本發(fā)明屬于圖像處理技術領域，更進一步涉及圖像處理和遙感技術領域中的一種基于模糊量子粒子群(FuzzyQuantumParticleSwarmOptimization，F(xiàn)QPSO)和目標分解的極化合成孔徑雷達(SyntheticApertureRadar，SAR)圖像分類方法。本發(fā)明可用于對極化合成孔徑雷達SAR圖像中不同目標的地物分類。

背景技術：
近年來，極化合成孔徑雷達SAR已成為遙感領域最先進的傳感器之一。到目前為止，極化合成孔徑雷達SAR圖像分類中基于特征的目標分解的無監(jiān)督分類是極化合成孔徑雷達SAR圖像分類的重要分支。基于特征的目標分解一般而言就是把極化測量數(shù)據(jù)(散射矩陣、協(xié)方差矩陣、相干矩陣等)分解成各種不同的成分，這些成分可用于表征目標的散射或幾何結(jié)構信息。目標分解的方法有很多，其中1997年Cloude和Pottier首次提出的基于特征值/特征適量分析的克勞德Cloude分解和2004年J.S.Lee等提出的弗瑞曼Freeman分解在極化合成孔徑雷達SAR圖像分類中應用最廣泛。由于基于散射機理的極化合成孔徑雷達SAR無監(jiān)督分類方法具有與數(shù)據(jù)無關的優(yōu)點，應用這種方法不需要知道數(shù)據(jù)的概率分布，不需要利用類別已知的數(shù)據(jù)進行訓練，而且可以合理地解釋結(jié)果的散射機理。因此基于散射機理的全極化合成孔徑雷達SAR無監(jiān)督分類方法得到了廣泛的應用，基于散射機理的極化合成孔徑雷達SAR無監(jiān)督分類常用的特征分解有兩種，克勞德Cloude分解和弗瑞曼Freeman分解。西安電子科技大學在其專利申請“基于Freeman分解和數(shù)據(jù)分布特征的極化SAR圖像分類方法”(專利申請?zhí)枺?01210415131.7，公開號：CN102968640A)中提出了一種基于Freeman分解和數(shù)據(jù)分布特征的極化合成孔徑雷達SAR圖像分類方法。該方法首先對極化合成孔徑雷達SAR數(shù)據(jù)進行Freeman分解，并根據(jù)散射功率主分量將極化合成孔徑雷達SAR數(shù)據(jù)分為三類，然后根據(jù)分布特征參數(shù)值再將上述三類各分為三類，最后根據(jù)八個初始分類中心進行復Wishart迭代得到最終分類結(jié)果。該方法存在的不足是，只注意了分類復雜度的提高問題，而忽略了初始八分類結(jié)果的優(yōu)化問題，導致分類結(jié)果不夠精確。李Lee和格爾尼斯Grunes在文章UnsupervisedTerrainClassificationPreservingPolarimetricScatteringCharacteristics(IEEETransactionsonGeoscienceandRemoteSensing.2004)中提出了一種基于Freeman分解和復Wishart分類器的極化合成孔徑雷達SAR圖像分類方法。該方法首先對極化合成孔徑雷達SAR數(shù)據(jù)進行Freeman分解，其次將每個像素按主散射功率分量分成90個小類，然后對90個小類進行聚類合并成15類，最后得到最終分類結(jié)果。該方法存在的不足是，F(xiàn)reeman分解沒有用到極化合成孔徑雷達SAR數(shù)據(jù)的八分量旋轉(zhuǎn)不變性，導致極化合成孔徑雷達SAR數(shù)據(jù)散射信息利用不充分，使分類結(jié)果不精確。

技術實現(xiàn)要素：
本發(fā)明的目的在于克服上述現(xiàn)有技術的不足，在Cloude_Wishart分類方法和Freeman_Wishart分類方法的基礎上提出一種基于FQPSO和目標分解的極化SAR圖像分類方法。本發(fā)明采用FQPSO算法優(yōu)化的傳統(tǒng)Cloude/Freeman_Wishart極化合成孔徑雷達SAR圖像數(shù)據(jù)分類方法的初始聚類中心，再使用復威舍特Wishart聚類方法將極化合成孔徑雷達SAR圖像數(shù)據(jù)進行分類，最終得到分類結(jié)果，實現(xiàn)地物分類。該方法既能保留了分類結(jié)果的物理散射信息，又能實現(xiàn)有效的地物分類，并且使分類結(jié)果更加精確。本發(fā)明實現(xiàn)上述目的的思路是：首先輸入極化合成孔徑雷達SAR圖像數(shù)據(jù)，濾除相干斑極化合成孔徑雷達SAR圖像數(shù)據(jù)的相干斑噪聲。其次根據(jù)散射熵H和散射功率(表面散射功率主分量，偶次散射功率主分量和體散射功率主分量)將極化合成孔徑雷達SAR圖像數(shù)據(jù)分為八類，并得到八個類別。然后利用FQPSO算法對初始聚類中心進行優(yōu)化，得到新的聚類中心。最后通過復威舍特Wishart聚類方法得到最終分類結(jié)果。本發(fā)明的具體步驟包括如下：(1)輸入極化合成孔徑雷達SAR圖像數(shù)據(jù)；(2)提取散射特征：(2a)采用李Lee濾波方法，對極化合成孔徑雷達SAR圖像數(shù)據(jù)進行預處理，濾除極化合成孔徑雷達SAR圖像數(shù)據(jù)中的相干斑噪聲，得到極化合成孔徑雷達SAR數(shù)據(jù)；(2b)采用克勞德Cloude分解方法，從極化合成孔徑雷達SAR數(shù)據(jù)的每個像素點中提取出散射熵；(2c)采用弗瑞曼Freeman分解方法，從極化合成孔徑雷達SAR數(shù)據(jù)的每個像素點中提取出包含表面散射功率、偶次散射功率和體散射功率的散射功率；(3)初始分類：按照下述極化合成孔徑雷達SAR數(shù)據(jù)的分類規(guī)則，將極化合成孔徑雷達SAR數(shù)據(jù)分為以下八個初始類：將散射功率為表面散射功率、且散射熵H滿足0＜H≤0.5條件的像素點，劃分為第一類；將散射功率為表面散射功率、且散射熵H滿足0.5＜H≤0.9條件的像素點，劃分為第二類；將散射功率為表面散射功率、且散射熵H滿足0.9＜H≤1條件的像素點，劃分為第三類；將散射功率為偶次散射功率、且散射熵H滿足0＜H≤0.5條件的像素點，劃分為第四類；將散射功率為偶次散射功率、且散射熵H滿足0.5＜H≤0.9條件的像素點，劃分為第五類；將散射功率為偶次散射功率、且散射熵H滿足0.9＜H≤1條件的像素點，劃分為第六類；將散射功率為體散射功率、且散射熵H滿足0.5＜H≤0.9條件的像素點，劃分為第七類；將散射功率為體散射功率、且散射熵H滿足0.9＜H≤1條件的像素點，劃分為第八類；(4)初始化量子粒子群：(4a)分別將八個初始類中所有像素點的中心位置，作為模糊量子粒子群FQPSO中八個粒子的初始位置，將模糊量子粒子群FQPSO中八個粒子中的每個粒子的當前位置作為粒子最優(yōu)位置；(4b)采用粒子位置適應度的計算方法，計算粒子最優(yōu)位置的適應度值，比較所有粒子的適應度值的大小，篩選出適應度值最大的粒子，將適應度值最大粒子位置作為量子粒子群的最優(yōu)位置；(5)計算像素隸屬度：采用隸屬度計算公式，計算極化合成孔徑雷達SAR數(shù)據(jù)的第j個像素yj對量子粒子群中第i個粒子vi的隸屬度μij，其中i＝1,2，……,8；比較八個隸屬度的大小，從中找出最大的隸屬度μmj，將極化合成孔徑雷達SAR數(shù)據(jù)的像素yj劃分到最大隸屬度μmj的第m個分類中；(6)更新粒子位置：(6a)采用粒子位置適應度的計算方法，計算本次迭代中每個粒子位置的適應度值，如果迭代次數(shù)等于1，則執(zhí)行步驟(6d)，如果迭代次數(shù)大于1，則執(zhí)行步驟(6b)；(6b)當本次迭代的粒子位置的適應度值大于上一次迭代的粒子最優(yōu)位置的適應度值時，將本次迭代的粒子位置作為粒子最優(yōu)位置；當本次迭代的粒子位置的適應度值小于或等于上一次迭代的粒子最優(yōu)位置的適應度值時，將上一次迭代的粒子最優(yōu)位置作為粒子最優(yōu)位置；(6c)比較所有粒子最優(yōu)位置的適應度值大小，如果最大的適應度值大于上一次迭代的量子粒子群最優(yōu)位置的適應度值，則將適應度最大的粒子位置作為量子粒子群最優(yōu)位置，否則將上一次迭代的量子粒子群最優(yōu)位置作為量子粒子群最優(yōu)位置；(6d)采用粒子位置的更新方法，更新粒子位置，得到新一代的粒子；(6e)將迭代次數(shù)加1；(7)判斷迭代次數(shù)是否達到20次，若是，則執(zhí)行步驟(8)，否則，執(zhí)行步驟(5)；(8)最終分類：(8a)將量子粒子群中粒子作為極化合成孔徑雷達SAR數(shù)據(jù)中像素的初始分類中心，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中每個像素點到第i個分類ci的復威舍特Wishart距離：其中，d(<T>,ci)表示極化合成孔徑雷達SAR數(shù)據(jù)中每個像素點到第i個分類ci的復威舍特Wishart距離，T表示預處理后的相干矩陣，<·>表示按視數(shù)取平均操作，ci表示極化合成孔徑雷達SAR數(shù)據(jù)中像素的第i個分類，i表示分類個數(shù)，i＝1,2，……,8，[ci]表示極化合成孔徑雷達SAR數(shù)據(jù)中像素的第i個分類ci的行列式，表示對第i個分類ci求逆，表示取矩陣的跡，表示極化合成孔徑雷達SAR數(shù)據(jù)中像素的第i個分類ci與按視數(shù)取平均后相干矩陣T的積；(8b)比較極化合成孔徑雷達SAR數(shù)據(jù)中像素點到第a個和第b個分類的復威舍特Wishart距離的大小，如果極化合成孔徑雷達SAR數(shù)據(jù)中像素點離第a個分類的復威舍特Wishart距離小，則劃分到第a個分類中；如果極化合成孔徑雷達SAR數(shù)據(jù)中像素點離第b個分類的復威舍特Wishart距離小，則劃分到第b個分類中，a,b＝1,2，……,8，a≠b，完成最終分類；(9)輸出分類結(jié)果。本發(fā)明與現(xiàn)有技術相比具有以下優(yōu)點：第一，由于本發(fā)明采用了散射熵H的范圍和散射功率的類別作為分類依據(jù)的方法，克服了現(xiàn)有技術對極化合成孔徑雷達SAR圖像數(shù)據(jù)分類中，不能充分利用極化合成孔徑雷達SAR圖像數(shù)據(jù)的特征信息而導致的分類邊緣模糊的不足，使得本發(fā)明可以充分利用極化合成孔徑雷達SAR圖像數(shù)據(jù)的特征信息，使分類后的極化合成孔徑雷達SAR圖像的邊緣更加清晰。第二，由于本發(fā)明采用了對初始聚類中心進行優(yōu)化的方法，克服了現(xiàn)有技術對極化合成孔徑雷達SAR圖像數(shù)據(jù)的初始聚類中心直接進行分類，產(chǎn)生的極化合成孔徑雷達SAR圖像數(shù)據(jù)分類不精確的不足，使得本發(fā)明可以提高極化合成孔徑雷達SAR圖像數(shù)據(jù)的分類精確度。附圖說明圖1為本發(fā)明的流程圖；圖2為本發(fā)明的仿真圖。具體實施方式下面結(jié)合附圖對本發(fā)明做進一步的詳細描述。參照附圖1，本發(fā)明的具體步驟如下。步驟1.輸入極化合成孔徑雷達SAR圖像數(shù)據(jù)。步驟2.提取散射特征。采用李Lee濾波方法，對極化合成孔徑雷達SAR圖像數(shù)據(jù)進行預處理，濾除極化合成孔徑雷達SAR圖像數(shù)據(jù)中的相干斑噪聲，得到極化合成孔徑雷達SAR數(shù)據(jù)。采用克勞德Cloude分解方法，從極化合成孔徑雷達SAR數(shù)據(jù)的每個像素點中提取出散射熵，其中，克勞德Cloude分解方法的具體步驟如下：第一步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)相干矩陣的三個特征值：其中，[T]表示極化合成孔徑雷達SAR數(shù)據(jù)的相干矩陣，[U3]表示極化合成孔徑雷達SAR數(shù)據(jù)的單位特征矢量矩陣，λ1，λ2，λ3分別表示極化合成孔徑雷達SAR數(shù)據(jù)相干矩陣的三個特征值，[·]H表示對矩陣進行共軛轉(zhuǎn)置操作。第二步，按照下式，分別計算極化合成孔徑雷達SAR數(shù)據(jù)相干矩陣中三個特征值在三個特征值總和中所占的比例：其中，ph表示極化合成孔徑雷達SAR數(shù)據(jù)相干矩陣中第h個特征值在三個特征值總和中所占的比例，h＝1,2,3，λh表示預處理后極化合成孔徑雷達SAR數(shù)據(jù)相干矩陣的第h個特征值。第三步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)的散射熵：其中，H表示極化合成孔徑雷達SAR數(shù)據(jù)的散射熵，ph表示第h個特征值在三個特征值總和中所占的比例，h＝1,2,3。采用弗瑞曼Freeman分解方法，從極化合成孔徑雷達SAR數(shù)據(jù)的每個像素點中提取出包含表面散射功率、偶次散射功率和體散射功率的散射功率，其中，弗瑞曼Freeman分解方法的具體步驟如下：第一步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中散射功率的權重：其中，[T]表示極化合成孔徑雷達SAR數(shù)據(jù)的相干矩陣，f1表示極化合成孔徑雷達SAR數(shù)據(jù)中體散射功率的權重，f2表示極化合成孔徑雷達SAR數(shù)據(jù)中偶次散射功率的權重，α表示極化合成孔徑雷達SAR回波反射過程中垂直和水平極化波的幅度衰減及相位變化的復參數(shù)，α*表示對α進行共軛操作，f3表示極化合成孔徑雷達SAR數(shù)據(jù)中表面散射功率的權重，β表示極化合成孔徑雷達SAR回波反射過程中垂直發(fā)射垂直接收和水平發(fā)射水平接收的后向散射波的比值，β*表示對β進行共軛操作。第二步，計算極化合成孔徑雷達SAR數(shù)據(jù)中的散射功率：其中，P1表示極化合成孔徑雷達SAR數(shù)據(jù)的體散射功率，f1表示極化合成孔徑雷達SAR數(shù)據(jù)中體散射功率的權重，P2表示極化合成孔徑雷達SAR數(shù)據(jù)的偶次散射功率，f2表示極化合成孔徑雷達SAR數(shù)據(jù)中偶次散射功率的權重，α表示極化合成孔徑雷達SAR回波反射過程中垂直和水平極化波的幅度衰減及相位變化的復參數(shù)，P3表示極化合成孔徑雷達SAR數(shù)據(jù)的表面散射功率，f3表示極化合成孔徑雷達SAR數(shù)據(jù)中表面散射功率的權重，β表示極化合成孔徑雷達SAR波的垂直發(fā)射垂直接收和水平發(fā)射水平接收的后向散射的比值。步驟3.初始分類。按照下述極化合成孔徑雷達SAR數(shù)據(jù)的分類規(guī)則，將極化合成孔徑雷達SAR數(shù)據(jù)分為以下八個初始類。將散射功率為表面散射功率、且散射熵H滿足0＜H≤0.5條件的像素點，劃分為第一類。將散射功率為表面散射功率、且散射熵H滿足0.5＜H≤0.9條件的像素點，劃分為第二類。將散射功率為表面散射功率、且散射熵H滿足0.9＜H≤1條件的像素點，劃分為第三類。將散射功率為偶次散射功率、且散射熵H滿足0＜H≤0.5條件的像素點，劃分為第四類；將散射功率為偶次散射功率、且散射熵H滿足0.5＜H≤0.9條件的像素點，劃分為第五類。將散射功率為偶次散射功率、且散射熵H滿足0.9＜H≤1條件的像素點，劃分為第六類。將散射功率為體散射功率、且散射熵H滿足0.5＜H≤0.9條件的像素點，劃分為第七類。將散射功率為體散射功率、且散射熵H滿足0.9＜H≤1條件的像素點，劃分為第八類。步驟4.初始化量子粒子群。分別將八個初始類中所有像素點的中心位置，作為模糊量子粒子群FQPSO中八個粒子的初始位置，將模糊量子粒子群FQPSO中八個粒子中的每個粒子的當前位置作為粒子最優(yōu)位置。采用粒子位置適應度的計算方法，計算粒子最優(yōu)位置的適應度值，比較所有粒子的適應度值的大小，篩選出適應度值最大的粒子，將適應度值最大粒子位置作為量子粒子群的最優(yōu)位置。粒子位置適應度的計算方法的具體步驟如下：第一步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中所有像素到其相應的分類的距離之和：其中，J表示極化合成孔徑雷達SAR數(shù)據(jù)中所有像素到其相應的分類的距離之和，c表示極化合成孔徑雷達SAR數(shù)據(jù)分類過程中的分類數(shù)目c＝8，xi表示極化合成孔徑雷達SAR數(shù)據(jù)中屬于第j類的第i個像素，cj表示極化合成孔徑雷達SAR數(shù)據(jù)的第j個分類，d(xi,cj)表示極化合成孔徑雷達SAR數(shù)據(jù)中第j類中的第i個像素到第j個分類的歐式距離。第二步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中任意兩個分類之間距離的和：其中，d表示極化合成孔徑雷達SAR數(shù)據(jù)中任意兩個分類之間距離的和，分別表示極化合成孔徑雷達SAR數(shù)據(jù)分類過程中第j1，第j2個分類，表示分類過程中第j1和第j2個分類之間的歐氏距離。第三步，按照下式，計算每個粒子的適應度值：F(Xi(t))＝c/J+d其中，F(xiàn)(Xi(t))表示極化合成孔徑雷達SAR數(shù)據(jù)的第i個分類在第t次迭代后的適應度值，Xi(t)表示極化合成孔徑雷達SAR數(shù)據(jù)的第i個分類在第t次迭代后的位置，t表示迭代次數(shù)，t＝1,2,……,20，c表示極化合成孔徑雷達SAR數(shù)據(jù)的分類數(shù)目，J表示極化合成孔徑雷達SAR數(shù)據(jù)中所有像素到其相應的分類的距離之和，d表示極化合成孔徑雷達SAR數(shù)據(jù)中任意兩個分類之間距離的和。步驟5.計算像素隸屬度。采用隸屬度計算公式，計算極化合成孔徑雷達SAR數(shù)據(jù)的第j個像素yj對量子粒子群中第i個粒子vi的隸屬度μij，其中i＝1,2，……,8；比較八個隸屬度的大小，從中找出最大的隸屬度μmj，將極化合成孔徑雷達SAR數(shù)據(jù)的像素yj劃分到最大隸屬度μmj的第m個分類中，其中，隸屬度公式如下：其中，μij表示極化合成孔徑雷達SAR數(shù)據(jù)中第j個像素對量子粒子群中第i個粒子的隸屬度，m表示模糊因子，m＝2.13，yj表示極化合成孔徑雷達SAR數(shù)據(jù)的第j個像素，c表示極化合成孔徑雷達SAR數(shù)據(jù)分類過程中的分類數(shù)目，||·||表示取模運算，vi表示極化合成孔徑雷達SAR數(shù)據(jù)的第i個分類，vk表示極化合成孔徑雷達SAR數(shù)據(jù)的第k個分類，i表示極化合成孔徑雷達SAR數(shù)據(jù)的第i個類別，i＝1,2,……,8。步驟六.更新粒子位置。采用粒子位置適應度的計算方法，計算本次迭代中每個粒子位置的適應度值，如果迭代次數(shù)等于1，則執(zhí)行步驟(6d)，如果迭代次數(shù)大于1，則執(zhí)行步驟(6b)，其中，粒子位置適應度的計算方法的具體步驟如下：第一步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中所有像素到其相應的分類的距離之和：其中，J表示極化合成孔徑雷達SAR數(shù)據(jù)中所有像素到其相應的分類的距離之和，c表示極化合成孔徑雷達SAR數(shù)據(jù)分類過程中的分類數(shù)目c＝8，xi表示極化合成孔徑雷達SAR數(shù)據(jù)中屬于第j類的第i個像素，cj表示極化合成孔徑雷達SAR數(shù)據(jù)的第j個分類，d(xi,cj)表示極化合成孔徑雷達SAR數(shù)據(jù)中第j類中的第i個像素到第j個分類的歐式距離。第二步，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中任意兩個分類之間距離的和：其中，d表示極化合成孔徑雷達SAR數(shù)據(jù)中任意兩個分類之間距離的和，分別表示極化合成孔徑雷達SAR數(shù)據(jù)分類過程中第j1，第j2個分類，表示分類過程中第j1和第j2個分類之間的歐氏距離。第三步，按照下式，計算每個粒子的適應度值：F(Xi(t))＝c/J+d其中，F(xiàn)(Xi(t))表示極化合成孔徑雷達SAR數(shù)據(jù)的第i個分類在第t次迭代后的適應度值，Xi(t)表示極化合成孔徑雷達SAR數(shù)據(jù)的第i個分類在第t次迭代后的位置，t表示迭代次數(shù)，t＝1,2,……,20，c表示極化合成孔徑雷達SAR數(shù)據(jù)的分類數(shù)目，J表示極化合成孔徑雷達SAR數(shù)據(jù)中所有像素到其相應的分類的距離之和，d表示極化合成孔徑雷達SAR數(shù)據(jù)中任意兩個分類之間距離的和。當本次迭代的粒子位置的適應度值大于上一次迭代的粒子最優(yōu)位置的適應度值時，將本次迭代的粒子位置作為粒子最優(yōu)位置。當本次迭代的粒子位置的適應度值小于或等于上一次迭代的粒子最優(yōu)位置的適應度值時，將上一次迭代的粒子最優(yōu)位置作為粒子最優(yōu)位置。比較所有粒子最優(yōu)位置的適應度值大小，如果最大的適應度值大于上一次迭代的量子粒子群最優(yōu)位置的適應度值，則將適應度最大的粒子位置作為量子粒子群最優(yōu)位置，否則將上一次迭代的量子粒子群最優(yōu)位置作為量子粒子群最優(yōu)位置。采用粒子位置的更新方法，更新粒子位置，得到新一代的粒子，其中，粒子位置的更新方法的具體步驟如下：第一步，按照下式，計算粒子最優(yōu)位置：其中，Pi(t)表示第i個粒子第t次迭代后的粒子最優(yōu)位置，i表示在量子粒子群中與初始分類對應的八個粒子中的第i個粒子，i＝1,2,……,8，t表示迭代次數(shù)，t＝1,2,……,20，表示第t-1次迭代中將粒子拉向粒子最優(yōu)位置和粒子群最優(yōu)位置的群體影響因子，服從正態(tài)分布，Pi(t-1)表示第i個粒子第t-1次迭代后的粒子最優(yōu)位置，Pg(t-1)表示第t-1次迭代后的量子粒子群最優(yōu)位置，i＝1,2,……,8。第二步，按照下式，計算量子粒子群中所有粒子最優(yōu)位置坐標的平均值：其中，C(t)表示量子粒子群中所有粒子最優(yōu)位置坐標的平均值，t表示迭代次數(shù)，t＝1,2,……,20，c表示量子粒子群中粒子的個數(shù)，c＝8，Σ表示求和操作，Pi(t)表示第i個粒子第t次迭代后的粒子最優(yōu)位置，i表示在量子粒子群中與初始分類對應的八個粒子中的第i個粒子，i＝1,2,……,8。第三步，按照下式，計算粒子的位置：Xi(t)＝Pi(t)+ξ|C(t-1)-Xi(t-1)|ln[1/ui(t-1)]其中，Xi(t)表示量子粒子群中第i個粒子在第t次迭代后的位置，i表示在量子粒子群中與初始分類對應的八個粒子中的第i個粒子，i＝1,2,……,8，t表示已經(jīng)迭代的次數(shù)，t＝1,2,……,20，Pi(t)表示第i個粒子第t次迭代后的粒子最優(yōu)位置，ξ表示影響單個粒子收斂性的參數(shù)，ξ＝1.72，C(t-1)表示量子粒子群第t-1次迭代后所有粒子最優(yōu)位置的坐標平均值，Xi(t-1)表示量子粒子群中第i個粒子在第t-1次迭代后的位置，|·|表示取絕對值操作，ui(t-1)表示第t-1次迭代中將粒子拉向粒子最優(yōu)位置和粒子群最優(yōu)位置的個體影響因子，ui(t-1)服從正態(tài)分布，ln[·]表示取對數(shù)操作。完成上述操作過程后，將迭代次數(shù)加1，進行下步操作。步驟七.判斷迭代次數(shù)是否達到20次，若是，則執(zhí)行步驟八，否則，執(zhí)行步驟五。步驟八.最終分類。將量子粒子群中粒子作為極化合成孔徑雷達SAR數(shù)據(jù)中像素的初始分類中心，按照下式，計算極化合成孔徑雷達SAR數(shù)據(jù)中每個像素點到第i個分類ci的復威舍特Wishart距離：其中，d(<T>,ci)表示極化合成孔徑雷達SAR數(shù)據(jù)中每個像素點到第i個分類ci的復威舍特Wishart距離，T表示預處理后的相干矩陣，<·>表示按視數(shù)取平均操作，ci表示極化合成孔徑雷達SAR數(shù)據(jù)中像素的第i個分類，i表示分類個數(shù)，i＝1,2，……,8，[ci]表示極化合成孔徑雷達SAR數(shù)據(jù)中像素的第i個分類ci的行列式，表示對第i個分類ci求逆，表示取矩陣的跡，表示極化合成孔徑雷達SAR數(shù)據(jù)中像素的第i個分類ci與按視數(shù)取平均后相干矩陣T的積。比較極化合成孔徑雷達SAR數(shù)據(jù)中像素點到第a個和第b個分類的復威舍特Wishart距離的大小，如果極化合成孔徑雷達SAR數(shù)據(jù)中像素點離第a個分類的復威舍特Wishart距離小，則劃分到第a個分類中；如果極化合成孔徑雷達SAR數(shù)據(jù)中像素點離第b個分類的復威舍特Wishart距離小，則劃分到第b個分類中，a,b＝1,2，……,8，a≠b，完成最終分類。步驟九.輸出分類結(jié)果。下面結(jié)合圖2的仿真圖對本發(fā)明的效果做進一步的描述。1、仿真實驗條件。本發(fā)明的仿真是在主頻為3.20GHZ的Intel(R)Core(TM)i3CPU、內(nèi)存2G的硬件環(huán)境和Windows7旗艦版操作系統(tǒng)、MATLABR2011a的軟件環(huán)境下進行的。2、實驗內(nèi)容及結(jié)果分析。本發(fā)明的仿真將視數(shù)為四的荷蘭Fevoland地區(qū)的極化合成孔徑雷達SAR圖像。其中，圖2(a)為測試數(shù)據(jù)圖，圖2(b)為圖2(a)的分類標簽圖。采用基于克勞德Cloude分解和復威舍特Wishart分類器的極化合成孔徑雷達SAR圖像分類方法(簡稱Cloude_Wishart)、基于弗瑞曼Freeman分解和復威舍特Wishart分類器的極化合成孔徑雷達SAR圖像分類方法(簡稱Freeman_Wishart)和本發(fā)明所述方法對圖2(a)中所述的極化合成孔徑雷達SAR圖像進行分類仿真。圖2(c)為采用基于克勞德Cloude分解和復威舍特Wishart分類器的極化合成孔徑雷達SAR圖像分類方法得到的分類結(jié)果圖。圖2(d)為采用基于弗瑞曼Freeman分解和復威舍特Wishart分類器的極化合成孔徑雷達SAR圖像分類方法得到的分類結(jié)果圖。圖2(e)為采用本發(fā)明所述的極化合成孔徑雷達SAR圖像分類方法得到的分類結(jié)果圖。依據(jù)圖2(b)所示的分類標簽對圖2(c)、圖2(d)和圖2(e)中不同標號地物的分類正確率和總平均正確率進行統(tǒng)計，統(tǒng)計結(jié)果如表1所示。表1不同標號地物的分類正確率和總平均正確率由表1中的總平均正確率看出，本發(fā)明得到總平均正確率為79.36％，基于克勞德Cloude分解和復威舍特Wishart分類器的極化合成孔徑雷達SAR圖像分類方法得到的總平均正確率為64.72％，基于弗瑞曼Freeman分解和復威舍特Wishart分類器的極化合成孔徑雷達SAR圖像分類方法得到的在那個平均正確率為65.21％。由總平均正確率看出，本發(fā)明總體的分類效果要優(yōu)于兩種傳統(tǒng)方法的。從每一類的分類正確率來看，雖然標號4，標號6所代表地物的分類正確率比兩種傳統(tǒng)方法的分類正確率略低，但是標號1，標號2，標號3，標號5所代表地物的分類正確率明顯有所提高。因此可以說本發(fā)明對極化合成孔徑雷達SAR圖像的分類分類效果明顯優(yōu)于傳統(tǒng)方法。從兩種傳統(tǒng)方法和本發(fā)明所述方法對極化合成孔徑雷達SAR圖像分類結(jié)果圖，如圖2(c)、圖2(d)和圖2(e)所示，可以看出在圖2(e)中標號1，標號2，標號3，標號5區(qū)域的噪點明顯比圖2(c)和圖2(d)中對應區(qū)域的噪點少，由此可以說本發(fā)明所述方法對極化合成孔徑雷達SAR圖像分類結(jié)果在標號1，標號2，標號3，標號5區(qū)域明顯要優(yōu)于傳統(tǒng)方法。并且從整幅圖像來看本發(fā)明所述方法對極化合成孔徑雷達SAR圖像總體的分類結(jié)果要優(yōu)于傳統(tǒng)方法的分類效果。