本发明专利技术涉及一种基于随机相似性的全极化合成孔径雷达图像快速分类方法，包括：读入待分类的全极化合成孔径雷达图像；由目标相干矩阵求取目标的自随机相似参数rrrs以及散射相似alpha角参数αss；基于自随机相似参数rrrs将目标粗分为高、中、低三种散射随机情形；基于散射相似alpha角参数αss进一步将三种散射随机情形细分为八种不同的散射机制；用不同标记将待分类的全极化合成孔径雷达图像根据所做的划分加以标识，形成最终分类图。
【技术实现步骤摘要】
本专利技术涉及图像分类方法，特别涉及一种基于随机相似性的全极化合成孔径雷达 图像快速分类方法。
技术介绍
使用全极化合成孔径雷达探测复杂分布目标是当前遥感与地球科学的研究热点 之一。相比于传统单极化测量，全极化测量可获得更多目标散射信息，并将这些信息以相干 矩阵等形式存储起来，通过对这些矩阵进行分析和处理，有望实现对目标的理解和识别。 在已提出的所有分析和处理方法中，极化目标分解是当前关注最多且效果最好的 方法，现象学二分法、特征分解法以及模型分解法是常见的三类面向分布雷达目标的分解 方法。基于特征分解，Cloude和Pottier将分布目标分解为三个单目标之和(参见参考文献 1:"S.R.Cloude and E.Pottier，"An entropy based classification scheme for land applications of polarimetric SAR，〃IEEE Trans.Geosci.Remote Sens.,vol.35,no.1, pp.68-78 Jan. 1997"）。其中，分布目标的三个特征值表征三个单目标的散射功率，对应的 三个特征矢量表征三个单目标的散射机制。基于三变量Bernoulli统计散射模型，Cloude和 Pott ier发展出一个散射熵参数Η来描述分布目标的散射随机性。进一步利用该统计散射模 型，他们提出一个平均目标概念，并通过改进的Bragg散射α-β模型实现了对该平均目标的 统计参数估计，其中的平均alpha角参数能在统计意义下有效刻画原始分布目标的散射 机制。基于参数Η和a cp以及大量实测数据验证，Cloude和Pottier发展出著名的H/acp分类方 法，其将分布雷达目标有效划分为八类。该方法对现有的机载和星载全极化合成孔径雷达 数据都具有良好适用性，是极化遥感领域当前最流行且最成功的分类方法，已成为标准算 法广泛应用于各种场合。 尽管有效且通用，Η/~Ρ分类方法的一个最大缺陷是运行效率低，因为参数Η和acp 需通过对目标相干矩阵进行特征分解才能获得，而特征分解比较耗时。为了实现对一幅极 化合成孔径雷达图像的分类，我们需对所有像素位置处的目标相干矩阵都进行特征分解， 其产生的运算量可以想象。 并行于极化目标分解，基于散射相似性的目标刻画方法近期也受到了广泛应用和 关注。Yang等首先定义了两个单目标散射矩阵间的相似性（参见参考文献2: "J. Yang， Y.N. Peng , and S.M.Lin,^Similarity between two scattering matrices," Electron .Lett · , vo 1 · 37 ,no · 3 ,pp · 193-194 ,Feb · 2001"）；Chen等将该参数拓展至描述分布 目标与标准单目标散射体间的相似性(参见参考文献3: "Q. Chen，Y.Μ. Jiang，L. J. Zhao，and G.Y.Kuang,^Polarimetric scattering similarity between a random scatterer and a canonical scatterer，〃IEEE Geosci.Remote Sens .Lett.,vol.7,no.4,pp.866-869, Oct. 2010"），并发现分布目标与标准表面散射体间的相似性参数rrrcs与Cloude-Pottier的 a#参数有密切关系，因此可用于刻画分布目标散射机制（参见参考文献4 : "Q. Chen， G.Kuang,J.Li,L.Sui,and D.Li,^Unsupervised land cover/land use classification using PolSAR imagery based on scattering similarity，〃IEEE Trans.Geosci.Remote Sens ·，vol · 51，no · 3，pp · 1817-1825，Mar · 2013"）；基于Yang等和Chen等的工作，Li和Zhang 近期进一步发展出一个随机散射相似性参数（参见参考文献5:"D.Li and Y.Zhang，〃 Random similarity between two mixed scatterers，〃IEEE Geosci. Remote Sens .Lett ·，vol · 12，no. 12，pp. l_5，Dec · 2015"），用以描述任意两个雷达目标，特别是两个 分布雷达目标间的相似性。当两个待描述目标为同一目标时，所得到的自随机散射相似性 参数rrrjg直接刻画目标的散射随机性，故可替换熵Η参数实现对目标随机性的描述。 综上，基于随机相似性的rrrc^Prrrs参数可实现对Cloude-Pottier的Η和c^p参数 的替换，且它们的获取不需进行特征分解，计算效率非常高，因此其组合有望提供一种类似 于Η/α。』^目标分类方法，实现对复杂分布雷达目标的快速精确归类。
技术实现思路
本专利技术的目的在于克服已有的H/acp分类方法运行效率低、计算量大的缺陷，从而 提供一种计算效率高的分类方法。 为了实现上述目的，本专利技术提供了一种基于随机相似性的全极化合成孔径雷达图 像快速分类方法，包括： 步骤1)、读入待分类的全极化合成孔径雷达图像;其中，所述全极化合成孔径雷达 图像包括在每个像素位置处的目标相干矩阵； 步骤2)、由步骤1)所读入的目标相干矩阵求取目标的自随机相似参数rrrs以及散 射相似alpha角参数a ss;其中，自随机相似参数rrrs的计算公式为：散射相似alpha角参数ass的计算公式为： 所述Tu与Tu为目标相干矩阵中的元素； 步骤3)、基于步骤2)所得到的自随机相似参数rrrj#目标粗分为高、中、低三种散 射随机情形;其中，基于参数rrrs的三种随机散射情形划分如下：步骤4)、基于散射相似alpha角参数ass进一步将步骤3)所得到的三种散射随机情 形细分为八种不同的散射机制;其中，八种不同的散射机制包括： 其中，高随机散射情形被划分为Cl和C2两个区域，分别表征高随机性二面散射和 高随机性体散射；中随机散射情形被划分为C3、C4和C5三个区域，分别对应于中随机性二面 散射、中随机性体散射和中随机性表面散射;低随机散射情形被划分为C6、C7和C8三个区 域，分别表不低随机性二面散射、低随机性体散射和低随机性表面散射； 步骤5)、用不同标记将待分类的全极化合成孔径雷达图像根据步骤4)所做的划分 加以标识，形成最终分类图。 上述技术方案中，所述步骤5)进一步包括： 步骤5-1)、对待分类图像中的某一像素，基于该像素位置的目标T矩阵计算自随机 相似参数rrrs以及散射相似alpha角参数a ss; 步骤5-2)、然后基于两个参数判断目标位于哪种随机散射情形的哪个类别； 步骤5-3)、用赋予该类别的区分标记标识该像素位置； 步骤5-4)、对待分类图像中的所有像素均做步骤5-1)-步骤5-3)操作，得到最终分 类图。本专利技术的优点在于： 本专利技术的基于随机散射相似性的本文档来自技高网...
【技术保护点】
一种基于随机相似性的全极化合成孔径雷达图像快速分类方法，包括：步骤1)、读入待分类的全极化合成孔径雷达图像；其中，所述全极化合成孔径雷达图像包括在每个像素位置处的目标相干矩阵；步骤2)、由步骤1)所读入的目标相干矩阵求取目标的自随机相似参数rrrs以及散射相似alpha角参数αss；其中，自随机相似参数rrrs的计算公式为：rrrs=Σi=13Σj=13|Tij|2(Σi=13Tii)2;]]>散射相似alpha角参数αss的计算公式为：αss=cos-1(T11Σi=13Tii);]]>所述Tii与Tij为目标相干矩阵中的元素；步骤3)、基于步骤2)所得到的自随机相似参数rrrs将目标粗分为高、中、低三种散射随机情形；其中，基于参数rrrs的三种随机散射情形划分如下：步骤4)、基于散射相似alpha角参数αss进一步将步骤3)所得到的三种散射随机情形细分为八种不同的散射机制；其中，八种不同的散射机制包括：其中，高随机散射情形被划分为C1和C2两个区域，分别表征高随机性二面散射和高随机性体散射；中随机散射情形被划分为C3、C4和C5三个区域，分别对应于中随机性二面散射、中随机性体散射和中随机性表面散射；低随机散射情形被划分为C6、C7和C8三个区域，分别表示低随机性二面散射、低随机性体散射和低随机性表面散射；步骤5)、用不同标记将待分类的全极化合成孔径雷达图像根据步骤4)所做的划分加以标识，形成最终分类图。...
【技术特征摘要】
【专利技术属性】
技术研发人员：李东，张云华，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：北京;11
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。