基于模糊粒子群和目标分解的极化SAR图像分类方法技术

本发明专利技术公开了一种基于模糊粒子群和目标分解的极化SAR图像分类方法，其实现步骤为：(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；(3)提取散射特征；(4)初始分类；(5)优化初始类；(6)最终分类；(7)输出分类结果。本发明专利技术采用极化SAR图像数据目标分解特征的分类方法，克服了现有技术因不能充分利用其特征信息而产生的极化SAR图像分类边缘模糊，使得本发明专利技术分类后的极化合成孔径雷达SAR图像的边缘更加清晰，减少复威舍特Wishart的迭代次数，降低计算复杂度，提高了分类效率。本发明专利技术可用于极化SAR图像中不同目标的地物分类。

【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，公开号：CN102968640A)中提出基于Freeman分解和数据分布特征的极化合成孔径雷达SAR图像分类方法。这种方法首先对极化合成孔径雷达SAR数据进行Freeman分解，并根据散射功率主分量将极化合成孔径雷达SAR数据分为三类，然后根据分布特征参数值再将上述三类各分为三类，最后根据八个初始分类中心进行复Wishart迭代得到最终分类结果。该方法存在的不足是，只注意了分类复杂度的提高问题而忽略了初始八分类结果的优化问题，导致分类结果不够精确。西安电子科技大学在其专利申请“基于Cloude分解和K_wishart分布的极化SAR图像分类方法”(专利申请号：201210414789.6，公开号：CN102999761A)中提出了一种Cloude解和K_wishart分布的极化合成孔径雷达SAR图像分类方法。这种方法首先对极化合成孔径雷达SAR数据进行Cloude分解，根据分解得到散射熵H和散射角α进行初始8分类，然后根据8个初始分类中心进行K_wishart迭代得到分类结果。该方法存在的不足是，虽然该方法提高了分类精确度，但由于多次进行K_wishart迭代导致运算复杂度大大增加。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，在Cloude_Wishart分类方法的基础上提出一种基于模糊粒子群和目标分解的极化SAR图像分类方法，用融合模糊粒子群算法优化的传统H/α_Wishart极化合成孔径雷达SAR图像数据分类方法的初始聚类中心，再使用复威舍特Wishart聚类方法将极化合成孔径雷达SAR图像数据进行分类，最终分类结果，实现地物分类。该方法既能保留了分类结果的物理散射信息，又能实现有效的地物分类，并且使分类结果更加清晰。本专利技术实现上述目的的思路是：首先输入极化合成孔径雷达SAR图像数据，滤除相干斑极化合成孔径雷达SAR图像数据的相干斑噪声。其次根据散射熵H和散射功率(表面散射功率主分量PS，偶次散射功率主分量Pd和体散射功率主分量Pv)将极化合成孔径雷达SAR图像数据分为八类，并得到八个分类。然后利用模糊粒子群算法对初始聚类中心进行优化，得到新的聚类中心。最后通过复威舍特Wishart聚类方法得到最终分类结果。本专利技术的具体步骤包括如下：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>本文档来自技高网...

【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：d(<T>,ci)=ln[ci]+Tr(ci-1<T>)]]>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。...

【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