基于空間信息的極化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] 合成孔徑雷達(dá)SAR是一種主動(dòng)式微波遙感器，可以提供全天候、全天時(shí)的成像特 點(diǎn)，可以對(duì)植被覆蓋的地面、沙漠或淺水覆蓋等地區(qū)成像，可應(yīng)用于軍事、農(nóng)業(yè)、導(dǎo)航、地理 監(jiān)視等諸多領(lǐng)域。與SAR相比，極化SAR進(jìn)行的是全極化測(cè)量，能獲得目標(biāo)更豐富的信息。 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，已成為圖像分 類的主要研究方向。經(jīng)典的極化SAR分類方法包括：
[0003] I. Lee等人提出了基于Cloude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 classification using polarimetric decomposition and the complex Wishart classifier[J]. IEEE Trans. Geosci. Remote Sensing. 1999, 37 (5) :2249-2258.該方法通過(guò) Cloude 分解獲取 H 和α兩個(gè)表征極化數(shù)據(jù)的特征，根據(jù)H和α組成的Η/α平面將整幅極化SAR圖像分為8 類，然后在此基礎(chǔ)上增加了 Wishart迭代。Η/α -Wishart分類方法分利用了極化數(shù)據(jù)的分 布信息，使得極化信息利用更加全面，并且引入Wishart迭代的方法，有效的提高了分類的 精度。但是該方法存在的兩個(gè)缺陷：一是分類的類別數(shù)固定，對(duì)復(fù)雜區(qū)域分類缺乏靈活性， 分類準(zhǔn)確度低；另一個(gè)是該方法只考慮了像素點(diǎn)的統(tǒng)計(jì)信息，并沒(méi)有考慮像素點(diǎn)之間的空 間關(guān)系，分類結(jié)果區(qū)域一直性較差。
[0004] 2. J. S. Lee等人在Freeman分解的基礎(chǔ)上提出了 一種基于Freeman-Durden分 解的極化 SAR 圖像分類方法，見 Lee J S，Grunes M R，Pottier E，et al. Unsupervised terrain classification preserving polarimetric scattering characteristic[J]. IEEE Trans. Geosci. Remote Sensing. 2004,42 (4) :722-731.該方法主要是根據(jù)地面目標(biāo) 的散射特性，用Freeman分解的方法將目標(biāo)分解為：平面散射類型、二面角散射類型和體散 射類型，并按照主散射類型對(duì)目標(biāo)進(jìn)行劃分，最后再利用Wishart分類器對(duì)每一個(gè)像素進(jìn) 行重新劃分。該算法結(jié)合了 Freeman分解和極化SAR數(shù)據(jù)的分布特性，有效的提高了極化 SAR圖像的分類效果，但由于該方法中存在的多類別的劃分以及合并，因此其計(jì)算復(fù)雜度較 高，而且該方法仍然沒(méi)有考慮像素點(diǎn)之間的空間關(guān)系。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)已有技術(shù)的不足，提出一種基于空間信息的極化SAR圖像 分類方法，以提高分類精度。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟：
[0007] (1)對(duì)待分類的極化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；
[0008] (2)對(duì)濾波后的極化SAR圖像進(jìn)行Pauli分解，獲得偽彩色圖；
[0009] (3)對(duì)Pauli分解得到的偽彩色圖使用改進(jìn)的SLIC超像素算法進(jìn)行過(guò)分割，獲得 K個(gè)超像素塊：
[0010] 3a)將偽彩色圖轉(zhuǎn)化為CIELAB顏色空間下的三維特征向量：
[0011] Ci= [I j Sii bj]
[0012] 其中，I1表示亮度，a種b廣示相對(duì)維度；
[0013] 3b)選擇初始種子點(diǎn)，每個(gè)種子點(diǎn)的距離近似為 ，其中N表示整幅極化 SAR圖像總的像素點(diǎn)個(gè)數(shù)，K表示預(yù)分割的超像素塊的個(gè)數(shù)；
[0014] 3c)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)計(jì)算每個(gè)像素點(diǎn)與種子點(diǎn)的顏色差異d。：
[0015]
[0016] 3d)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)計(jì)算每個(gè)像素點(diǎn)與種子點(diǎn)空間距離ds:
[0017]
[0018] 其中，其中，TdPT 別代表像素點(diǎn)i和j的相干矩陣，（T1) 1和（Tj) 1分別表示 對(duì)矩陣!\和T ,求逆，I · I表示矩陣的行列式，Tr (·)是矩陣的跡；
[0019] 3e)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)計(jì)算每個(gè)像素點(diǎn)與種子點(diǎn)的相似度D1:
[0020]
[0021] 其中，S表示種子點(diǎn)間的距離，m表示平衡參數(shù)，且m= 10;
[0022] 3f)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)比較所有點(diǎn)的相似度D1，選取0^直最大的 像素點(diǎn)賦予其中心點(diǎn)相同的類別，并作為新的種子點(diǎn)；
[0023] 3g)重復(fù)步驟3 (c) -3 (f)，直到收斂；
[0024] (4)計(jì)算每個(gè)超像素塊內(nèi)所有像素點(diǎn)相干矩陣的均值V1, i = 1，…K，以V1為新像 素點(diǎn)，并用每一個(gè)1都代表其所對(duì)應(yīng)超像素塊內(nèi)的所有像素點(diǎn)；
[0025] (5)對(duì)上述K個(gè)新像素點(diǎn)1進(jìn)行快速密度峰值聚類，將K個(gè)新像素點(diǎn)聚為k類；
[0026] (6)在K個(gè)新像素點(diǎn)的聚類結(jié)果中，將由新像素點(diǎn)V1代表的所有像素點(diǎn)標(biāo)記為與 新像素點(diǎn)V 1相同的類別，完成對(duì)整幅圖像的預(yù)分類；
[0027] (7)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。
[0028] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[0029] 1.區(qū)域一致性好、分類精度高
[0030] 傳統(tǒng)的極化SAR分類方法都是基于像素點(diǎn)的，很少考慮像素點(diǎn)之間的空間關(guān)系， 分類結(jié)果的區(qū)域一致性較差，分類精度較低。本發(fā)明利用改進(jìn)的超像素過(guò)分割方法充分利 用像素點(diǎn)之間的空間關(guān)系，分類結(jié)果的區(qū)域一致性更好，分類精度高；
[0031] 2.自適應(yīng)選擇類別數(shù)目、分類精度高
[0032] 傳統(tǒng)方法都是在特定類別上分類的，分類精度較低。本發(fā)明采用快速密度峰值聚 類，可根據(jù)具體的情況進(jìn)行自適應(yīng)聚類，自適應(yīng)的選擇類別數(shù)目，進(jìn)一步提高了分類精度。
【附圖說(shuō)明】
[0033] 圖1是本發(fā)明的實(shí)現(xiàn)總流程圖；
[0034] 圖2是本發(fā)明中的快速密度峰值聚類子流程圖；
[0035] 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；
[0036] 圖4是用現(xiàn)有H/ a -Wishart方法、基于Freeman分解的方法及本發(fā)明方法對(duì)圖3 的分類結(jié)果圖；
[0037] 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；
[0038] 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】
[0039] 參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：
[0040] 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；
[0041] 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。
[0042] 步驟2,對(duì)濾波后的極化SAR圖像進(jìn)行Pauli分解，獲得偽彩色圖。
[0043] Pauli分解是一種目標(biāo)分解方法，該方法根據(jù)地物目標(biāo)的散射特性將原始數(shù)據(jù) 的散射矩陣分解成為單次散射機(jī)制、繞軸旋轉(zhuǎn)0°的二面角散射機(jī)制和繞軸旋轉(zhuǎn)45° 的二面角散射機(jī)制的線性組合，見Cloude S R, and Pottier E. A review of target decomposition theorems in radar polarimetry[J]. IEEE Trans. Geosci. Remote Sensing. 1996. 34(2) :498-518。
[0044] 步驟3,對(duì)Pauli分解得到的偽彩色圖使用改進(jìn)的SLIC超像素算法進(jìn)行過(guò)分割，獲 得K個(gè)超像素塊；
[0045] SLIC超像素過(guò)分割是Achanta等人提出的一種簡(jiǎn)單線性迭代聚類方法，能夠生 成緊湊、近似均勾的超像素塊，見 Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superixel methods[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2012, 34(11) :2274-2282.其步驟如下：
[0046] 3a)將偽彩色圖轉(zhuǎn)化為CIELAB顏色空間下的三維特征向量：
[0047] Ci= [Ii a； bi]T,
[0048] 其中，I1表示亮度，a JP b 1表示相對(duì)維度；
[0049] 3b)選擇初始種子點(diǎn)，每個(gè)種子點(diǎn)的距離近似為遂=·#^，其中N表示整幅極化 SAR圖像總的像素點(diǎn)個(gè)數(shù)，K表示預(yù)分割的超像素塊的個(gè)數(shù)；
[0050] 3c)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)計(jì)算每個(gè)像素點(diǎn)與種子點(diǎn)的顏色差異d。：
[0051]
[0052] 3d)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)計(jì)算每個(gè)像素點(diǎn)與種子點(diǎn)空間距離ds:
[0053]
[0054] 其中，其中，TdPT 別代表像素點(diǎn)i和j的相干矩陣，（T 1) 1和（Tj) 1分別表示 對(duì)矩陣!\和T ,求逆，I · I表示矩陣的行列式，Tr ( ·)是矩陣的跡；
[0055] 3e)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)計(jì)算每個(gè)像素點(diǎn)與種子點(diǎn)的相似度D1:
[0056]
[0057] 其中，S表示種子點(diǎn)間的距離，m表示平衡參數(shù)，且m = 10 ;
[0058] 3f)在以種子點(diǎn)為中心的2SX2S區(qū)域內(nèi)比較所有點(diǎn)的相似度D1，選取0^直最大的 像素點(diǎn)賦予其中心點(diǎn)相同的類別，并作為新的種子點(diǎn)；
[0059] 3g)重復(fù)步驟3 (c) -3 (f)，直到收斂；
[0060] 步驟4,計(jì)算每個(gè)超像素塊內(nèi)所有像素點(diǎn)相干矩陣的均值V1, i = 1，…K，以1為 新像素點(diǎn)，并用每一個(gè)1都代表其所對(duì)應(yīng)超像素塊內(nèi)的所有像素點(diǎn)；
[0061 ] 步驟5,對(duì)上述K個(gè)新像素點(diǎn)1進(jìn)行快速密度峰值聚類，將K個(gè)新像素點(diǎn)聚為k類；
[0062] 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Rodriguez A，and Alessandro L. Clustering by fast search and find of density peaks[J]. Scien ce27. 2014, 344(6191) : 1492-1496.
[0063] 參照?qǐng)D2,本步驟的具體實(shí)現(xiàn)如下：
[0064] 5a)計(jì)算任意兩個(gè)新像素點(diǎn)1和V之間的相互距離d ^:
[0065] Cllj= Tr(CT1) 1Iy(Tj) 1T1)-q，
[0066] 其中，T1, 1^分別表示新像素點(diǎn)V滿V j的相干矩陣，（T J 1和（T J 1分別表示對(duì)矩 陣!\和T ;求逆，q為常數(shù)，取值為q = 3, Tr ( ·)是矩陣的跡；
[0067] 5b)