基于相干谱参数的极化干涉SAR图像非监督分类方法与流程

本发明涉及一种非监督分类方法，具体地，涉及一种基于相干谱参数的极化干涉SAR图像非监督分类方法。

背景技术：

全极化SAR(PolSAR)图像分类所面临的最重要的问题是：如何根据目标散射机理，非监督地将全极化SAR图像快速准确的分为不同的类别。

目前，工程上普遍采用的方法包括：基于Cloude-pottier分解与Wishart最大似然聚类相结合的方法和基于Freeman-Durden分解与Wishart最大似然聚类相结合的方法。其中，Cloude-pottier分解与Wishart最大似然聚类相结合的方法首先利用特征值分解计算三个参数，计算速度慢；另外在分类过程中根据特征参数的经验门限将数据分类，分类性能受到了硬门限设置值的影响。基于Freeman-Durden分解与Wishart最大似然聚类相结合的方法广泛适用于对称性反射条件分解多波段自然分布目标区域的PolSAR图像，计算速度快，但算法假设极化后向散射必须满足互易对称条件，这种假设会造成植被过估计现象，如城市地区倾斜45°的人造建筑物将被识别为森林。

综上所示，正确的区分有向性倾斜的建筑物和森林，解决植被估计现象成为基于Freeman分解的分类方法的重要问题。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种基于相干谱参数的极化干涉SAR图像非监督分类方法，其可以区分有向性倾斜的建筑物和森林，解决植被过估计问题，实现极化图像的快速准确分类。

根据本发明的一个方面，提供一种基于相干谱参数的极化干涉SAR图像非监督分类方法，其特征在于，包括以下步骤：

步骤一：对干涉得到的主辅两幅极化SAR图像进行去取向和相干斑抑制；

步骤二：对极化SAR图像进行Freeman分解，计算表面散射P_s、偶次散射P_d和体散射功率P_v，根据P_s、P_d和P_v的大小，对目标进行预分类，将目标像素划分到表面散射、偶次散射和体散射三个大类中；

步骤三：由极化干涉SAR相干矩阵计算最优相干系数γ_opt1、γ_opt2和γ_opt3，进而计算需要的极化干涉相干谱参数；根据极化干涉相干谱参数的取值，将每大类进行细分为9类，整幅图像被分为27类；

步骤四：根据每个像素主导散射机制的个数，将整幅图像合并为16类；

步骤五：基于Wishart距离对像素进行最大似然分类，同时进行类的聚合，直到达到迭代终止条件；

步骤六：对分类结果进行配色，配色采用相同散射机制用同色系的不同颜色表示。

优选地，所述步骤二利用极化干涉最优谱参数对极化SAR图像进行Freeman分解。

优选地，所述步骤六利用Wishart聚类得到最终的分类结果。

优选地，所述步骤五基于Wishart距离对像素进行最大似然分类，同时进行类的聚合，直到达到迭代终止条件；对分类结果进行配色，配色采用相同散射机制用同色系的不同颜色表示。

与现有技术相比，本发明具有如下的有益效果：本发明提供的极化干涉SAR图像分类方法，首先利用Freeman分解得到初始分类结果，整幅图像被分为体散射、偶次散射和Bragg散射三大类。然后引入极化干涉信息计算极化相干最优谱参数，该参数能够估计独立相干散射机制的数目，根据该参数将每个大类的细分为9类，整幅图像被分为27类。最后根据每类的散射机制的特性将将整幅图像合并为16类，得到了初始分类结果。计算初始类的类中心后利用Wishart最大似然聚类，得到最后的分类结果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明总体流程的示意图；

图2为A₁/A₂平面划分示意图；

图3为基于极化干涉最优熵的POLINSAR分类流程图；

图4(a)、图4(b)、图4(c)、图4(d)为实施示例Oberpfafenhoffen地区的参考图像示意图，图4(a)采用光学图像，图4(b)为Pauli基合成图，图4(c)采用单通道极化图像，图4(d)选取的不同地物类型分布；

图5(a)、图5(b)为实施示例初始分类结果示意图，图5(a)为初始三大类结果，图5(b)采用A1/A2格式；

图6(a)、图6(b)、图6(c)、图6(d)为实施示例分类结果对比图，图6(a)为基于能量的初始分类结果，图6(b)为本文算法的初始分类结果，图6(c)为基于能量的分类结果，图6(d)为本发明算法的分类结果；

图7(a)、图7(b)、图7(c)为实施示例分类结果细节对比图，图7(a)采用光学对比图像，图7(b)采用基于能量的方法，图7(c)采用本发明的方法。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示，本发明包括以下步骤：

步骤101：对干涉得到的主辅两幅极化SAR图像进行去取向和相干斑抑制。

步骤102：对极化SAR图像进行Freeman分解，计算P_s、P_d和P_v，即表面散射、偶次散射和体散射功率，根据P_s、P_d和P_v的大小，对目标进行预分类，将目标像素划分到表面散射、偶次散射和体散射三个大类中。所述步骤二利用极化干涉最优谱参数对极化SAR图像进行Freeman分解。

具体地，Freeman-Durden分解是一种以三分量散射机理模型为基础的非相干目标分解方法。该目标分解方法将目标极化协方差矩阵分解成三种散射机制的和，这三种散射机制分别为体散射、偶次散射和一阶Bragg表面散射。为了更精确的计算三种散射机制的成分，首先对得到的全级化数据进行去取向处理。假设散射体关于雷达视线的取向是随机的，取向角为θ，通过基变换公式，可以得到散射体的散射矩阵为如下式(1)：

矢量化得到旋转后的相干矩阵为如下式(2)：

先根据去取向理论，将目标向量旋转到最小交叉极化方向，此时如下式(3)：

将式(3)的结果带入式(1)中得到去取向后的全级化散射矩阵。对体散射，假设雷达回波是由一些随机取向的细长偶极子的粒子云反射得到，这种模型的典型地物是由大量枝叶组成的植被区域。体散射的协方差矩阵可以表示为如下式(4)：

其中，f_v对应体散射分量的权重系数。偶次散射可建模成二面角反射器的散射，二面角反射器的两个散射面可由不同的介质构成，这种散射模型的代表地物有：森林中树干与地面之间的散射、城市中墙壁与地面间的散射。偶次散射的协方差矩阵可以表示为如下式(5)：

其中，α为代表偶次分量成分，f_d对应偶次散射分量的权重系数。表面散射可建模成一阶Bragg散射，表面散射模型的代表地物是微小扰动的粗糙表面和波浪的水面。表面散射的协方差矩阵可以表示为如下式(6)：

f_s对应偶次散射分量的权重系数。假设满足后向散射满足互易条件，且同极化与交叉极化不相关，若进一步假设体散射、偶次散射及表面散射互不相关，则总散射的协方差矩阵可被分解为如下式(7)：

<C>＝f_s<[C_s]>+f_d<[C_d]>+f_v<[C_v]> (7)

其中C是将式(1)矢量化后得到的协方差矩阵，将式(4)(5)和(6)带入公式(7)中，可以得到四个方程，五个未知数(α、β、f_s、f_v和f_d)。根据Re([S_hhS_vv^*])的符号确定主导散射机制是偶次散射还是表面散射，从而求得五个未知数的值。求得参数后，可以计算三种散射机制的功率，如下式(8)：

P_s＝f_s(1+|β|²) (8)

P_d＝f_d(1+|β|²)

P_v＝8f_v/3

根据计算得到的P_s、P_d和P_v，比较三种散射机理对目标贡献量的大小，使用散射功率最大的散射机理作为当前目标的散射机理，这样就可以将目标分为体散射、偶次散射和表面散射三类。

步骤103：由极化干涉SAR相干矩阵计算最优相干系数γ_opt1、γ_opt2和γ_opt3，进而计算需要的极化干涉相干谱参数。根据极化干涉相干谱参数的取值，将每大类进行细分为9类，整幅图像被分为27类。

具体地，根据极化干涉幅度相干最优理论得到的极化干涉最优相干系数，可定义不同的极化干涉最优相干谱参数。极化干涉最优相干谱参数采用如下式(9)和(10)：

式中，p_opt,1、p_opt,2和p_opt,3由三个最优相干系数γ_opt,1、γ_opt,2和γ_opt,3计算得到如下式(11)：

A₁和A₂表明不同的最优化通道中的相干系数的相对幅度变化。A₁和A₂的取值能估计独立相干散射机制的数目，根据A₁和A₂的取值，可将A₁/A₂平面划分为9个区域，每个区域由不同数目的散射机制起主导作用，图2给出了A₁/A₂平面划分示意图。

基于Freeman分解的全极化Wishart非监督分类算法先根据式(8)确定每个像素点的主导散射机制，将图像分为三大类，再根据能量将每大类进行细分得到最终的分类结果。这种方法假定每个像素点至少有一种主导散射机制，并且不考虑其他散射机制对主导散射机制的影响。实际上，首先不同的地物的极化回波特征有可能相似，如建筑物和森林，所以在地物初始分类是有可能就是错误的；其次，像素点是有多种散射机制共同作用的结果，仅仅区分主导散射机制是不够的；另外，地物回波的主导散射机制可能不只是一个，有必要对有两种散射机制或存在三种散射机制的情况进行考虑。极化干涉最优相干谱参数能作为极化信息的有益补充，体现不同区域相干散射特性的特征，有助于我们理解地物散射机制。如，尽管森林和城市区域建筑物的极化回波相似但有效相干散射机制的个数不同，利用极化干涉SAR数据可以区分有向性倾斜的建筑物和森林，解决植被过估计问题。利用极化干涉最优相干谱参数进行地物分类，能够在一定程度上解决初始分类错误的问题，而且充分利用主导散射机制的个数这一物理散射机理对图像进行细分，能得到较好的分类结果。

步骤104：根据每个像素主导散射机制的个数，按照图3的流程将整幅图像合并为16类。

具体地，利用极化干涉最优相干谱参数进行地物分类时，先根据Freeman 分解得到体散射、表面散射和偶次散射三大类，然后根据最优相干谱参数将每个极化分解的大类分为如图2所示的9类，整幅图像共计被分为27类，这27类每一类都对应着特定的物理散射机制。例如，表面散射的第一类表示该像素点只有表面散射一种主导散射机制，并且不受其他散射机制的影响。这27类中只有一种主导散射机制且不受其他两种机制影响的类有3类，只有一种主导散射机制且受第二种散射机制影响的类有3类，只有一种主导散射机制且受其他两种散射机制影响的类有3类。这9类不做合并处理。有两种散射机制共同作用且不受其第三种散射机制影响的类有6类，将这六类6类按照主导的两类散射机制合并为3类。有两种散射机制共同作用且受其第三种散射机制影响的类有6类，将这六类6类按照主导的两类散射机制合并为3类。有三种散射机制共同作用且作用相当的类有3类，将这三类合并为1类，整幅图像共合并为16类。具体流程如图3所示。根据三大类中每小类的物理散射机制的意义对图像的总的分类个数进行合并。这种分类方法更符合物理意义，能得到更好的分类效果。

步骤105：基于Wishart距离对像素进行最大似然分类，同时进行类的聚合，直到达到迭代终止条件。所述步骤五基于Wishart距离对像素进行最大似然分类，同时进行类的聚合，直到达到迭代终止条件；对分类结果进行配色，配色采用相同散射机制用同色系的不同颜色表示。

步骤106：对分类结果进行配色，配色采用相同散射机制用同色系的不同颜色表示。所述步骤六利用Wishart聚类得到最终的分类结果。

下面结合实施例对本发明再作进一步详细的描述。

实施实例：利用实测数据进行极化干涉分类及结果分析

采取ESAR在德国Oberpfafenhoffen地区获取的L波段极化干涉数据进行实验哪种极化方式获得的干涉图像，并给出该图像作为参考。数据大小为1300×1200，该区域包含若干典型地物，如道路、建筑、森林和农田，图4所示的是实验数据的光学图像。

图4(a)中红框圈出区域一和区域二为倾斜的建筑物，图4(b)和图4(c)的全极化彩色合成图像和单通道雷达图像都无法区分森林和该区域的建筑物。红框圈出的区域三为道路和道路两旁的草地。通过对比这三个区域的分类结果可以有效评估本文算法的有效性。按照图3所示的流程对极化干涉数据进行初始分类，得到的初始三大类的结果如图5所示。

按照图3所示的流程对极化干涉数据进行初始分类，得到的初始三大类的结果如图5(a)所示。图5(a)中蓝色代表表面散射类，红色代表偶次散射类和绿色表示体散射类。

可以看出，图像左上角的森林区域显示为绿色，说明体散射占主导地位，图像中间部分显示红色的区域为偶次散射分量主导的城区，图像下部分的跑道区域以表面散射为主，呈现蓝色。对比光学图像，区域一和区域二圈出的城区地区的建筑物被分为体散射类，植被存在过估计现象。根据式(9)和(10)计算的极化干涉最优谱参数A1和A2，由最优谱参数的密度分布情况自适应的选择门限值，可以将图像划分为9类，如图5(b)所示。图5(b)的每一类都代表不同散射机制的个数。由图5(b)可以看出森林和区域一圈出的区域得到了有效的区分，另外道路和草地也可以得到明显划分。这一结果也验证了利用极化干涉最优相干谱参数可以解决植被过估计问题，也可以有效区分草地和道路。

对比2004年Lee提出的基于能量将每个初始分类各分为10类后合并到所需的类数，由于倾斜的偶次散射与植被的回波能量相近，所以很难区分植被与建筑物。本文基于极化干涉最优谱参数对初始类进行细分，城市和植被的相干散射机制的个数不同，所以在一定情况下可以抑制植被过估计现象，两种算法的分类结果如图6所示：

对比图6(a)和图6(b)可以看出，初始分类结果本文提出极化干涉分类算法好于基于能量的极化分类算法。首先红色区域圈住的道路和草地得到了很好的区分，其次区域一和区域三圈出的建筑物不再被识别为森林。基于极化干涉信息的初始分类结果在一定程度上可以有效抑制植被过估计现象。初始分类结果对最终分类结果有着决定性影响，因为优化迭代的初始值为初始类的类中心。

对初始分类结果进行类内迭代，得到最后的分类结果如图6(c)和图6(d)所示。图中整幅图像被分为16类，4种预设的红色表示偶次散射，4种预设的绿色表示体散射，7种预设的棕色表示表面散射，白色表示道路信息。图中植被过估计现象得到明显改善。为了定量的分析本文提出方法的有效性，本文选取了不同地物的区域分别计算Lee提出的基于能量的极化SAR分类精度和本文提出算法的分类精度。图6(d)给出了选取的不同代表性区域的位置分布，不用代表性区域分别代表森林，城市，机场跑道，农田及草地。

表1给出了本文提出的极化干涉SAR分类及基于极化SAR分类的精度，其中，分类精度的定义为如下式(12)：

总体精度的定义为如下式(13)：

式(13)中，N是选取的区域的个数，Acc_i是第i个区域的分类精度，p_i是第i个区域的总像素个数。

表1两种分类方法的分类精度比较表

由表1可知，对各种类型的地物，本文提出方法的分类精度都比的Freeman-Wishart非监督分类算法分类结果的精度高。综上分析，文中提出基于极化干涉最优谱参数的Freeman-Wishart非监督分类算法能有效改善分类性能，得到较精确的分类结果。为了更好的分析，截取图6(a)中红色区域圈出的三个区域进行两种算法的对比分析，细节对比图如图7所示

对比光学图像可以看出，基于能量的Freeman-Wishart非监督分类算法的植被过估计现象严重。对比上图可以看出，基于极化干涉最优谱参数的Freeman-Wishart非监督分类算法能有效抑制植被估计现象。另外，极化干涉最优谱参数的Freeman-Wishart非监督分类算法得到的高速路更清晰，不同散射机制的区分更加明显。

本发明利用Freeman-Durden分解得到初始分类结果，整幅图像被分为体散射、偶次散射和表面散射3大类；然后引入极化干涉信息计算极化相干最优谱参数，该参数能够估计独立相干散射机制的数目，根据该参数将每个大类的细分为9类，整幅图像被分为27类；根据每类的散射机制的特性将将整幅图像合并为16类，得到了初始分类结果；计算初始类的类中心后利用Wishart最大似然聚类，得到最后的分类结果。采用本发明的方法，利用极化干涉SAR数据可以区分有向性倾斜的建筑物和森林，解决植被过估计问题，有效的区分城市地区的植被和建筑物。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。