本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及合成孔徑雷達(dá)技術(shù)領(lǐng)域中的一種基于面向?qū)ο蠛妥V聚類的極化合成孔徑雷達(dá)SAR圖像分類方法，可以用于森林火災(zāi)監(jiān)控、植被覆蓋、海洋污染等方面。

背景技術(shù)：
隨著極化合成孔徑雷達(dá)SAR越來(lái)越多的受到關(guān)注。關(guān)于分類極化合成孔徑雷達(dá)SAR數(shù)據(jù)的方法層出不窮。其中根據(jù)是否需要人工的指導(dǎo)可分為有監(jiān)督的和無(wú)監(jiān)督的；根據(jù)所用的算法不同，又可分為統(tǒng)計(jì)，知識(shí)，神經(jīng)網(wǎng)絡(luò)，模糊統(tǒng)計(jì)，小波，支持向量機(jī)和分形等；根據(jù)是否需要空間的信息可分為基于區(qū)域的和基于像素的；根據(jù)極化信息的利用方式可以分為四類，利用散射矩陣和散射矢量，利用協(xié)方差矩陣T,利用相干矩陣C,利用極化特征分解的方法。武漢大學(xué)申請(qǐng)的專利“基于混合分類器的極化SAR數(shù)據(jù)分類方法及系統(tǒng)”(專利申請(qǐng)?zhí)枺?01310310179，公開號(hào)：CN103366184A)中公開了一種基于混合分類器的極化SAR數(shù)據(jù)數(shù)據(jù)分類方法。該方法首先獲取極化合成孔徑雷達(dá)SAR數(shù)據(jù)的不同類的初始極化特征，然后采用決策樹分類器從初始極化特征中選擇用于分類的極化特征，最后采用支持向量機(jī)分類器對(duì)極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行分類。該方法雖然集成了決策樹分類器和支持向量機(jī)分類器的優(yōu)勢(shì)，但是該方法仍然存在的不足是，操作復(fù)雜，準(zhǔn)確率和支持向量機(jī)的準(zhǔn)確率相比沒有顯著的提高，由于只考慮了圖像的散射特征，容易受到噪聲的干擾，從而導(dǎo)致分類的結(jié)果錯(cuò)分點(diǎn)多。西安電子科技大學(xué)申請(qǐng)的專利“基于Freeman分解和同極化比的極化SAR圖像分類方法”(專利申請(qǐng)?zhí)枺?01110164401，公開號(hào)：CN102208031A)中公開了一種基于Freeman分解和同極化比的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)計(jì)算復(fù)雜度較高和分類效果差的問(wèn)題。該方法首先對(duì)極化合成孔徑雷達(dá)SAR數(shù)據(jù)的協(xié)方差矩陣進(jìn)行Freeman分解，獲取平面散射、二面角散射及體散射三種散射功率矩陣，然后根據(jù)三種散射功率矩陣將極化合成孔徑雷達(dá)SAR數(shù)據(jù)初始分割為3類，計(jì)算每類極化合成孔徑雷達(dá)SAR數(shù)據(jù)各像素點(diǎn)的同極化比，選擇閾值依據(jù)同極化比將初始分類的每類極化合成孔徑雷達(dá)SAR數(shù)據(jù)劃分為3類，從而將整個(gè)極化合成孔徑雷達(dá)SAR數(shù)據(jù)劃分為9類。該方法具有簡(jiǎn)單，快速的特點(diǎn)，但是仍然存在的不足是，分類類別數(shù)固定，且由于只考慮了散射特征，從而導(dǎo)致錯(cuò)分點(diǎn)多，分類準(zhǔn)確率低，抗噪能力差，區(qū)域一致性差。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出了一種基于面向?qū)ο蠛妥V聚類的極化SAR圖像分類方法，以減少錯(cuò)分樣本點(diǎn)，提高分類的準(zhǔn)確率，加強(qiáng)抗噪聲能力，改善區(qū)域一致性。實(shí)現(xiàn)本發(fā)明目的的具體思路是，在充分的考慮極化合成孔徑雷達(dá)SAR數(shù)據(jù)的空間、散射等特性后，通過(guò)利用面向?qū)ο蟮姆椒▽?duì)極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行過(guò)分割得到超像素塊，計(jì)算出每一個(gè)超像素塊的類心并利用譜聚類將超像素的類心進(jìn)行聚類，并通過(guò)以超像素塊為單元將圖像的像素進(jìn)行分類從而確定出各個(gè)像素的最終類別。其實(shí)現(xiàn)步驟包括如下：(1)讀取極化合成孔徑雷達(dá)SAR數(shù)據(jù)的相干矩陣，并對(duì)其進(jìn)行Lee濾波，得到濾波后的相干矩陣T，提取該相干矩陣T的Pauli特征，根據(jù)該P(yáng)auli特征合成極化合成孔徑雷達(dá)SAR的彩色圖像；(2)設(shè)置極化合成孔徑雷達(dá)SAR的有關(guān)參數(shù)：彩色圖異質(zhì)度閾值為1000、最大循環(huán)次數(shù)CN為10、光譜權(quán)重w為0.6、形譜權(quán)重m為0.4；(3)合并彩色圖像的所有像素：(3a)在極化合成孔徑雷達(dá)SAR的彩色圖中任選一個(gè)像素點(diǎn)Px，找出與Px相鄰的四個(gè)像素點(diǎn)P1、P2、P3、P4，根據(jù)異質(zhì)度公式得到像素點(diǎn)Px分別與其相鄰的四個(gè)像素點(diǎn)P1、P2、P3、P4之間的異質(zhì)度，并記最小異質(zhì)度Ps對(duì)應(yīng)的兩個(gè)像素點(diǎn)為Px和Pn；(3b)將最小異質(zhì)度Ps與極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值1000進(jìn)行比較，如果最小異質(zhì)度Ps小于極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值1000，則將該P(yáng)s對(duì)應(yīng)的兩個(gè)像素點(diǎn)Px和Pn合并形成超像素塊；(3c)檢查極化合成孔徑雷達(dá)SAR的彩色圖中的像素點(diǎn)是否都被選擇過(guò)，如果存在沒有被選擇的像素點(diǎn)，則返回步驟(3a)，否則，執(zhí)行步驟(3d)；(3d)在極化合成孔徑雷達(dá)SAR的彩色圖中找出含有像素點(diǎn)數(shù)目最少的超像素塊，計(jì)算該超像素塊內(nèi)包含的像素點(diǎn)數(shù)目，如果該像素點(diǎn)數(shù)大于給定的彩色圖異質(zhì)度閾值1000，則執(zhí)行步驟(5)，否則，執(zhí)行步驟(4)；(4)合并彩色圖像的所有超像素塊：(4a)在極化合成孔徑雷達(dá)SAR的彩色圖的超像素塊中任選一個(gè)超像素塊SPx，找出與SPx相鄰的四個(gè)超像素塊SP1、SP2、SP3、SP4，根據(jù)異質(zhì)度公式得到超像素塊SPx分別與其相鄰的四個(gè)超像素塊SP1、SP2、SP3、SP4之間的異質(zhì)度，并記最小異質(zhì)度SPs對(duì)應(yīng)的兩個(gè)超像素塊為SPx和SPn；(4b)將最小異質(zhì)度SPs與極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值1000進(jìn)行比較，如果SPs小于該異質(zhì)度閾值1000，則將該SPs對(duì)應(yīng)的兩個(gè)超像素塊SPx和SPn合并為一個(gè)新的超像素塊，否則，執(zhí)行步驟(4c)；(4c)檢查極化合成孔徑雷達(dá)SAR的彩色圖中的超像素塊是否都被選擇過(guò)，如果存在沒有被選擇的超像素塊，則返回步驟(4a)，否則，執(zhí)行步驟(4d)；(4d)在極化合成孔徑雷達(dá)SAR的彩色圖中找出含有像素點(diǎn)數(shù)目最少的超像素塊，計(jì)算該超像素塊內(nèi)包含的像素點(diǎn)數(shù)目，如果該像素點(diǎn)數(shù)大于給定的彩色圖異質(zhì)度閾值1000，則執(zhí)行步驟(5)，否則，執(zhí)行步驟(4e)；(4e)判斷合并超像素的次數(shù)是否大于最大循環(huán)次數(shù)10，如果是，則執(zhí)行步驟(5),否則，返回步驟(4a)；(5)計(jì)算超像素塊類心：(5a)統(tǒng)計(jì)出每一個(gè)超像素塊內(nèi)的像素?cái)?shù)目P，計(jì)算超像素的相干矩陣的加權(quán)和Ta；其中，Pij表示第i個(gè)超像素塊內(nèi)的第j個(gè)像素點(diǎn)的相干矩陣T，NUM為第i個(gè)超像素塊內(nèi)像素點(diǎn)的總數(shù)目；(5b)求出每一個(gè)超像素塊的相干矩陣均值Ts：Ts＝Ta/P；(6)將相干矩陣均值Ts作為對(duì)應(yīng)超像素塊的類心，利用譜聚類方法對(duì)該超像素塊類心進(jìn)行分類，得到超像素塊的類別，完成對(duì)極化SAR圖像的分類。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn):第一，由于本發(fā)明采用了像素點(diǎn)和區(qū)域相結(jié)合的方法，能夠準(zhǔn)確的判斷出像素點(diǎn)與臨域像素的關(guān)系，克服了現(xiàn)有技術(shù)受噪聲影響，準(zhǔn)確率低，錯(cuò)分點(diǎn)多的問(wèn)題，使的本發(fā)明對(duì)噪聲有著更強(qiáng)的魯棒性。第二，由于本發(fā)明采用了先過(guò)分割降維再進(jìn)行聚類的分類技術(shù)，克服了現(xiàn)有技術(shù)中只考慮了散射特征造成的區(qū)域一致性差以及計(jì)算復(fù)雜度高的問(wèn)題，使本發(fā)明的區(qū)域一致性更好，時(shí)間復(fù)雜度也有了很大減少。第三，由于本發(fā)明采用了無(wú)監(jiān)督的譜聚類方法對(duì)極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)分類，能夠任意的確定分類類別數(shù)，克服了現(xiàn)有技術(shù)分類類別數(shù)固定的問(wèn)題，使本發(fā)明有著更廣的適用范圍。附圖說(shuō)明圖1是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是1989年獲得的Flevoland,Netherlands地區(qū)的L波段的多視極化SAR圖像原圖；圖3是用本發(fā)明對(duì)圖2進(jìn)行分類的仿真結(jié)果圖；圖4是1991年獲得的Flevoland,Netherlands地區(qū)的L波段的多視極化SAR圖像原圖；圖5是用本發(fā)明對(duì)圖4進(jìn)行分類的仿真結(jié)果圖。具體實(shí)施方式以下結(jié)合附圖對(duì)本發(fā)明的技術(shù)內(nèi)容及效果作進(jìn)一步詳細(xì)描述。參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：步驟1，對(duì)極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行預(yù)處理。讀取極化合成孔徑雷達(dá)SAR數(shù)據(jù)的相干矩陣T，對(duì)極化合成孔徑雷達(dá)SAR數(shù)據(jù)的相干矩陣進(jìn)行Lee濾波，得到濾波后的極化合成孔徑雷達(dá)SAR數(shù)據(jù)的相干矩陣；提取極化合成孔徑雷達(dá)SAR數(shù)據(jù)的Pauli特征，根據(jù)該P(yáng)auli特征合成極化合成孔徑雷達(dá)SAR的彩色圖像，極化合成孔徑雷達(dá)SAR數(shù)據(jù)的相干矩陣是3*3*N的矩陣，N表示極化合成孔徑雷達(dá)SAR的總像素?cái)?shù)，每個(gè)像素為一個(gè)3*3的矩陣。步驟2，設(shè)置極化合成孔徑雷達(dá)SAR的有關(guān)參數(shù)。設(shè)置極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值為1000、最大循環(huán)次數(shù)CN為10、光譜權(quán)重w為0.6、形譜權(quán)重m為0.4。步驟3，合并極化合成孔徑雷達(dá)SAR彩色圖像的所有像素。3a)在極化合成孔徑雷達(dá)SAR的彩色圖中任選一個(gè)像素點(diǎn)Px，找出與Px相鄰的四個(gè)像素點(diǎn)P1、P2、P3、P4，根據(jù)異質(zhì)度公式f＝w*h+m*v得到像素點(diǎn)Px分別與其相鄰的四個(gè)像素點(diǎn)P1、P2、P3、P4之間的異質(zhì)Y5,Y6,Y7,Y8:其中，f表示極化合成孔徑雷達(dá)SAR數(shù)據(jù)彩色圖相鄰像素之間的異質(zhì)度，w表示極化合成孔徑雷達(dá)SAR數(shù)據(jù)彩色圖的光譜權(quán)重，m表示極化合成孔徑雷達(dá)SAR數(shù)據(jù)彩色圖的形譜權(quán)重,h表示極化合成孔徑雷達(dá)SAR數(shù)據(jù)彩色圖相鄰像素塊的光譜異質(zhì)度，v表示極化合成孔徑雷達(dá)SAR數(shù)據(jù)彩色圖相鄰像素的形狀異質(zhì)度。記異質(zhì)度Y5,Y6,Y7,Y8中最小的異質(zhì)度為Ys，Ys對(duì)應(yīng)的兩個(gè)像素點(diǎn)為Px和Pn，其中Pn為像素點(diǎn)P1，P2，P3，P4中的一個(gè)，其具體表示為如下形式：如果Ys＝Y(jié)5，則Pn就代表像素點(diǎn)P1，如果Ys＝Y(jié)6，則Pn就代表像素點(diǎn)P1，如果Ys＝Y(jié)7，則Pn就代表像素點(diǎn)P3，如果Ys＝Y(jié)8，則Pn就代表像素點(diǎn)P4；3b)將最小異質(zhì)度Ys與極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值1000進(jìn)行比較，如果最小異質(zhì)度Ys小于極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值1000，則將該Ys對(duì)應(yīng)的兩個(gè)像素點(diǎn)Px和Pn合并形成超像素塊；3c)檢查極化合成孔徑雷達(dá)SAR的彩色圖中的像素點(diǎn)是否都被選擇過(guò)，如果存在沒有被選擇的像素點(diǎn)，則返回3a)，否則，執(zhí)行3d)；3d)在極化合成孔徑雷達(dá)SAR的彩色圖中找出含有像素點(diǎn)數(shù)目最少的超像素塊，計(jì)算該超像素塊內(nèi)包含的像素點(diǎn)數(shù)目，如果該像素點(diǎn)數(shù)大于給定的彩色圖異質(zhì)度閾值1000，則執(zhí)行步驟5，否則，執(zhí)行步驟4。步驟4，合并極化合成孔徑雷達(dá)SAR彩色圖像的所有超像素塊。4a)在極化合成孔徑雷達(dá)SAR的彩色圖的超像素塊中任選一個(gè)超像素塊SPx，找出與SPx相鄰的四個(gè)超像素塊SP1、SP2、SP3、SP4，計(jì)算超像素塊SPx分別與其相鄰的四個(gè)超像素塊SP1、SP2、SP3、SP4之間的異質(zhì)度YP5,YP6,YP7,YP8，記異質(zhì)度YP5,YP6,YP7,YP8中最小異質(zhì)度為YPs，最小異質(zhì)度YPs對(duì)應(yīng)的兩個(gè)超像素塊為SPx和SPn，其中SPn為像素點(diǎn)SP1，SP2，SP3，SP4中的一個(gè)，其具體表示為如下形式：如果YPs＝Y(jié)P5，則SPn就代表像素點(diǎn)SP1，如果YPs＝Y(jié)P6，則SPn就代表像素點(diǎn)SP1，如果YPs＝Y(jié)P7，則SPn就代表像素點(diǎn)SP3，如果YPs＝Y(jié)P8，則SPn就代表像素點(diǎn)SP4；4b)將最小異質(zhì)度YPs與極化合成孔徑雷達(dá)SAR的彩色圖異質(zhì)度閾值1000進(jìn)行比較，如果YPs小于該異質(zhì)度閾值1000，則將該YPs對(duì)應(yīng)的兩個(gè)超像素塊SPx和SPn合并為一個(gè)新的超像素塊，否則，執(zhí)行4c)；4c)檢查極化合成孔徑雷達(dá)SAR的彩色圖中的超像素塊是否都被選擇過(guò)，如果存在沒有被選擇的超像素塊，則返回4a)，否則，執(zhí)行4d)；4d)在極化合成孔徑雷達(dá)SAR的彩色圖中找出含有像素點(diǎn)數(shù)目最少的超像素塊，計(jì)算該超像素塊內(nèi)包含的像素點(diǎn)數(shù)目，如果該像素點(diǎn)數(shù)大于給定的彩色圖異質(zhì)度閾值1000，則執(zhí)行步驟5，否則，執(zhí)行4e)；4e)判斷合并超像素的次數(shù)是否大于最大循環(huán)次數(shù)10，如果是，則執(zhí)行步驟5,否則，返回4a)。步驟5，計(jì)算超像素塊類心。5a)統(tǒng)計(jì)出每一個(gè)超像素塊內(nèi)的像素?cái)?shù)目P，計(jì)算超像素的相干矩陣的加權(quán)和：其中，Pij表示第i個(gè)超像素塊內(nèi)的第j個(gè)像素點(diǎn)的相干矩陣，NUM為第i個(gè)超像素塊內(nèi)像素點(diǎn)的總數(shù)目；5b)求出每一個(gè)超像素塊的相干矩陣均值：Ts＝Ta/P。步驟6，利用譜聚類對(duì)該超像素塊類心進(jìn)行分類，得到超像素塊的類別，完成對(duì)極化SAR圖像的分類。(6a)根據(jù)超像素塊的類心Ts構(gòu)造親和度矩陣A:其中，N代表超像素塊的數(shù)目，σ代表了尺度因子，Ai,j代表親和度矩陣A的第i行第j列元素，d(si,sj)是wishart距離，它代表像素點(diǎn)si和sj之間的差異性；6b)根據(jù)親和度矩陣A構(gòu)造歸一化親和度矩陣：其中：其中，Di,k代表超像素塊矩陣歸一化親和度矩陣D第i行第k列元素；(6c)計(jì)算親和度矩陣L的特征值，得到最大的k個(gè)特征值所代表的特征向量：其中xi,j代表特征向量矩陣X的第i行第j列元素；(6d)構(gòu)建超像素塊矩陣其中Yi,j代表超像素塊矩陣Y第i行第j列元素，(6e)利用k均值算法對(duì)超像素塊矩陣Y進(jìn)行聚類，得到超像素塊的類別，完成對(duì)極化SAR圖像的分類。本發(fā)明的效果可以通過(guò)以下仿真實(shí)驗(yàn)來(lái)進(jìn)行驗(yàn)證。1、仿真實(shí)驗(yàn)條件。本發(fā)明的仿真實(shí)驗(yàn)硬件平臺(tái)為：IntelCore2DuoCPUi3@3.2GHZ、3GBRAM，軟件平臺(tái)：MATLABR2010a。本發(fā)明采用了兩副圖進(jìn)行仿真，這兩幅圖分別是圖2和圖4，其中圖2是1989年獲得的Flevoland,Netherlands地區(qū)的極化SAR圖像原圖，大小為380像素×420像素；圖4是1991年獲得的Flevoland,Netherlands地區(qū)的極化SAR圖像原圖，大小為430像素×280像素。2、實(shí)驗(yàn)內(nèi)容與結(jié)果分析。仿真1，利用本發(fā)明和現(xiàn)有的支撐矢量機(jī)、神經(jīng)網(wǎng)絡(luò)、Wishart聚類這四種方法對(duì)圖2進(jìn)行分類，結(jié)果如圖3。從圖3可以看出，本發(fā)明分類結(jié)果的噪點(diǎn)很少，區(qū)域一致性有了很大的改善。對(duì)分類精度取10次實(shí)驗(yàn)平均值，其精度對(duì)比如表一所示：表一四種算法分類精度對(duì)比表從表1可見，本發(fā)明平均分類精度為94.36％，要優(yōu)于其它3種算法。這是由于本發(fā)明充分利用了極化SAR圖像數(shù)據(jù)的散射特征和形譜特征，其分類精度，分類結(jié)果區(qū)域一致性要優(yōu)于其它三種分類方法。仿真2，用本發(fā)明和現(xiàn)有的支撐矢量機(jī)、神經(jīng)網(wǎng)絡(luò)和Wishart聚類這四種方法對(duì)圖4進(jìn)行分類，結(jié)果如圖5。從圖5可以看出，本發(fā)明分類結(jié)果的噪點(diǎn)很少，區(qū)域一致性有了很大的改善。對(duì)分類精度取10次實(shí)驗(yàn)平均值，其精度對(duì)比如表二所示：表二四種算法分類精度對(duì)比表從表2可見，本發(fā)明平均分類精度達(dá)到了96.13％，要優(yōu)于其它3種算法，這是由于充分利用了極化SAR圖像數(shù)據(jù)的散射特征和形譜特征，其分類精度，分類結(jié)果區(qū)域一致性要優(yōu)于其它三種分類方法。以上兩個(gè)實(shí)驗(yàn)說(shuō)明本發(fā)明在極化SAR圖像分類問(wèn)題上性能要優(yōu)于現(xiàn)有技術(shù)，克服了噪聲的影響，體現(xiàn)出了分類的準(zhǔn)確性和有效性。