基于2d-kpca的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于2D-KPCA的極化SAR圖像分類方法，主要解決現(xiàn)有無監(jiān)督極化SAR分類方法分類精度不高的問題。其實(shí)現(xiàn)步驟為：對(duì)每個(gè)像素點(diǎn)進(jìn)行Freeman分解，提取像素點(diǎn)的三種散射功率；根據(jù)獲得的散射功率對(duì)圖像進(jìn)行劃分，得到3種類別；對(duì)獲得的每一類，將其用2D-KPCA進(jìn)行自適應(yīng)降維分類；最后，對(duì)預(yù)分類得到的圖像用Wishart分類器進(jìn)行迭代分類，得到最終分類結(jié)果。本發(fā)明與經(jīng)典分類方法相比，對(duì)極化SAR圖像的劃分更加嚴(yán)謹(jǐn)，分類效果更佳，計(jì)算復(fù)雜度相對(duì)較小，可用于對(duì)極化SAR圖像的進(jìn)行地物分類和目標(biāo)識(shí)別。
【專利說明】基于2D-KPCA的極化SAR圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及極化SAR圖像地物分類領(lǐng)域的應(yīng)用，具體的說是一種基于2D-KPCA的極化SAR圖像分類方法，可用于對(duì)極化SAR圖像的地物分類和目標(biāo)識(shí)別。
【背景技術(shù)】
[0002]合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種微波成像的航空機(jī)載雷達(dá)或太空星載雷達(dá)，它一般安裝在移動(dòng)的載體上對(duì)相對(duì)靜止目標(biāo)進(jìn)行成像。它的特點(diǎn)是分辨率高，可以全天候工作，能有效的識(shí)別偽裝和穿透掩蓋物，在軍事偵查、測(cè)繪、火控、制導(dǎo)，以及環(huán)境遙感和資源勘探等方面有廣泛用途。極化SAR數(shù)據(jù)是以矩陣基本單位進(jìn)行像素描述，并且極化散射矩陣往往可以記錄更完整的目標(biāo)后向散射信息，因此其信息的挖掘和提取更為復(fù)雜，但也是由于它所描述的目標(biāo)信息更加完整，所以極化數(shù)據(jù)稱為國內(nèi)外所研究的熱點(diǎn)之一。經(jīng)典的極化SAR分類方法包括:
[0003]Cloude等人提出了基于H/α目標(biāo)分解的極化SAR圖像非監(jiān)督分類方法，見CloudeS R, Pottier E.An entropy based classification scheme for land applications ofpolarimetric SAR[J].1EEE Trans.Geosc1.Remote Sensing.1997,35(1):549-557.該方法主要是通過Cloude分解提取兩個(gè)表征極化數(shù)據(jù)的特征H和α，然后根據(jù)Η/α平面將極化圖像劃分為9個(gè)區(qū)域，其中一個(gè)理論上不可能存在的區(qū)域，因此最終將圖像劃分為8類。Η/α分類存在的兩個(gè)缺陷:一個(gè)是區(qū)域的劃分過于武斷；另一個(gè)是當(dāng)同一個(gè)區(qū)域里共存幾種不同的地物時(shí)，將不能有效區(qū)分。
[0004]Lee等人提出了基于H/ α目標(biāo)分解和Wishart分類器的H/ a -Wishart非監(jiān)督分類方法，見 Lee J S, Grunes M R, Ainsworth T L, et al.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].1EEETrans.Geosc1.Remote Sensing.1999,37(5):2249-2258.該方法是在原始 H/α 分類基礎(chǔ)上增加了 Wishart迭代，主要是對(duì)H/ α劃分后的8類利用Wishart分類器對(duì)每一個(gè)像素進(jìn)行重新劃分，從而有效的提高了分類的精度，但是又存在不能很好的保持各類的極化散射特性的不足。
[0005]兩維核主成份分析是近年來流行的特征提取方法。傳統(tǒng)的PCA方法進(jìn)行圖像特征提取時(shí)，都是基于圖像向量，使用這種技術(shù)時(shí)，首先必須把圖像矩陣轉(zhuǎn)化為一維圖像向量，然后在進(jìn)行PCA分析。由于將圖像矩陣轉(zhuǎn)化為圖像向量后，形成的圖像向量維數(shù)很高，同時(shí)也失去了圖像高階矩陣統(tǒng)計(jì)信息，但通過2D-KPCA方法可獲取圖像矩陣像素問的高階相關(guān)信息。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于針對(duì)已有技術(shù)的不足，提出一種基于2D-KPCA的極化SAR圖像分類方法，以提高分類效果。[0007]為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟:
[0008]步驟1，對(duì)極化SAR圖像中每個(gè)像素點(diǎn)的協(xié)方差矩陣C進(jìn)行Freeman分解，得到每個(gè)像素點(diǎn)的體散射功率Pv、二面角散射功率Pd和表面散射功率Ps ；
[0009]步驟2，根據(jù)每個(gè)像素點(diǎn)的體散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph，將極化SAR圖像數(shù)據(jù)初始劃分為三類，即平面散射類、二面角散射類和體散射類；
[0010]步驟3，對(duì)極化SAR圖像中每個(gè)像素點(diǎn)的協(xié)方差矩陣C變換，得到變換矩陣C(爐,χ);
[0011]步驟4，在初始劃分的基礎(chǔ)上用2D-KPCA對(duì)每個(gè)像素點(diǎn)變換后的矩陣Cij ( Φ)進(jìn)行降維，獲得類別數(shù)；
[0012]步驟5，對(duì)預(yù)分類得到的整幅圖像用Wishart分類器進(jìn)行迭代分類，得到最終的分
類結(jié)果。
[0013]本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn):
[0014]1.本發(fā)明用2D-KPCA來進(jìn)行極化SAR的降維分類效果更加細(xì)致也更符合極化SAR數(shù)據(jù)分布；
[0015]2.本發(fā)明可以不用對(duì)極化SAR圖像進(jìn)行濾波處理；
[0016]3.本發(fā)明利用三種散射功率將極化SAR圖像大致劃分為3大類別，然后在各大類別內(nèi)進(jìn)行2D-KPCA降維分類，可以很好的保持各類地物的極化散射特性；
[0017]4.本發(fā)明可根據(jù)圖像的具體情況對(duì)圖像自適應(yīng)的進(jìn)行聚類。
【專利附圖】

【附圖說明】
[0018]圖1是本發(fā)明的總流程圖；
[0019]圖2是本發(fā)明仿真使用的舊金山極化SAR數(shù)據(jù)的PauliRGB合成圖；
[0020]圖3是用現(xiàn)有H/ α分類方法對(duì)圖2的分類結(jié)果圖；
[0021]圖4是用現(xiàn)有基于Freeman分解的分類方法對(duì)圖2的分類結(jié)果；
[0022]圖5是用本發(fā)明對(duì)圖2的分類結(jié)果。
【具體實(shí)施方式】
[0023]參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下:
[0024]步驟1，對(duì)極化SAR圖像中每個(gè)像素點(diǎn)的協(xié)方差矩陣C進(jìn)行Freeman分解，得到每個(gè)像素點(diǎn)的體散射功率Pv、二面角散射功率Pd和表面散射功率ps。
[0025](Ia)極化SAR圖像每個(gè)像素點(diǎn)為一個(gè)3 X 3的相干矩陣T，根據(jù)相干矩陣T得到協(xié)方差矩陣C ；
【權(quán)利要求】
1.一基于2D-KPCA的極化SAR圖像分類方法，包括如下步驟: 步驟1，對(duì)極化SAR圖像中每個(gè)像素點(diǎn)的協(xié)方差矩陣C進(jìn)行Freeman分解，得到每個(gè)像素點(diǎn)的體散射功率Pv、二面角散射功率Pd和表面散射功率Ps ; 步驟2，根據(jù)每個(gè)像素點(diǎn)的體散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph，將極化SAR圖像數(shù)據(jù)初始劃分為三類，即平面散射類、二面角散射類和體散射類； 步驟3，對(duì)極化SAR圖像中每個(gè)像素點(diǎn)的協(xié)方差矩陣C變換，得到變換矩陣C(AZ);步驟4，在初始劃分的基礎(chǔ)上用2D-KPCA對(duì)每個(gè)像素點(diǎn)變換后的矩陣Cij ( Φ)進(jìn)行降維，獲得類別數(shù)； 步驟5，對(duì)預(yù)分類得到的整幅圖像用Wishart分類器進(jìn)行迭代分類，得到最終的分類結(jié)果O
2.據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中，步驟I具體包括: (Ia)極化SAR圖像每個(gè)像素點(diǎn)為一個(gè)3 X 3的相干矩陣T，根據(jù)相干矩陣T得到協(xié)方差矩陣C ；

3.根據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中，所述將極化SAR圖像數(shù)據(jù)初始劃分為三類包括:根據(jù)Hiax(PsPdPv)的值，將極化SAR圖像數(shù)據(jù)初始劃分為三類，即將max (Ps, Pd, Pv) = Ps的對(duì)應(yīng)像素點(diǎn)劃分為平面散射類，將max (Ps, Pd, Pv) = Pd的對(duì)應(yīng)像素點(diǎn)劃分為二面角散射類，將當(dāng)max (Ps, Pd, Pv) = Pv對(duì)應(yīng)像素點(diǎn)劃分為體散射類。
4.根據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中，對(duì)極化SAR圖像中每個(gè)像素點(diǎn)的協(xié)方差矩陣C變換得到變換矩陣C(外包括: 3a)變換的規(guī)則為:
5.根據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中，用2D-KPCA對(duì)每個(gè)像素點(diǎn)變換后的矩陣進(jìn)行降維，獲得類別數(shù)包括: 4a)對(duì)每個(gè)像素點(diǎn)的變換矩陣?(的進(jìn)行高斯核映射:
6.據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中，對(duì)預(yù)分類得到的整幅圖像用Wishart分類器進(jìn)行迭代分類，得到最終的分類結(jié)果包括: (5a)對(duì)整幅圖像預(yù)分類得到的結(jié)果，計(jì)算每一類的聚類中心B。:

7.據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中，給定的迭代次數(shù)μ = 2。
【文檔編號(hào)】G06K9/62GK103886327SQ201410082697
【公開日】2014年6月25日 申請(qǐng)日期:2014年3月7日 優(yōu)先權(quán)日:2014年3月7日
【發(fā)明者】焦李成, 馬文萍, 陳菲菲, 霍麗娜, 王爽, 馬晶晶, 侯彪, 劉亞超 申請(qǐng)人:西安電子科技大學(xué)