的分类精度。王海江等 提出了一种结合相干斑抑制的全极化SAR图像分类新方法，该方法先对图像数据做Pauli 分解，获得三个极化组合通道，并分别用三种颜色表示这三个极化组合；再用独立分量分析 稀疏编码（ICA-SCS)算法对各颜色通道进行相干斑抑制，最后把三个颜色通道混合，实现 了对图像信息的分类。该方法很好的保留了极化通道间的相对相位信息，同时，相干斑抑制 后的数据直接用于图像分类，不需要再做任何极化通道组合，对真实SAR图像的分类结果 表明，该方法对分类效果和精度有明显改善。曹芳等提出了一种新的基于Cloude-Pottier 分解和聚合的层次聚类的全极化SAR数据的非监督分类算法。该算法使用极化总