基于Freeman分解和譜聚類的極化SAR圖像分類方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于Freeman分解和譜聚類的極化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。其實現(xiàn)步驟為：對每個像素點進(jìn)行Freeman分解，提取像素點的體散射功率，二面角散射功率和表面散射功率；將像素點的三種散射功率及其坐標(biāo)作為Mean?Shift算法的輸入特征向量，用Mean?Shift算法對圖像進(jìn)行分割，得到M個區(qū)域；選取M個區(qū)域的代表點作為譜聚類的輸入點，對各區(qū)域進(jìn)行譜聚類，獲得圖像的預(yù)分類結(jié)果；最后，對預(yù)分類得到的整幅圖像Wishart分類器進(jìn)行迭代分類，得到最終分類結(jié)果。實驗結(jié)果表明本發(fā)明專利技術(shù)所實現(xiàn)的極化SAR圖像分類效果更好，可用于對各種極化SAR圖像進(jìn)行無監(jiān)督分類。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)屬于圖像處理
，涉及極化合成孔徑雷達(dá)SAR圖像地物分類領(lǐng)域的應(yīng)用，具體的說是一種基于Freeman分解和譜聚類算法的極化SAR圖像分類方法，可用于對極化SAR圖像的地物分類和目標(biāo)識別。
技術(shù)介紹
隨著雷達(dá)技術(shù)的發(fā)展，極化SAR已成為SAR的發(fā)展趨勢，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)用價值，如地物種類的識別、農(nóng)作物成長監(jiān)視、產(chǎn)量評估、地物分類、海冰監(jiān)測、地面沉降監(jiān)測，目標(biāo)檢測和海洋污染檢測等。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量數(shù)據(jù)，確定每個像素所屬的類別。經(jīng)典的極化SAR分類方法包括Lee等人提出了基于Η/α目標(biāo)分解和Wishart分類器的非監(jiān)督分類方法，見Lee J SiGrunes M RiAinsworth T L，et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier.1EEE Trans. Geosc1. Remote Sensing. 1999,37(5) :2249-2258.該方法主要是對H/α劃分后的8類利用Wishart分類器對每一個像素進(jìn)行重新劃分，從而有效的提高分類的精度，但是該方法不能很好的保持各類的極化散射特性。J. S. Lee等基于Freeman分解于提出了一種基于Freeman-Durden分解的極化圖像非監(jiān)督分類算法，見 Lee J S, Grunes M R, Pottier E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristic.1EEE Trans. Geosc1. Remote Sensing. 2004,42 (4) :722-731.該方法主要是通過 Freeman 分解獲取表征散射體散射特性的的三個特征平面散射功率、二面角散射功率和體散射功率， 然后根據(jù)這三個特征的大小對極化數(shù)據(jù)進(jìn)行劃分，并對初始劃分進(jìn)行類別合并，最后再利用Wishart分類器對每一個像素進(jìn)行重新劃分。這種算法結(jié)合了 Freeman散射模型和復(fù) Wishart分布，具有保持多極化SAR的主要散射機(jī)制純凈性的特性，但是該方法無法解決混合散射機(jī)制的問題，并且由于Freeman分解中的多類的劃分以及合并，因而計算復(fù)雜度較聞。譜聚類算法是近年來國際上機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點，與傳統(tǒng)的聚類算法相比， 它具有能在任意形狀的樣本空間上聚類并且收斂于全局最優(yōu)解的優(yōu)點。然而該算法在應(yīng)用到圖像分割領(lǐng)域時，計算量和存儲量是難以承受的，嚴(yán)重阻礙了該算法的性能發(fā)揮。并且采用高斯函數(shù)構(gòu)造相似矩陣時，尺度參數(shù)對分類結(jié)構(gòu)影響較大并且難以得到最優(yōu)的參數(shù)，使圖像分割的穩(wěn)定性下降。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于針對已有技術(shù)的不足，提出一種，以提高分類效果。為實現(xiàn)上述目的，本專利技術(shù)包括如下步驟1、一種,包括如下步驟(1)對待分類的大小為RXQ極化SAR圖像進(jìn)行濾波，去除斑點噪聲；(2)對濾波后的極化SAR圖像中每個像素點的相干矩陣T進(jìn)行Freeman分解，得到 每個像素點的體散射功率Pv、二面角散射功率Pd和表面散射功率Ps ;(3)根據(jù)每個像素點的體散射功率？7、二面角散射功率Pd和表面散射功率匕，及像 素點的坐標(biāo)，用MeanShift算法對濾波后的圖像進(jìn)行預(yù)分割，得到M個區(qū)域；(4)在已獲得的M個區(qū)域上，將每個區(qū)域的中心點作為新的像素點Ys，得到M個新 像素點，S = 1，...，M，將這M個新像素點映射為具有M個節(jié)點的全連接圖，并對這個全連 接圖按如下步驟進(jìn)行譜聚類(4a)根據(jù)新像素點Ys的勢能函數(shù)，構(gòu)造新的相似度矩陣A為權(quán)利要求1.一種,包括如下步驟 (1)對待分類的大小為RXQ極化SAR圖像進(jìn)行濾波，去除斑點噪聲； (2)對濾波后的極化SAR圖像中每個像素點的相干矩陣T進(jìn)行Freeman分解，得到每個像素點的體散射功率Pv、二面角散射功率Pd和表面散射功率Ps ; (3)根據(jù)每個像素點的體散射功率？7、二面角散射功率Pd和表面散射功率匕，及像素點的坐標(biāo)，用Mean Shift算法對濾波后的圖像進(jìn)行預(yù)分割，得到M個區(qū)域； (4)在已獲得的M個區(qū)域上，將每個區(qū)域的中心點作為新的像素點Ys，得到M個新像素點，δ = 1，...，Μ，將這M個新像素點映射為具有M個節(jié)點的全連接圖，并對這個全連接圖按如下步驟進(jìn)行譜聚類 (4a)根據(jù)新像素點Ys的勢能函數(shù)，構(gòu)造新的相似度矩陣A為2.根據(jù)權(quán)利要求1所述的，其中步驟(I)所述的對待分類的大小為RX Q的極化SAR圖像進(jìn)行濾波，采用精致極化LEE濾波法，濾波窗口大小為7X7。3.根據(jù)權(quán)利要求書I所述的，其中步驟⑵所述的對每個像素點的相干矩陣T進(jìn)行Freeman分解，按如下步驟進(jìn)行 (2a)讀入濾波后圖像的每個像素點，這些像素點為一個3X3的相干矩陣T，根據(jù)相干矩陣T得到協(xié)方差矩陣C ；4.根據(jù)權(quán)利要求1所述的，其中步驟(3)所述的用Mean Shift算法對濾波后的圖像進(jìn)行預(yù)分割，按如下步驟進(jìn)行 (3a)將每一個像素點的Freeman分解得到的三種散射功率Pv，Pd, Ps及像素點的坐標(biāo)值，作為Mean Shift算法的輸入特征向量fu，ω = I, . . . , N, N = RXQ ； (3b)根據(jù)每一個輸入特征向量f計算期望收斂m(f)的值5.根據(jù)權(quán)利要求1所述的，其中步驟(6)所述的對預(yù)分類得到的整幅圖像用能反映極化SAR分布特性的Wishart分類器進(jìn)行迭代分類，按如下步驟進(jìn)行 (6a)對整個極化SAR圖像數(shù)據(jù)的預(yù)分類得到的k類劃分結(jié)果，根據(jù)下式求每一類的聚類中心B。全文摘要本專利技術(shù)公開了一種，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。其實現(xiàn)步驟為對每個像素點進(jìn)行Freeman分解，提取像素點的體散射功率，二面角散射功率和表面散射功率；將像素點的三種散射功率及其坐標(biāo)作為Mean Shift算法的輸入特征向量，用Mean Shift算法對圖像進(jìn)行分割，得到M個區(qū)域；選取M個區(qū)域的代表點作為譜聚類的輸入點，對各區(qū)域進(jìn)行譜聚類，獲得圖像的預(yù)分類結(jié)果；最后，對預(yù)分類得到的整幅圖像Wishart分類器進(jìn)行迭代分類，得到最終分類結(jié)果。實驗結(jié)果表明本專利技術(shù)所實現(xiàn)的極化SAR圖像分類效果更好，可用于對各種極化SAR圖像進(jìn)行無監(jiān)督分類。文檔編號G06K9/62GK102999762SQ201210414790公開日2013年3月27日 申請日期2012年10月25日 優(yōu)先權(quán)日2012年10月25日專利技術(shù)者焦李成, 劉坤, 郭衛(wèi)英, 李婷婷, 王爽, 馬晶晶, 馬文萍, 劉亞超, 侯小瑾, 張濤 申請人:西安電子科技大學(xué)本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】
一種基于Freeman分解和譜聚類的極化SAR圖像分類方法，包括如下步驟：(1)對待分類的大小為R×Q極化SAR圖像進(jìn)行濾波，去除斑點噪聲；(2)對濾波后的極化SAR圖像中每個像素點的相干矩陣T進(jìn)行Freeman分解，得到每個像素點的體散射功率Pv、二面角散射功率Pd和表面散射功率Ps；(3)根據(jù)每個像素點的體散射功率Pv、二面角散射功率Pd和表面散射功率Ps，及像素點的坐標(biāo)，用Mean?Shift算法對濾波后的圖像進(jìn)行預(yù)分割，得到M個區(qū)域；(4)在已獲得的M個區(qū)域上，將每個區(qū)域的中心點作為新的像素點Yδ，得到M個新像素點，δ＝1，...,M，將這M個新像素點映射為具有M個節(jié)點的全連接圖，并對這個全連接圖按如下步驟進(jìn)行譜聚類：(4a)根據(jù)新像素點Yδ的勢能函數(shù)，構(gòu)造新的相似度矩陣A為：新相似度矩陣A中的每一個元素Aij為：Aij=1i=j11+Δijdiji≠j,i=1,...,M,j=1,...,M其中Δij是新像素點Yi和Yj的強(qiáng)度差，其由Huber函數(shù)定義如下：Δij=dSRW2(Ti,Tj)dSRW(Ti,Tj)≤tt2+2×(dSRW(Ti,Tj)-t)dSRW(Ti,Tj)>tdij是新像素點Yi和Yj坐標(biāo)的歐式距離，t為常數(shù)，t取100，dSRW(Ti,Tj)為新像素點Yi和Yj的相似性度量，Ti和Tj分別是新像素點Yi和Yj的相干矩陣，dSRW(Ti,Tj)定義如下：dSRW(Ti,Tj)=12tr(Ti×Tj-1+Tj×Ti-1)-q其中q為常數(shù)，取值為q=3，tr(·)是矩陣的跡，(·)?1是矩陣的逆；(4b)根據(jù)新的相似度矩陣A，構(gòu)造拉普拉斯矩陣L：L=D-12AD-12其中D是對角矩陣對角矩陣D上的每一個元素Dij為：Dij=Σj=1MAiji=j0i≠j;(4c)對拉普拉斯矩陣L進(jìn)行特征值分解，得到前k個最大特征值對應(yīng)的特征向量x1,x2,...,xk，形成特征向量矩陣X＝[x1,x2,...,xk]，k為分類類別數(shù)；(4d)根據(jù)特征向量矩陣X得到規(guī)范化矩陣V：將規(guī)范化矩陣V中每一個元素Vθ，Z定義為：Vθ,Z=Xθ,Z(ΣZ=1kXθ,Z2)-12其中Xθ,Z是特征向量矩陣X第θ行第Z列的元素，θ=1,…，M，Z=1,…,k；(4e)用k?means算法對規(guī)范化矩陣V的行向量進(jìn)行聚類；(4f)對規(guī)范化矩陣V的行向量聚類后，當(dāng)規(guī)范化矩陣V的第θ行為第c類時，將規(guī)范化矩陣V的第θ行對應(yīng)的新像素點Yθ標(biāo)記為第c類，θ=1,…，M，c=1,…,k；(5)在M個區(qū)域上，將由新像素點Yδ所代表的區(qū)域標(biāo)記為與新像素點Yδ相同的類 別，完成對整幅圖像的預(yù)分類；(6)對預(yù)分類得到的整幅圖像用能反映極化SAR分布特性的Wishart分類器進(jìn)行迭代分類，得到更為準(zhǔn)確的分類結(jié)果。FDA00002307254700011.jpg,FDA00002307254700023.jpg,FDA00002307254700025.jpg...

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：焦李成，劉坤，郭衛(wèi)英，李婷婷，王爽，馬晶晶，馬文萍，劉亞超，侯小瑾，張濤，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：