基于空间信息的极化sar图像分类方法

基于空间信息的极化sar图像分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及极化SAR图像分类方法，可用于目标识别。
【背景技术】
[0002] 合成孔径雷达SAR是一种主动式微波遥感器，可以提供全天候、全天时的成像特 点，可以对植被覆盖的地面、沙漠或浅水覆盖等地区成像，可应用于军事、农业、导航、地理 监视等诸多领域。与SAR相比，极化SAR进行的是全极化测量，能获得目标更丰富的信息。 近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为图像分 类的主要研究方向。经典的极化SAR分类方法包括：
[0003] I. Lee等人提出了基于Cloude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 classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Trans. Geosci. Remote Sensing. 1999, 37 (5) :2249-2258.该方法通过 Cloude 分解获取 H 和α两个表征极化数据的特征，根据H和α组成的Η/α平面将整幅极化SAR图像分为8 类，然后在此基础上增加了 Wishart迭代。Η/α -Wishart分类方法分利用了极化数据的分 布信息，使得极化信息利用更加全面，并且引入Wishart迭代的方法，有效的提高了分类的 精度。但是该方法存在的两个缺陷：一是分类的类别数固定，对复杂区域分类缺乏灵活性， 分类准确度低；另一个是该方法只考虑了像素点的统计信息，并没有考虑像素点之间的空 间关系，分类结果区域一直性较差。
[0004] 2. J. S. Lee等人在Freeman分解的基础上提出了 一种基于Freeman-Durden分 解的极化 SAR 图像分类方法，见 Lee J S，Grunes M R，Pottier E，et al. Unsupervised terrain classification preserving polarimetric scattering characteristic[J]. IEEE Trans. Geosci. Remote Sensing. 2004,42 (4) :722-731.该方法主要是根据地面目标 的散射特性，用Freeman分解的方法将目标分解为：平面散射类型、二面角散射类型和体散 射类型，并按照主散射类型对目标进行划分，最后再利用Wishart分类器对每一个像素进 行重新划分。该算法结合了 Freeman分解和极化SAR数据的分布特性，有效的提高了极化 SAR图像的分类效果，但由于该方法中存在的多类别的划分以及合并，因此其计算复杂度较 高，而且该方法仍然没有考虑像素点之间的空间关系。

【发明内容】

[0005] 本发明的目的在于针对已有技术的不足，提出一种基于空间信息的极化SAR图像 分类方法，以提高分类精度。
[0006] 为实现上述目的，本发明包括如下步骤：
[0007] (1)对待分类的极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图 像；
[0008] (2)对滤波后的极化SAR图像进行Pauli分解，获得伪彩色图；
[0009] (3)对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割，获得 K个超像素块：
[0010] 3a)将伪彩色图转化为CIELAB颜色空间下的三维特征向量：
[0011] Ci= [I j Sii bj]
[0012] 其中，I1表示亮度，a种b廣示相对维度；
[0013] 3b)选择初始种子点，每个种子点的距离近似为 ，其中N表示整幅极化 SAR图像总的像素点个数，K表示预分割的超像素块的个数；
[0014] 3c)在以种子点为中心的2SX2S区域内计算每个像素点与种子点的颜色差异d。：
[0015]
[0016] 3d)在以种子点为中心的2SX2S区域内计算每个像素点与种子点空间距离ds:
[0017]
[0018] 其中，其中，TdPT 别代表像素点i和j的相干矩阵，（T1) 1和（Tj) 1分别表示 对矩阵!\和T ,求逆，I · I表示矩阵的行列式，Tr (·)是矩阵的迹；
[0019] 3e)在以种子点为中心的2SX2S区域内计算每个像素点与种子点的相似度D1:
[0020]
[0021] 其中，S表示种子点间的距离，m表示平衡参数，且m= 10;
[0022] 3f)在以种子点为中心的2SX2S区域内比较所有点的相似度D1，选取0^直最大的 像素点赋予其中心点相同的类别，并作为新的种子点；
[0023] 3g)重复步骤3 (c) -3 (f)，直到收敛；
[0024] (4)计算每个超像素块内所有像素点相干矩阵的均值V1, i = 1，…K，以V1为新像 素点，并用每一个1都代表其所对应超像素块内的所有像素点；
[0025] (5)对上述K个新像素点1进行快速密度峰值聚类，将K个新像素点聚为k类；
[0026] (6)在K个新像素点的聚类结果中，将由新像素点V1代表的所有像素点标记为与 新像素点V 1相同的类别，完成对整幅图像的预分类；
[0027] (7)对整个极化SAR图像的预分类结果进行复Wishart迭代，得到更为准确的分类 结果。
[0028] 本发明与现有的技术相比具有以下优点：
[0029] 1.区域一致性好、分类精度高
[0030] 传统的极化SAR分类方法都是基于像素点的，很少考虑像素点之间的空间关系， 分类结果的区域一致性较差，分类精度较低。本发明利用改进的超像素过分割方法充分利 用像素点之间的空间关系，分类结果的区域一致性更好，分类精度高；
[0031] 2.自适应选择类别数目、分类精度高
[0032] 传统方法都是在特定类别上分类的，分类精度较低。本发明采用快速密度峰值聚 类，可根据具体的情况进行自适应聚类，自适应的选择类别数目，进一步提高了分类精度。
【附图说明】
[0033] 图1是本发明的实现总流程图；
[0034] 图2是本发明中的快速密度峰值聚类子流程图；
[0035] 图3是本发明仿真使用的原始的旧金山极化SAR数据图像；
[0036] 图4是用现有H/ a -Wishart方法、基于Freeman分解的方法及本发明方法对图3 的分类结果图；
[0037] 图5是本发明仿真使用的原始的弗莱福兰农田极化SAR数据图像；
[0038] 图6是用本发明对图5的分类结果图。
【具体实施方式】
[0039] 参照图1，本发明的实现步骤如下：
[0040] 步骤1，对待分类极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图 像；
[0041] 对极化SAR图像的滤波通常都是采用现有的精致极化LEE滤波法，滤波窗口的大 小为7X7。
[0042] 步骤2,对滤波后的极化SAR图像进行Pauli分解，获得伪彩色图。
[0043] Pauli分解是一种目标分解方法，该方法根据地物目标的散射特性将原始数据 的散射矩阵分解成为单次散射机制、绕轴旋转0°的二面角散射机制和绕轴旋转45° 的二面角散射机制的线性组合，见Cloude S R, and Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Trans. Geosci. Remote Sensing. 1996. 34(2) :498-518。
[0044] 步骤3,对Pauli分解得到的伪彩色图使用改进的SLIC超像素算法进行过分割，获 得K个超像素块；
[0045] SLIC超像素过分割是Achanta等人提出的一种简单线性迭代聚类方法，能够生 成紧凑、近似均勾的超像素块，见 Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superixel methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2012, 34(11) :2274-2282.其步骤如下：
[0046] 3a)将伪彩色图转化为CIELAB颜色空间下的三维特征向量：
[0047] Ci= [Ii a； bi]T,
[0048] 其中，I1表示亮度，a JP b 1表示相对维度；
[0049] 3b)选择初始种子点，每个种子点的距离近似为遂=·#^，其中N表示整幅极化 SAR图像总的像素点个数，K表示预分割的超像素块的个数；
[0050] 3c)在以种子点为中心的2SX2S区域内计算每个像素点与种子点的颜色差异d。：
[0051]
[0052] 3d)在以种子点为中心的2SX2S区域内计算每个像素点与种子点空间距离ds:
[0053]
[0054] 其中，其中，TdPT 别代表像素点i和j的相干矩阵，（T 1) 1和（Tj) 1分别表示 对矩阵!\和T ,求逆，I · I表示矩阵的行列式，Tr ( ·)是矩阵的迹；
[0055] 3e)在以种子点为中心的2SX2S区域内计算每个像素点与种子点的相似度D1:
[0056]
[0057] 其中，S表示种子点间的距离，m表示平衡参数，且m = 10 ;
[0058] 3f)在以种子点为中心的2SX2S区域内比较所有点的相似度D1，选取0^直最大的 像素点赋予其中心点相同的类别，并作为新的种子点；
[0059] 3g)重复步骤3 (c) -3 (f)，直到收敛；
[0060] 步骤4,计算每个超像素块内所有像素点相干矩阵的均值V1, i = 1，…K，以1为 新像素点，并用每一个1都代表其所对应超像素块内的所有像素点；
[0061 ] 步骤5,对上述K个新像素点1进行快速密度峰值聚类，将K个新像素点聚为k类；
[0062] 常用的聚类方法主要包括K-means聚类、谱聚类、模糊聚类和快速密度峰值聚 类。本实例采用快速密度峰值聚类，该聚类方法是机器学习领域一种新的聚类方法，该方 法认为聚类中心由一些具有低局部密度点的数据包围，而这些低密度数据点距离其它高密 度数据点距离较大，并以此为根据自适应选择聚类中心和聚类类别，见Rodriguez A，and Alessandro L. Clustering by fast search and find of density peaks[J]. Scien ce27. 2014, 344(6191) : 1492-1496.
[0063] 参照图2,本步骤的具体实现如下：
[0064] 5a)计算任意两个新像素点1和V之间的相互距离d ^:
[0065] Cllj= Tr(CT1) 1Iy(Tj) 1T1)-q，
[0066] 其中，T1, 1^分别表示新像素点V满V j的相干矩阵，（T J 1和（T J 1分别表示对矩 阵!\和T ;求逆，q为常数，取值为q = 3, Tr ( ·)是矩阵的迹；
[0067] 5b)