基于各向异质性的快速极化SAR图像分割方法技术

本发明专利技术公开了一种基于各向异质性的快速极化SAR图像分割方法，属于极化合成孔径雷达图像处理技术领域，适用在极化分类中超像素形成、相干矩阵T精确估计和极化初始分类结果后处理，思路为：获取极化SAR图像，极化SAR图像包括M×N个像素点；M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵，将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量，进而得到M×N×9维三维矩阵；依次计算极化SAR图像中M×N个像素点在D个方向模板的Wishart距离和M×N个像素点的各项异质性系数；对M×N个像素点的各项异质性系数进行初始分割，得到一个与极化SAR图像大小相同的M×N维矩阵，令其为M×N维Label矩阵；对M×N维Label矩阵进行区域融合，得到极化SAR图像的超像素分割图。

【技术实现步骤摘要】
基于各向异质性的快速极化SAR图像分割方法
本专利技术属于极化合成孔径雷达图像处理
，特别涉及一种基于各向异质性的快速极化SAR图像分割方法，适用在极化分类中超像素形成、相干矩阵T精确估计和极化初始分类结果后处理。
技术介绍
极化合成孔径雷达技术是现代雷达遥感测量测绘中一项前沿的技术，相对于一般SAR图像仅有幅度和相位信息，极化合成孔径雷达具有4个通道HH、HV、VH、VV能够提供更加丰富的散射信息来进行地物的解译，而极化SAR地物分类是极化SAR应用的一项主要研究内容；如今极化SAR分类方法能大致分为两类：(1)基于像素点的分类；(2)基于区域块的分类；基于区域块的分类是基于一种面向对象的思想，在极化地物分类中有着重要的应用和极大的潜力；相对于传统的基于像素点的极化SAR图像分类，基于区域块的分类有着更好的抗噪能力，且在测绘应用中有着更好的解译表达；但是，基于区域块的分类算法必须预先生成合适匀质的区域，因此如何生成合适的超像素分割得到了越来越多的关注。超像素在极化SAR地物分类中大致有如下三种用处：一般来说，匀质地物应该满足反射对称性的假设，在实际情况中，分布目标却不一定满足反射对称性，其解决办法可以为将极化SAR图像预先分割成匀质小块，再在小块中得到精确的估计相干矩阵；其次超像素分割作为极化领域的预处理技术，应该有快速的运算速度，高度的边缘贴合度，不存在过分割和欠分割等现象；高度的边缘贴合度以及适当的分割大小使得极化SAR的初始分类结果可以在超像素中进行投票，让优化后的结果有着更高的分类准确率以及更好的解译应用价值；并且，在居民区等区域，极化SAR图像上的功率，极化散射机理的波动十分密集，这会使超像素分割更加紧密，所以超像素的初始分类结果本身也可以分类中的一种纹理信息，来进行地物的初级分类和识别。极化SAR图像由于受到相干斑噪声的影响，光学图像中现有的边缘检测算法，超像素形成等算法在应用到雷达图像中时往往得不到理想的效果；但借鉴于光学图像的算法，国内外有很多学者提出了改进后的SAR图像和极化SAR图像分割算法；现有的算法主要分为两种：(1)基于图论的切割；(2)基于梯度的切割；这两类算法都牵涉到大量重复地计算一对像素点上信息之间的距离，并且往往涉及到运算复杂的矩阵分解运算或者迭代运算；极化SAR图像在同一像素点上，比单通道的SAR图像多了近8倍的数据量，这使得现有的极化超像素形成算法往往面临着难以忍受的时间复杂度；无论是对于极化分类软件产品的开发及调试，还是对于软件客户的使用，都是无法承受的时间成本。FachaoQin在文章“SuperpixelSegmentationforPolarimetricSARImageryUsingLocalIterativeClusterring”(IEEEGEOSCIENCEANDREMOTESENSINGLETTERS,VOL.12,NO.1,JANUARY2015)中利用类似于k-means的思想，结合Wishart距离，首先事先设置要分割出的块数，在图中等距生成每一块中心的种子点，然后利用旋转模板和Wishart距离，将种子点转移到邻域中梯度最小的像素中；移动后的种子点将四周一定边长的区域看成是其一类，重新计算该区域的平均相干矩阵；接着对每一个像素进行聚类，其过程为：判断这个像素到四角边上种子点类别的距离大小，其距离同时考虑了T矩阵的Wishart距离和像素坐标的欧氏距离，通过一个Scaling系数进行相加，该像素选取距离最近的种子点作为该像素的类别；在全部像素第一次聚类完成后，往往要进行多次的迭代，需要事先设定好迭代次数或者迭代终止条件；最后对面积小于一定阈值的超像素块进行合并；然而，该方法的分类效果取决于初始的种子点生成，若地物细节比较多，初始种子点必须设置的非常密集才能保证每一块区域的中心至少有一个种子点，这样才能使得分割效果比较成功；并且多次的迭代，重复的计算Wishart距离和密集的种子点增加了循环的次数，使得该算法的运算时间难以忍受；在AirSAR机载数据Flevoland图像大小为750*1024中，设置种子点为5500，迭代次数设置为10，最终分割的时间为24分钟。然而，该方法的分类效果取决于初始的种子点生成，若地物细节比较多，初始种子点必须设置的非常密集才能保证每一块区域的中心至少有一个种子点，这样才能使得分割效果比较成功。并且多次的迭代，重复的计算Wishart距离和密集的种子点增加了循环的次数，使得该算法的运算时间难以忍受。KaanErsahin在文章“SegmentationandClassificationofPolartimetricSARDataUsingSpectralGraphPartitioning”中(IEEETRANSACTIONONGEOSCIENCEANDREMOTESENSING,AcceptedforpublicationMay8,2009)中也考虑了T矩阵的Wishart距离和像素间的欧氏距离，对每个像素点建立无向连接图，并用权值矩阵W保存并表示像素之间“亲密程度”，利用Nomalizedcut对图进行切割，具体的方法为将NP难的分割问题转换为近似的瑞利熵求解问题，利用矩阵的特征分解来进行近似求解；然而，矩阵分解的时间复杂度是O(N^3)的，建立权值矩阵要进行O(N^2)次的Wishart距离运算，一个图像中的点数N往往是百万级的，所以分割要进行对图像分块处理，再来进行子图的分割；然而即便是这样，该方法也要事先设置好子图的切分块数，否则会严重影响切割效果。BinLiu在文章“Superpixel-BasedClassificationWithanAdaptiveNumberofClassesforPolarimetricSARImages”中详细讨论了如何自动设置子图中分割块数和估计类别数目的方法，该方法将不相似矩阵转换成一种不相似图像，再将该图像投影成一阶信号，通过信号的一阶求导确定谱峰的个数，从而确定子图初始切割个数，取得了较好的效果，然而该算法复杂度太高，并且难以实现，对内存的开销也是颇为可观；回过头看，即使是100*100的子图，也会导致不相似矩阵达到10000*10000的规模，这样再进行矩阵的特征分解会严重影响分割的速度。
技术实现思路
针对上述现有技术存在的不足，本专利技术的目的在于提出一种基于各向异质性的快速极化SAR图像分割方法，该种基于各向异质性的快速极化SAR图像分割方法在现有的极化SAR图像纯功率分割无法区分功率相近的地物，而考虑极化信息的分割技术由于数据量过大，运算量难以并行，导致时间成本过高，研发人员或者软件使用人员难以忍受的情况下提出了一种新的极化SAR图像分割技术，通过对每个像素计算其8个方向模板的梯度值来描述该像素的匀质性，然后通过一定门限抑制噪声后采取分水岭算法得到初始的划分结果，最后通过像素块建立区域邻近图，使用相似性度量进行超像素合并得到最终的分割效果。本专利技术极大的节省了极化SAR图像分割时间，在AirSAR机载数据Flevoland(图像大小为750*1024)中，最终分割的时间仅为20s左右，相比其他已有的高引用量论文里的方法速度提高了数十倍，并且具有高度的本文档来自技高网...

【技术保护点】
1.一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，包括以下步骤：步骤1，获取极化SAR图像，极化SAR图像包括M×N个像素点；M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵，每个像素点沿极化SAR图像分别设置D个方向模板；D为设定正整数；将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量，进而得到M×N×9三维矩阵；步骤2，根据M×N×9三维矩阵，计算极化SAR图像中M×N个像素点在D个方向模板的Wishart距离；步骤3，根据像素点(x,y)在D个方向模板的Wishart距离，得到像素点(x,y)的非线性映射值；其中，1≤x≤M,1≤y≤N；步骤4，根据像素点(x,y)的非线性映射值，得到像素点(x,y)的各项异质性系数；步骤5，遍历极化SAR图像中的M×N个像素点，重复步骤3和步骤4，进而得到M×N个像素点的各项异质性系数；步骤6，使用分水岭算法对M×N个像素点的各项异质性系数进行初始分割，得到一个与极化SAR图像大小相同的M×N维矩阵，令其为M×N维Label矩阵；步骤7，对M×N维Label矩阵进行区域融合，进而得到极化SAR图像的超像素分割图，所述极化SAR图像的超像素分割图为基于各向异质性的快速极化SAR图像分割结果。...

【技术特征摘要】
1.一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，包括以下步骤：步骤1，获取极化SAR图像，极化SAR图像包括M×N个像素点；M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵，每个像素点沿极化SAR图像分别设置D个方向模板；D为设定正整数；将极化SAR图像中M×N个像素点对应的三阶相干T矩阵按列拼接成列向量，进而得到M×N×9三维矩阵；步骤2，根据M×N×9三维矩阵，计算极化SAR图像中M×N个像素点在D个方向模板的Wishart距离；步骤3，根据像素点(x,y)在D个方向模板的Wishart距离，得到像素点(x,y)的非线性映射值；其中，1≤x≤M,1≤y≤N；步骤4，根据像素点(x,y)的非线性映射值，得到像素点(x,y)的各项异质性系数；步骤5，遍历极化SAR图像中的M×N个像素点，重复步骤3和步骤4，进而得到M×N个像素点的各项异质性系数；步骤6，使用分水岭算法对M×N个像素点的各项异质性系数进行初始分割，得到一个与极化SAR图像大小相同的M×N维矩阵，令其为M×N维Label矩阵；步骤7，对M×N维Label矩阵进行区域融合，进而得到极化SAR图像的超像素分割图，所述极化SAR图像的超像素分割图为基于各向异质性的快速极化SAR图像分割结果。2.如权利要求1所述的一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，在步骤1中，所述M×N个像素点中每个像素点上分别对应1个三阶相干T矩阵，还包括：将像素点(x,y)上对应的三阶相干T矩阵记为T(x,y)，其表达式为：其中，1≤x≤M，1≤y≤N；将像素点(x,y)上对应的三阶相干T矩阵T(x,y)中第i行第j列元素记为Tij(x,y)，1≤i≤3,1≤j≤3；所述M×N×9三维矩阵，还包括：像素点(x,y)上对应的三阶相干T矩阵T(x,y)由一个3×3维矩阵拼接成列向量，记为像素点(x,y)的列向量[T11(x,y),T12(x,y),T13(x,y),T21(x,y),T22(x,y),T23(x,y),T31(x,y),T32(x,y),T33(x,y)]T，1≤x≤M，1≤y≤N。3.如权利要求2所述的一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，在步骤1中，所述每个像素点沿极化SAR图像分别设置D个方向模板，具体为：在像素点(x,y)处沿极化SAR图像设置D个方向模板，每个方向模板分别由两个长方形的单方向模板组成，且将第rot个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角记为θrot，rot＝1,2,…,D；进而分别得到第1个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角θ1至第D个方向模板内两个长方形的单方向模板中心线和极化SAR图像之间的夹角θD，且对于第rot个方向模板内两个长方形的单方向模板中心线，在像素点(x,y)处做垂线、在距离所述中心线设定间距处存在两个对称于所述中心线的长方形单方向模板，记为像素点(x,y)在θrot方向的两个长方形的单方向模板；其中令设定间距为d，两个对称于所述中心线的长方形单方向模板长和宽分别为l和w，像素点(x,y)在θrot方向的两个长方形的单方向模板记为像素点(x,y)在θrot方向的左模板和像素点(x,y)在θrot方向的右模板；对极化SAR图像中像素点(x,y)在θrot方向的左模板内所有像素点和像素点(x,y)在θrot方向的右模板内所有像素点分别进行均值滤波，进而得到像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵TL(x,y,θrot)和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵TR(x,y,θrot)。4.如权利要求3所述的一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，在步骤2中，将所述极化SAR图像中M×N个像素点在D个方向模板的Wishart距离中像素点(x,y)的D个方向模板的Wishart距离记为dw(x,y)，其得到过程为：2.1根据像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵TL(x,y,θrot)和像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵TR(x,y,θrot)，计算像素点(x,y)在θrot方向的Wishart距离dw(x,y,θrot)，其计算公式为：dw(x,y,θrot)＝(NL+NR)ln|TLR(x,y,θrot)|-NLln|TL(x,y,θrot)|-NRln|TR(x,y,θrot)|其中，TLR(x,y,θrot)表示像素点(x,y)在θrot方向的转换平均T矩阵，且TLR(x,y,θrot)＝(TL(x,y,θrot)+TR(x,y,θrot))/2，1≤x≤M,1≤y≤N,rot＝1,2,3,...,D，TL(x,y,θrot)表示像素点(x,y)在θrot方向的左模板内所有像素点的平均T矩阵，TR(x,y,θrot)表示像素点(x,y)在θrot方向的右模板内所有像素点的平均T矩阵，NR表示像素点(x,y)在θrot方向的右模板内像素点个数，NL表示像素点(x,y)在θrot方向的左模板内像素点个数，||表示矩阵的行列式计算，ln表示底数为e的对数；2.2令θrot分别取θ1至θD，重复执行2.1,进而分别得到像素点(x,y)在θ1方向的Wishart距离dw(x,y,θ1)至像素点(x,y)在θD方向的Wishart距离dw(x,y,θD)，记为像素点(x,y)在D个方向模板的Wishart距离dw(x,y)。5.如权利要求4所述的一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，在步骤3中，所述像素点(x,y)的非线性映射值为g(x,y)，其计算过程为：其中，∏为连乘符号，l表示像素点(x,y)在θrot方向的两个长方形的单方向模板的长，w表示像素点(x,y)在θrot方向的两个长方形的单方向模板的宽。6.如权利要求5所述的一种基于各向异质性的快速极化SAR图像分割方法，其特征在于，在步骤4中，所述像素点(x,y)的各项异质性系数为gF(x,y)，其表达式为：其中，...

【专利技术属性】
技术研发人员：索志勇，方愚渊，张海瀛，解金卫，李真芳，
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