【技术实现步骤摘要】
基于模糊粒子群和目标分解的极化SAR图像分类方法
本专利技术属于图像处理
,更进一步涉及图像处理和遥感
中的一种基于模糊粒子群和目标分解的极化合成孔径雷达(SyntheticApertureRadarSAR)图像分类方法。本专利技术可用于对极化合成孔径雷达SAR图像中不同目标的地物分类。
技术介绍
近年来,极化合成孔径雷达SAR已成为遥感领域最先进的传感器之一。到目前为止,极化合成孔径雷达SAR图像分类中基于特征的目标分解的无监督分类是极化合成孔径雷达SAR图像分类的重要分支。基于特征的目标分解一般而言就是把极化测量数据(散射矩阵、协方差矩阵、相干矩阵等)分解成各种不同的成分,这些成分可用于表征目标的散射或几何结构信息。目标分解的方法有很多,其中1997年Cloude和Pottier首次提出的基于特征值/特征适量分析的克劳德Cloude分解和2004年J.S.Lee等提出的弗瑞曼Freeman分解在极化合成孔径雷达SAR图像分类中应用最广泛。由于基于散射机理的极化合成孔径雷达SAR无监督分类方法具有与数据无关的优点,应用这种方法不需要知道数据的概率分布,不需要利用类别已知的数据进行训练,而且可以合理地解释结果的散射机理。因此基于散射机理的全极化合成孔径雷达SAR无监督分类方法得到了广泛的应用,基于散射机理的极化合成孔径雷达SAR无监督分类常用的特征分解有两种,克劳德Cloude分解和弗瑞曼Freeman分解。西安电子科技大学在其专利申请“基于Freeman分解和数据分布特征的极化SAR图像分类方法”(专利申请号:201210415131.7,公 ...
【技术保护点】
一种基于模糊粒子群和目标分解的极化SAR图像分类方法,包括如下步骤:(1)输入极化合成孔径雷达SAR图像数据的相干矩阵;(2)预处理:用李Lee滤波,对相干矩阵进行预处理,滤除极化合成孔径雷达SAR图像数据中的相干斑噪声;(3)提取散射特征:对预处理后的极化合成孔径雷达SAR图像数据的相干矩阵中每个像素点进行克劳德Cloude分解和弗瑞曼Freeman分解,得到散射特征散射熵和散射功率;(4)初始分类:根据散射熵H的范围和散射功率的类别,按照极化合成孔径雷达SAR图像数据的分类规则,将极化合成孔径雷达SAR图像数据分为八个初始类;其中,散射功率的类别有表面散射功率Ps,偶次散射功率Pd,体散射功率Pv;所述的极化合成孔径雷达SAR图像数据的分类规则如下:将散射功率为表面散射功率Ps、且散射熵H满足0<H≤0.5条件的像素点,划分为第一类;将散射功率为表面散射功率Ps、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第二类;将散射功率为表面散射功率Ps、且散射熵H满足0.9<H≤1条件的像素点,划分为第三类;将散射功率为偶次散射功率Pd、且散射熵H满足0<H≤0.5条件的像素点,划分 ...
【技术特征摘要】
1.一种基于模糊粒子群和目标分解的极化SAR图像分类方法,包括如下步骤:(1)输入极化合成孔径雷达SAR图像数据的相干矩阵;(2)预处理:用李Lee滤波,对相干矩阵进行预处理,滤除极化合成孔径雷达SAR图像数据中的相干斑噪声;(3)提取散射特征:对预处理后的极化合成孔径雷达SAR图像数据的相干矩阵中每个像素点进行克劳德Cloude分解和弗瑞曼Freeman分解,得到散射特征散射熵和散射功率;(4)初始分类:根据散射熵H的范围和散射功率的类别,按照极化合成孔径雷达SAR图像数据的分类规则,将极化合成孔径雷达SAR图像数据分为八个初始类;其中,散射功率的类别有表面散射功率Ps,偶次散射功率Pd,体散射功率Pv;所述的极化合成孔径雷达SAR图像数据的分类规则如下:将散射功率为表面散射功率Ps、且散射熵H满足0<H≤0.5条件的像素点,划分为第一类;将散射功率为表面散射功率Ps、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第二类;将散射功率为表面散射功率Ps、且散射熵H满足0.9<H≤1条件的像素点,划分为第三类;将散射功率为偶次散射功率Pd、且散射熵H满足0<H≤0.5条件的像素点,划分为第四类;将散射功率为偶次散射功率Pd、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第五类;将散射功率为偶次散射功率Pd、且散射熵H满足0.9<H≤1条件的像素点,划分为第六类;将散射功率为体散射功率Pv、且散射熵H满足0.5<H≤0.9条件的像素点,划分为第七类;将散射功率为体散射功率Pv、且散射熵H满足0.9<H≤1条件的像素点,划分为第八类;(5)优化初始类:(5a)设定模糊粒子群优化算法的参数;(5b)初始化粒子群,确定每个粒子最优位置和粒子群最优位置,将八个初始分类作为初始粒子群,将初始化粒子群中每个粒子的当前位置作为粒子最优位置,计算每个粒子的适应度值,比较所有粒子的适应度值的大小,筛选出适应度值最大的粒子,将其位置作为粒子群最优位置;(5c)采用隶属度公式,计算极化合成孔径雷达SAR图像数据的第j个像素yj对粒子群中第i个粒子vi的隶属度μij,其中i=1,2,……,8;比较八个隶属度的大小,从中找出最大的隶属度μmj,将极化合成孔径雷达SAR图像数据的像素yj划分到最大隶属度μmj的第m个分类中;(5d)计算本次迭代中每个粒子的适应度值,如果本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值,则将本次迭代的粒子位置作为粒子最优位置,否则,将上一次迭代的粒子最优位置作为粒子最优位置;比较所有粒子最优位置的适应度值大小,如果最大的适应度值大于上一次迭代的粒子群最优位置的适应度值,则将适应度最大的粒子位置作为粒子群最优位置,否则将上一次迭代的粒子群最优位置作为粒子群最优位置;(5e)采用粒子飞行速度和位置更新方法,更新本次迭代中粒子的飞行速度和位置,得到新一代的粒子,迭代次数加1;(5f)判断迭代次数是否达到20次,若是,则执行步骤(6),否则,执行步骤(5c);(6)最终分类:(6a)将粒子群中优化后的粒子作为极化合成孔径雷达SAR图像数据中像素的初始分类,按照下式,计算极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离:其中,d(<T>,ci)表示极化合成孔径雷达SAR图像数据中每个像素点到第i个分类ci的复威舍特Wishart距离,T表示预处理后的相干矩阵,<·>表示按视数取平均操作,ci表示极化合成孔径雷达SAR图像数据中像素的第i个分类,i表示分类个数,i=1,2,……,8,[ci]表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci的行列式,表示对第i个分类ci求逆,表示取矩阵的迹,表示极化合成孔径雷达SAR图像数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积;(6b)比较极化合成孔径雷达SAR图像数据中像素点到第a和第b个分类的复威舍特Wishart距离的大小,如果极化合成孔径雷达SAR图像数据中像素点离第a个分类的复威舍特Wishart距离小,则划分到第a个分类中;如果极化合成孔径雷达SAR图像数据中像素点离第b个分类的复威舍特Wishart距离小,则划分到第b个分类中,a,b=1,2,……,8,a≠b,完成最终分类;(7)输出分类结果。2.根据权利要求1所述的基于模糊粒子群和目标分解的极化SAR图像分类方法,其特征在于,步骤(3)中所述的克劳德Cloude分解的具体步骤如下:第一步,计算极化合成孔径雷达SAR图像数据相干矩阵的每个特征值在特征值的总值中所占的比例:其中,ph表示极化合成孔径雷达SAR图像数据相干矩阵的第h个特征值在特征值的总值中所占的比例,λh表示预处理后极化合成孔径雷达SAR图像数据相干矩阵的第h个特征值,h表示预处理后极化合成孔径雷达SAR图像数据相干矩阵的特征值个数,h=1,2,3;第二步,计算极化合成孔径雷达SAR图像数据中每个像素的散射特征散射熵:其中,H表示极化合成孔径雷达SAR图像数据中每个像素的散射熵,ph表示第h个特征值在特征值的总值中所占的比例,h表示预处理后相干矩阵的特征值个数,h=1,2,3。3.根据权利要求1所述的基于模糊粒子群和目标分解的极化SAR图像分类方法,其特征在于,步骤(3)中所述的弗瑞曼Freeman分解的具体步骤如下:第一步,计算极化合成孔径雷达SAR图像数据中每个像素散射功率的权重:其中[T]表示经过滤波后的极化合成孔径雷达SAR图像数据矩阵,α表示极化合成孔径雷达SAR回波反射过程中垂直和水平极化波的幅度衰减及相位变化的复参数,α*表示α的共轭,β表示极化合成孔径雷达SAR波的垂直发射垂直接收和水平发射水平接收的后向散射...
【专利技术属性】
技术研发人员:焦李成,刘芳,文雯,马文萍,马晶晶,王爽,侯彪,李阳阳,刘静,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。