一种遥感图像地面场景分类方法技术

一种遥感图像地面场景分类方法，包括以下步骤：针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；对极化相干矩阵进行

A Classification Method for Ground Scene of Remote Sensing Images

【技术实现步骤摘要】
一种遥感图像地面场景分类方法
本专利技术属于遥感图像解译领域，具体涉及一种遥感图像地面场景分类方法，基于邻域中像素的空间相关特性，利用马尔科夫模型在特定的邻域内建立类别的先验概率，并在此基础上结合空间信息进行遥感图像分类，从而为图像内容分析以及场景分类提供类别属性信息。
技术介绍
极化SAR图像分类是遥感图像解译中最为重要的研究内容。在极化SAR应用中，很多情况下需要将图像划分为不同的区域。例如，在农作物评估中需要区分不同的作物类型，在地理制图、城市规划应用中，需要区分不同类型的地物。分类的结果还可以用于目标检测和识别以及变化检测等领域，也可以直接作为最终输出，为用户和决策者提供实时准确的类别和情报信息。考虑到雷达遥感图像相干斑噪声的特点，基于区域/对象的分析和处理方法已经成为极化SAR遥感图像解译的热点，而获取准确可靠的目标地物分类结果则是后续处理和应用的关键。基于统计模型的极化SAR图像分类方法是当前研究的主要内容，该类方法考虑极化SAR数据的统计随机性，利用相干斑噪声的统计特性来构建特定的距离函数或相似性度量。在中低分辨率情况下，极化SAR数据常常假设满足高斯统计特性，这种统计分布能够较好地描述分布式目标和均匀区域的后向散射。现阶段，SAR和极化SAR系统可以实现高分辨成像，分辨率已经达到米级甚至亚米级。然而空间分辨率的提高以及纹理的出现使极化SAR数据的统计特性发生改变，表现出明显的非高斯特性。另外，在城区等非匀质区域，存在混杂的相干散射和非相干散射，导致该区域的后向散射特性很难去建模。这给极化SAR图像的地物准确分类带来了新的挑战，传统的基于高斯统计特性的方法不能得到满意的结果。因此，对高分辨极化SAR数据进行精准分类值得进一步深入研究。常规的极化SAR图像分类方法一般只使用单个像素的统计特性和/或散射特性，而忽视了图像的空域信息。空域信息指图像像素在空间域上形成某种固有模式所提供的信息，主要包括空间相关性、纹理、边缘、区域等信息。由于目标和地物的结构特性往往体现在图中的空间分布上，因此空域信息能为极化SAR图像分类和分割提供辅助信息，有效弥补单个像素所含信息的不足。例如，邻域中的空间自相关信息能够有效抑制相干斑噪声的影像，去除最终分类结果的“椒盐”噪声效应。纹理信息、边缘信息可以和极化散射信息结合，用于提高SAR遥感图像分类的精度。充分挖掘极化SAR图像中的空域信息，并将其与极化统计特性和散射特性进行有效结合，对于提升图像解译特别是地物分类的效果具有重要意义。同时，这方面的研究尚有许多难点有待突破。Markov随机场(MarkovRandomField,MRF)理论是引入空间相关性的基本方法。基于Markov依赖假设，MRF考虑周围像素对当前像素的影响，通过贝叶斯理论构建像素类别的先验概率。其中，迭代条件模型(IteratedConditionalModes,ICM)是最常用的一种MRF方法，该方法求取局部最优解代替全局最优解，能简化计算，且具有较好的鲁棒性。在SAR和极化SAR图像分类中，使用MRF的方法得到了较为平滑的结果。然而，传统的MRF分析使用固定的邻域结构，经常导致过平滑的现象，一些空间细节特征变得模糊。为了解决这个问题，一些自适应MRF(AdaptiveMRF,AMRF)方法采用自适应的邻域和参数，能够较好保留图像的细节特征，而条件随机场(ConditionalRandomField,CRF)是MRF的一种变体，在SAR和极化SAR图像处理中取得了一定的应用。
技术实现思路
本专利技术的目的在于针对上述现有技术中的问题，提供一种遥感图像地面场景分类方法，着重对极化SAR图像极化目标分解进行分析和研究，通过MRF在特定的邻域内建立类别的先验概率，克服分类边界不确定造成的影响，有效的提升地物分类效果。为了实现上述目的，本专利技术采用的技术方案包括以下步骤：针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；对极化相干矩阵进行分解，得到极化散射熵H、各向异性度A以及平均散射角计算极化SAR图像的span图像，并在此基础上设计图像自适应邻域；基于图像自适应邻域，设计自适应平滑系数，并构建MRF先验能量函数；将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，使极化SAR图像逐像素归类到具有最大隶属度的类别。构建其极化协方差矩阵和极化相干矩阵的具体过程如下：将雷达极化散射矩阵表示为其中，H和V分别表示水平极化和垂直极化，SPQ(P,Q＝H,V)为以Q极化方式发射、P极化方式接收时，散射矩阵的目标后向复散射系数，在满足互易定理的后向散射情况下则有SHV＝SVH；Pauli散射矢量的表达式如下：式中，上标T表示矩阵转置；极化相干矩阵的表达式如下：式中，上标表示矩阵的共轭转置，上标*表示复共轭；极化协方差矩阵的表达式如下：其中，对极化相干矩阵进行分解的具体过程如下：通过对相干矩阵T进行特征值或特征向量分解，构造一个简单的统计模型，将T扩展为三个独立目标的响应之和，每一个目标都对应一个散射机制，由单位特征向量ui确定，并且相应的特征值λi代表该散射机制在整个散射过程中的比重；分解过程的表达式为：极化散射熵H表征分解得到的不同散射类型在统计意义上的无序程度，表达式如下：其中其中，Pi为第i种散射类型出现的伪概率，则极化熵H的取值范围是0≤H≤1；定义极化各向异性度A来表明λ2和λ3之间的关系，表达式为：式中，A的取值范围是0≤A≤1；平均散射角定义为：当αi＝0°时，目标散射对应于表面散射，随着逐渐增大，散射机理变为布拉格表面散射；当αi＝45°则代表偶极子散射，随后散射类型变为两个介质表面的二次散射，当αi＝90°的极端情况下变为金属表面的二面角散射。极化SAR遥感图像的后向散射总功率span计算式为：span＝|Shh|2+2|Shv|2+|Svv|2＝Tr(C)＝Tr(T)，选取span图像中具有最小方差的邻域进行马尔科夫模型分析，MRF的平滑效应被限定在选定的邻域内。基于选定的邻域ηs及自适应的平滑系数ψsr构建MRF先验能量函数U(·)，其表达式如下：其中，|ηs|和bs分别为邻域空间的尺寸和匀质度量；平滑系数ψsr的计算公式如下：其中，Lc是像素s的当前类别，表示该像素属于类别Lc的模糊归属度。根据定义在平面上的二维模糊归属函数获得最初模糊归属度的值表示像素s属于类别k的比例因子，且满足在此基础上计算出最初的聚类中心然后使用模糊C均值聚类算法对模糊归属度的值进行迭代和优化。迭代的步骤如下：首先，计算像素s的相干矩阵<Ts>与类别k聚类中心之间的Wishart距离：基于得到的Wishart距离，对模糊归属度进行更新：其中，mc是一个常量，ρ(·)是Huber函数：通过与空间相关信息结合，生成增强的模糊归属度：其中，为局部AMRF分析所提取出的先验概率；最后，基于增强的模糊归属度，对聚类中心进行更新：与现有技术相比，本专利技术具有如下的有益效果：通过将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，最后使极化SAR图像逐像素归类到具有最大隶属度的类别。该模糊C均值分本文档来自技高网...

【技术保护点】
1.一种遥感图像地面场景分类方法，其特征在于，包括以下步骤：针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；对极化相干矩阵进行

【技术特征摘要】
1.一种遥感图像地面场景分类方法，其特征在于，包括以下步骤：针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；对极化相干矩阵进行分解，得到极化散射熵H、各向异性度A以及平均散射角计算极化SAR图像的span图像，并在此基础上设计图像自适应邻域；基于图像自适应邻域，设计自适应平滑系数，并构建MRF先验能量函数；将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，使极化SAR图像逐像素归类到具有最大隶属度的类别。2.根据权利要求1所述的遥感图像地面场景分类方法，其特征在于：构建其极化协方差矩阵和极化相干矩阵的具体过程如下：将雷达极化散射矩阵表示为其中，H和V分别表示水平极化和垂直极化，SPQ(P,Q＝H,V)为以Q极化方式发射、P极化方式接收时，散射矩阵的目标后向复散射系数，在满足互易定理的后向散射情况下则有SHV＝SVH；Pauli散射矢量的表达式如下：式中，上标T表示矩阵转置；极化相干矩阵的表达式如下：式中，上标表示矩阵的共轭转置，上标*表示复共轭；极化协方差矩阵的表达式如下：其中，3.根据权利要求2所述的遥感图像地面场景分类方法，其特征在于：对极化相干矩阵进行分解的具体过程如下：通过对相干矩阵T进行特征值或特征向量分解，构造一个简单的统计模型，将T扩展为三个独立目标的响应之和，每一个目标都对应一个散射机制，由单位特征向量ui确定，并且相应的特征值λi代表该散射机制在整个散射过程中的比重；分解过程的表达式为：极化散射熵H表征分解得到的不同散射类型在统计意义上的无序程度，表达式如下：其中其中，Pi为第i种散射类型出现的伪概率，则极化熵H的取值范围是0≤H≤1；定义极化各向异性度A来表明λ2和λ3之间的关系，表达...

【专利技术属性】
技术研发人员：项德良，王世晞，张亮，徐建忠，
申请(专利权)人：杭州世平信息科技有限公司，
类型：发明
国别省市：浙江,33