基于快速密度峰值聚類的極化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圖像分類方法，可用于目標(biāo)識(shí)別。
【背景技術(shù)】
[0002] 隨著遙感技術(shù)在衛(wèi)星、載人航天、探月工程等領(lǐng)域的發(fā)展，極化SAR已成為SAR的 發(fā)展趨勢(shì)，極化SAR能夠得到更豐富的目標(biāo)信息，在農(nóng)業(yè)、林業(yè)、軍事、地質(zhì)學(xué)、水文學(xué)和海 洋等方面具有廣泛的研究和應(yīng)用價(jià)值，如地形測(cè)繪、資源勘探、災(zāi)害監(jiān)測(cè)及天文研究等不同 領(lǐng)域。極化圖像分類的目的是利用機(jī)載或星載極化傳感器獲得的極化測(cè)量數(shù)據(jù)，確定每個(gè) 像素所屬的類別。近年來(lái)，利用極化SAR測(cè)量數(shù)據(jù)進(jìn)行的分類在國(guó)際遙感領(lǐng)域受到高度重 視，已成為SAR圖像分類的主要研究方向。
[0003] 根據(jù)處理方法的不同，全極化SAR圖像分類方法可以分為監(jiān)督分類和非監(jiān)督分 類。監(jiān)督分類方法主要包括基于統(tǒng)計(jì)知識(shí)、神經(jīng)網(wǎng)絡(luò)、小波分析和模糊邏輯的分類方法。非 監(jiān)督分類方法中最多的是基于目標(biāo)散射機(jī)理的分解方法，如H/ α目標(biāo)分解方法和Freeman 分解方法。相對(duì)于監(jiān)督分類方法而言，基于散射機(jī)理的全極化SAR非監(jiān)督分類方法不需要 已知類別的訓(xùn)練數(shù)據(jù)，具有更強(qiáng)的適應(yīng)性。
[0004] 經(jīng)典的極化SAR圖像分類方法包括：
[0005] I. Cloude等人提出了基于Η/α目標(biāo)分解的非監(jiān)督極化SAR圖像分類方法， 見(jiàn) Cloude S R，Pottier E. An entropy based classification scheme for land applications ofpolarimetric SAR[J]. IEEE Trans.Geosci. Remote Sensing.1997， 35(1) :549-557.該方法主要是通過(guò)Cloude分解獲取H和α兩個(gè)表征極化數(shù)據(jù)的特征，然 后根據(jù)H和a組成的Η/α平面人為的將其劃分為9個(gè)區(qū)域，去掉一個(gè)理論上不可能存在 的區(qū)域，最終將圖像劃分為8類。H/a分類存在的一個(gè)缺陷是區(qū)域的劃分過(guò)于武斷，當(dāng)同一 類的數(shù)據(jù)分布在兩類或幾類的邊界上時(shí)分類器性能將變差，另一不足之處是當(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。
[0006] 2. Lee等人提出了基于H/a目標(biāo)分解和Wishart分類器的非監(jiān)督極化SAR分類 方法，見(jiàn)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.該方法主要是對(duì) Η/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，但是存在不能 很好的保持各類的極化散射特性的不足。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于針對(duì)已有技術(shù)的不足，提出一種基于快速密度峰值聚類的極化 SAR圖像分類方法，以提高分類正確率。
[0008] 為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟：
[0009] (1)對(duì)待分類極化SAR圖像進(jìn)行濾波，去除斑點(diǎn)噪聲，得到濾波后的極化SAR圖 像；
[0010] (2)對(duì)濾波后的極化SAR圖像中每個(gè)像素點(diǎn)的相干矩陣T進(jìn)行Yamaguchi分解，得 到每個(gè)像素點(diǎn)的體散射功率P v、二面角散射功率Pd、表面散射功率Ps和螺旋體散射分量P h;
[0011] ⑶按照每個(gè)像素點(diǎn)四個(gè)散射功率Ps，Pd，Pv，匕的最大值將極化SAR圖像初始劃分 為四類：
[0012] 如果max (Ps，Pd，Pv，Ph) = Ps，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Ps為該類的主 散射功率；
[0013] 如果max (Ps，Pd，Pv，Ph) = Pd，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Pd為該類的主 散射功率；
[0014] 如果max (Ps，Pd，Pv，Ph) = Pv，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Pv為該類的主 散射功率；
[0015] 如果max (Ps，Pd，Pv，Ph) = Ph，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Ph為該類的主 散射功率；
[0016] 其中，max(·)表不最大值；
[0017] (4)對(duì)每類初始類別所有像素點(diǎn)的主散射功率按由小到大排序，并將每類中每 300個(gè)像素點(diǎn)再劃分為一類，最終將整個(gè)極化SAR圖像劃分為M類；
[0018] (5)在已獲得的M個(gè)類別中，將每一類的中心點(diǎn)作為新像素點(diǎn)，得到M個(gè)新像素點(diǎn) A1, i = 1，…，M，并用每類的新像素點(diǎn)A1代表該類別內(nèi)所有像素點(diǎn)；
[0019] (6)對(duì)上述M個(gè)新像素點(diǎn)進(jìn)行快速密度峰值聚類，將M個(gè)新像素點(diǎn)聚為k類；
[0020] (7)在M個(gè)新像素點(diǎn)的聚類結(jié)果中，將由新像素點(diǎn)A1代表的所有像素點(diǎn)標(biāo)記為與 新像素點(diǎn)A 1相同的類別，完成對(duì)整幅圖像的預(yù)分類；
[0021] (8)對(duì)整個(gè)極化SAR圖像的預(yù)分類結(jié)果進(jìn)行復(fù)Wishart迭代，得到更為準(zhǔn)確的分類 結(jié)果。
[0022] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[0023] 1.本發(fā)明充分利用了 Yamaguchi分解得到的四種散射功率Pv，Pd，Ps，匕在分類中 的有效性，使一些不滿足反射對(duì)稱性的復(fù)雜區(qū)域能更夠好的分類。
[0024] 2.本發(fā)明針對(duì)現(xiàn)有極化SAR分類中很多經(jīng)典分類方法都局限于特定的分類類別 數(shù)的缺陷，采用快速密度峰值聚類，可根據(jù)不同極化SAR圖像的具體情況進(jìn)行自適應(yīng)聚類， 自適應(yīng)的選擇類別數(shù)目，且分類結(jié)果區(qū)域一致性劃分較好，不同區(qū)域劃分后的邊緣也更加 清晰。
【附圖說(shuō)明】
[0025] 圖1是本發(fā)明的總流程圖；
[0026] 圖2是本發(fā)明中快速密度峰值聚類的子流程圖；
[0027] 圖3是本發(fā)明仿真使用的原始的舊金山極化SAR數(shù)據(jù)圖像；
[0028] 圖4是用現(xiàn)有H/ α方法、H/ a -Wishart方法及本發(fā)明方法對(duì)圖3的分類結(jié)果圖；
[0029] 圖5是本發(fā)明仿真使用的原始的弗萊福蘭農(nóng)田極化SAR數(shù)據(jù)圖像；
[0030] 圖6是用本發(fā)明對(duì)圖5的分類結(jié)果圖。
【具體實(shí)施方式】
[0031] 參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：
[0032] 步驟1，對(duì)待分類極化SAR圖像進(jìn)行濾波，去除斑點(diǎn)噪聲，得到濾波后的極化SAR圖 像。
[0033] 對(duì)極化SAR圖像的濾波通常都是采用現(xiàn)有的精致極化LEE濾波法，濾波窗口的大 小為7X7。
[0034] 步驟2,對(duì)濾波后的極化SAR圖像中每個(gè)像素點(diǎn)的相干矩陣T進(jìn)行Yamaguchi分 解，得到每個(gè)像素點(diǎn)的體散射功率P v、二面角散射功率Pd、表面散射功率PdP螺旋散射分量 Ph。
[0035] Yamaguchi分解是一種極化目標(biāo)分解方法，不同的地物目標(biāo)具有不同的散射特性， 該方法根據(jù)不同地物目標(biāo)的散射特性，將每個(gè)像素點(diǎn)的相干矩陣分解成多種散射分量的 線性組合，該方法相對(duì)其它目標(biāo)分解方法的優(yōu)勢(shì)在于它增加了螺旋體散射分量，使一些不 滿足反射對(duì)稱性的復(fù)雜區(qū)域能更夠好的分類，見(jiàn)Yamaguchi Y, Maoriyama T, Ishido M，et al. Four-component scattering model for polarimetric SARimage decomposition[J]. IEEE Trans. Geosci. Remote Sensing. 2005, 43 (8) : 1699-1706。Yamaguchi 分解的具體步驟 如下：
[0036] (2a)讀入濾波后圖像的每個(gè)像素點(diǎn)，這些像素點(diǎn)為一個(gè)3X3的相干矩陣T，根據(jù) 相干矩陣T得到協(xié)方差矩陣C ;
[0037]
[0038] 其中，U是中間變量，
H表示水平極化，V表示垂直極化，Shh 表示水平向發(fā)射和水平向接收的回波數(shù)據(jù)，Svv表示垂直向發(fā)射和垂直向接收的回波數(shù)據(jù)， Shv表示水平向發(fā)射垂直向接收的回波數(shù)據(jù)，（Γ表示這個(gè)數(shù)據(jù)的共輒，〈·〉表示按視數(shù)平 均；
[0039] (2b)將協(xié)方差矩陣C分解成如下表示：
[0040]
[0041] 其中，fs為平面散射分量的分解系數(shù)，f d為二面角散射分量的分解系數(shù)，f v為體散 射分量的分解系數(shù)，4為螺旋散射分量的分解系數(shù)，β是水平發(fā)射水平接收后向散射反射 系數(shù)與垂直發(fā)射垂直接收后向散射發(fā)射系數(shù)的比值，α被定義為a = IHIVH/IVIVV，IjPIv 分別表示地表的水平及垂直反射系數(shù)，Ivh和I "分別表示豎直墻體的水平及垂直反射系數(shù)， j表示虛數(shù)；
[0042] (2c)由協(xié)方差矩陣C分解的結(jié)果，獲得一個(gè)具有六個(gè)未知數(shù)fs，fv，f d，fh，α，β和 五個(gè)方程的方程組如下：
[0043]
[0044]
[0045]
[0046]
[0047]
[0048] (2d)計(jì)算像素點(diǎn)協(xié)方差矩陣C中的的值，如果RediX7.)^)，則令 α =-1，如果)<0,則令β = 1，給定α或β的值后，剩余的4個(gè)未知數(shù)則根據(jù) 式3)求解，其中Re (·)表示取實(shí)部；
[0049] (2e)根據(jù)求解出的fs，fv，fd，f h，α，β，求解出體散射功率Pv、二面角散射功率Pd， 表面散射功率PjP螺旋散射功率P h:
[0050] Ps= f s(l+| β I2)
[0051] Pd= fd(l+|a|2)
[0052] Pv= f v
[0053] Ph= f h〇
[0054] 步驟3,按照每個(gè)像素點(diǎn)四個(gè)散射功率Ps，Pd，P v，匕的最大值將極化SAR圖像初始 劃分為四類：
[0055] 如果max (Ps，Pd，Pv，Ph) = Ps，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Ps為該類的主 散射功率；
[0056] 如果max (Ps，Pd，Pv，Ph) = Pd，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Pd為該類的主 散射功率；
[0057] 如果max (Ps，Pd，Pv，Ph) = Pv，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Pv為該類的主 散射功率；
[0058] 如果max (Ps，Pd，Pv，Ph) = Ph，則將其對(duì)應(yīng)的像素點(diǎn)劃分為一類，其中Ph為該類的主 散射功率；
[0059] 其中，max( ·)表示最大值。
[0060] 步驟4,對(duì)每類初始類別所有像素點(diǎn)的主散射功率按由小到大排序，并將每類中每 300個(gè)像素點(diǎn)再劃分為一類，最終將整個(gè)極化SAR圖像劃分為M類。
[0061] 步驟5,在已獲得的M個(gè)類別中，將每一類的中心點(diǎn)作為新像素點(diǎn)，得到M個(gè)新像素 點(diǎn)A 1, i = 1，…，M，并用每類的新像素點(diǎn)A1代表該類別內(nèi)所有像素點(diǎn)。
[0062] 步驟6,對(duì)上述M個(gè)新像素點(diǎn)進(jìn)行快速密度峰值聚類，將M個(gè)新像素點(diǎn)聚為k類。
[0063] 常用的聚類方法主要包括K-means聚類、譜聚類、模糊聚類和快速密度峰值聚 類。本實(shí)例采用快速密度峰值聚類，該聚類方法是機(jī)器學(xué)習(xí)領(lǐng)域一種新的聚類方法，該方 法認(rèn)為聚類中心由一些具有低局部密度點(diǎn)的數(shù)據(jù)包圍，而這些低密度數(shù)據(jù)點(diǎn)距離其它高 密度數(shù)據(jù)點(diǎn)距離較大，并以此為根據(jù)自適應(yīng)選擇聚類中心和聚類類別，見(jiàn)RodriguezA，and Alessandro L. Clustering by fast search and find of density peaks[J] · Science 27. 2014, 344(6191):1492-1496.
[0064] 參照?qǐng)D2,本步驟的具體實(shí)現(xiàn)如下：
[0065] 6a)計(jì)算任意兩個(gè)新像素點(diǎn)~和A ^之間的相互距離d U: