一种多尺度极化SAR图像地物分类方法技术

本发明专利技术涉及一种多尺度极化SAR图像地物分类方法，属于雷达图像处理技术领域。首先，通过局部加权估计方法避免过平滑问题，并利用区域协方差矩阵从杂波散射机理和人眼视觉的角度分别提取目标分解特征和空间结构特征。然后，在K

【技术实现步骤摘要】
一种多尺度极化SAR图像地物分类方法


[0001]本专利技术属于雷达图像处理
，涉及一种多尺度极化SAR图像地物分类方法，该技术用于机载、星载或弹载极化SAR雷达对地观测时的极化SAR图像解译任务。

技术介绍

[0002]极化合成孔径雷达(synthetic aperture radar，SAR)具有全天时、全天候工作能力，被广泛应用于城市建筑分析、国土利用情况监测等民用领域和敌方目标识别、战争态势感知等军用领域。极化SAR通过发射和接收多种类型的极化电磁波，使得地面物体的后向散射特性在极化域上具备可区分的自由度，从而提供雷达观测场景内极化SAR图像解译所需的丰富信息。
[0003]目前，传统极化SAR图像往往仅利用像素或局部区域等作为样本，其容易受相干班噪声影响或无边缘保持能力，即传统方法所用样本数据尺度的单一性无法解决非边缘区平滑不足与边缘过平滑的矛盾问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是：
[0005]针对传统极化SAR图像地物分类方法无法解决非边缘区平滑不足与边缘过平滑的矛盾问题，本专利技术提出一种多尺度极化SAR图像分类方法，结合极化SAR图像多尺度信息进行样本聚类中心加权估计与更新，克服了单一尺度带来的相干斑噪声、非边缘区平滑不足与边缘过平滑的矛盾问题，不仅能够获得令人满意的地物分类结果，而且还具有较强的边缘保持能力。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：
[0007]一种多尺度极化SAR图像地物分类方法，其特征在于包括
[0008]通过加权估计的方式估计极化相干矩阵；
[0009]基于极化相干矩阵从杂波散射机理和人眼视觉角度分别提取目标分解特征和空间结构特征，根据特征构造区域协方差矩阵；
[0010]初始化场景中地物类别与聚类中心，计算区域协方差矩阵与聚类中心的距离并聚类；
[0011]构造像素的多尺度混合权，根据区域协方差矩阵和多尺度混合权更新聚类中心；
[0012]根据多尺度混合权和更新后的聚类中心计算聚类目标函数，通过判定前后两次目标函数差值是否满足阈值，如果满足则停止，完成极化SAR图像分类。
[0013]本专利技术进一步的技术方案：通过加权估计的方式估计极化相干矩阵具体为：
[0014][0015][0016]式中，d(p,q)＝||k
p
‑
k
q
||
F
表示像素p与像素q之间的相似性测度，k
q
、k
p
分别表示像素p与像素q的极化散射矢量，σ
p
为一尺度参数，Ω
p
为像素q的邻域。
[0017]本专利技术进一步的技术方案：所述根据特征构造区域协方差矩阵具体为：
[0018]像素p处的局部邻域由大小为w
×
w的空间窗内w2个像素构成，则像素p处的区域协方差矩阵为：
[0019][0020]式中，f
q
为像素q的特征矢量，包含从杂波散射机理和人眼视觉角度分别提取目标分解特征和空间结构特征，为局部邻域内特征矢量的均值。
[0021]本专利技术进一步的技术方案：所述区域协方差矩阵与聚类中心的距离表示为：
[0022][0023]其中，(
·
)
T
表示转置操作符，Tr(
·
)表示求迹操作符，表示为第p个杂波样本区域协方差矩阵R
p
与第l类杂波聚类中心间的距离测度。
[0024]本专利技术进一步的技术方案：构造像素的多尺度混合权具体为：
[0025]W(p)＝W
class
(p)
·
W
region
(p)
·
W
pixel
(p)
[0026]其中，
[0027][0028][0029][0030]其中，Num(class＝l)为在局部大尺度邻域内第l类杂波的样本个数，Num(class＝l
p
)为局部大尺度邻域内与第p个杂波样本具有相同杂波类型的样本个数，D
region
(R
p
,R
q
)为邻域内第q个区域与区域p的距离，为局部大尺度邻域内杂波类型为l
p
的区域个数，对应的为局部大尺度邻域内杂波类型与l
p
不同的区域个数，D
pixel
(p,q)为像素p与像素q间多特征矢量间的相似性距离。
[0031]本专利技术进一步的技术方案：根据区域协方差矩阵和多尺度混合权更新聚类中心具体为：
[0032][0033]本专利技术进一步的技术方案：根据多尺度混合权和更新后的聚类中心计算聚类目标函数具体为：
[0034][0035]一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0036]一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0037]本专利技术的有益效果在于：
[0038]本专利技术提供的一种多尺度极化SAR图像地物分类方法，通过局部加权估计方法避免过平滑问题，并利用区域协方差矩阵从杂波散射机理和人眼视觉的角度分别提取目标分解特征和空间结构特征；在K
‑
means聚类算法框架下，同时考虑不同尺度下同类样本间的相似性和异类样本的差异性，构造局部混合权并更新聚类中心，进一步完成极化分类。该方法能抑制相干斑噪声，平滑均匀区域的同时保持图像边缘，解决了极化SAR图像无监督分类时非边缘区平滑不足与边缘过平滑的矛盾问题；能够获得令人满意的地物分类结果，具有较强的边缘保持能力。
附图说明
[0039]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0040]图1是区域特征协方差矩阵构建示意图；
[0041]图2是本专利技术的实现流程图。
具体实施方式
[0042]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0043]本专利技术实施例提供了一种多尺度极化SAR图像地物分类方法，首先，通过加权估计的方式对极化相干矩阵的进行稳健估计。然后，利用区域协方差矩阵从杂波散射机理和人眼视觉角度分别提取目标分解特征和空间结构特征。在K
‑
means聚类算法框架下，同时考虑不同尺度下同类样本间的相似性和异类样本的差异性，构造局部混合权并用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度极化SAR图像地物分类方法，其特征在于包括通过加权估计的方式估计极化相干矩阵；基于极化相干矩阵从杂波散射机理和人眼视觉角度分别提取目标分解特征和空间结构特征，根据特征构造区域协方差矩阵；初始化场景中地物类别与聚类中心，计算区域协方差矩阵与聚类中心的距离并聚类；构造像素的多尺度混合权，根据区域协方差矩阵和多尺度混合权更新聚类中心；根据多尺度混合权和更新后的聚类中心计算聚类目标函数，通过判定前后两次目标函数差值是否满足阈值，如果满足则停止，完成极化SAR图像分类。2.根据权利要求1所述多尺度极化SAR图像地物分类方法，其特征在于通过加权估计的方式估计极化相干矩阵具体为：方式估计极化相干矩阵具体为：式中，d(p,q)＝||k
p
‑
k
q
||
F
表示像素p与像素q之间的相似性测度，k
q
、k
p
分别表示像素p与像素q的极化散射矢量，σ
p
为一尺度参数，Ω
p
为像素q的邻域。3.根据权利要求1所述多尺度极化SAR图像地物分类方法，其特征在于所述根据特征构造区域协方差矩阵具体为：像素p处的局部邻域由大小为w
×
w的空间窗内w2个像素构成，则像素p处的区域协方差矩阵为：式中，f
q
为像素q的特征矢量，包含从杂波散射机理和人眼视觉角度分别提取目标分解特征和空间结构特征，为局部邻域内特征矢量的均值。4.根据权利要求1所述多尺度极化SAR图像地物分类方法，其特征在于所述区域协方差矩阵与聚类中心的距离表示为：其中，(
·
)
T
表示转置操作符，Tr()表示求迹操作符，...

【专利技术属性】
技术研发人员：韩超垒，李璐，张军，王勇，
申请(专利权)人：西安电子工程研究所，
类型：发明
国别省市：