【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种结合dfic和mtm的polsar图像区域化统计分割方法。
技术介绍
1、区域化统计分割是polsar(polarimetric synthetic aperture radar,即极化合成孔径雷达)图像分割的一种常用方法。目前，大部分的区域化统计分割方法均通过区域化生成和区域化目标函数构建及模拟来实现分割。
2、slic(simple linear iterative clustering，即简单线性迭代聚类)是区域化生成的一种常用方法，它利用颜色和空间信息较好地实现彩色图像或光学图像的超像素分割，以实现图像的区域化生成。但slic算法在polsar图像的超像素分割中，由于没有利用polsar图像的散射特性，导致部分分割的超像素的边界不甚理想。dfic(decompositionfeature iterative clustering,即分解特征迭代聚类)作为slic的一种改进方法，可有效解决这一问题；该算法引入了polsar图像的分解特征，有效改善超像素分割的边界，进而更好地实现polsar图像的区域化生成。
3、m-h(metropolis-hasting,即梅特罗波利斯-黑斯廷斯)算法是一种常用的目标函数模拟算法，被广泛应用到分割的区域化目标函数模拟中。但m-h算法在每次区域化目标函数模拟中难以确定合适的参数，导致在保证模拟效率的同时其模拟质量不甚理想。mtm(multiple try metropolis,即多试梅特罗波利斯)作为m-h算法的一种改进算法，可有
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种结合dfic和mtm的polsar图像区域化统计分割方法，实现对polsar图像的分割。
2、为解决上述技术问题，本专利技术所采取的技术方案是：结合dfic和mtm的polsar图像区域化统计分割方法，包括以下步骤：
3、步骤1：基于待分割polsar图像的极化相干矩阵t，利用非相干极化分解方法提取polsar图像的多个极化特征，构成待分割polsar图像的特征集合；
4、步骤1.1：基于待分割polsar图像的极化相干矩阵t，利用cloude-pottier分解方法对极化相干矩阵t进行非相干极化分解，提取待分割polsar图像的极化散射熵特征h、平均散射角特征α和各向异性参数特征a；
5、设定待分割polsar图像的极化相干矩阵t＝{ti,i＝1,…,i}，i为像素索引，i为待分割polsar图像的像素总数，ti为像素i的极化相干矩阵；
6、利用cloude-pottier分解方法对ti进行非相干极化分解，如下公式所示：
7、
8、其中，λiε为极化相干矩阵ti的第ε个特征值，且λi1≥λi2≥λi3；uiε表示λiε对应的散射机理，上标*t表示共轭转置；
9、利用特征值λiε定义其出现概率piε，如下公式所示：
10、
11、其中，
12、则像素i的极化散射熵hi为：
13、
14、其中，0≤hi≤1；
15、像素i的平均散射角为：
16、
17、其中，αiε表示对应极化目标的散射角，且0°≤αiε≤90°；
18、像素i的各向异性参数ai为：
19、
20、其中，0≤ai≤1；
21、依据上述方法，对所有像素的极化相干矩阵进行操作，分别提取待分割polsar图像的极化散射熵特征h＝{hi,i＝1,…,i}、平均散射角特征和各向异性参数特征a＝{ai,i＝1,…,i}；
22、步骤1.2：利用freeman分解方法对极化相干矩阵t进行非相干极化分解，提取待分割polsar图像的表面散射功率特征ps、偶数散射功率特征pd和体散射功率特征pv；
23、通过像素i的极化相干矩阵ti计算得到像素i的极化协方差矩阵ci，如下公式所示：
24、ci＝qttiq
25、其中，
26、
27、利用freeman分解方法对极化协方差矩阵ci进行非相干极化分解，如下公式所示：
28、ci＝fivciv+fiscis+fidcid
29、其中，fiv、fis和fid分别为体散射、表面散射和偶次散射的权重，civ、cis和cid分别为体散射、表面散射和偶次散射对应的极化协方差矩阵；
30、根据fiv、fis和fid定义像素i的表面散射功率pis、偶次散射功率pid、体散射功率piv，分别为：
31、pis＝fis(1+|α2)
32、pid＝fid(1+|β2)
33、piv＝8fiv/3
34、其中，α和β为散射机理的极化系数；
35、依据上述方法对所有像素的极化相干矩阵进行操作，分别提取待分割polsar图像的表面散射功率特征ps＝{pis,i＝1,…,i}、偶次散射功率特征pd＝{pid,i＝1,…,i}和体散射功率特征pv＝{piv,i＝1,…,i}；
36、步骤1.3：根据步骤1.1和1.2提取的所有极化特征，构成待分割polsar图像的极化特征集合；
37、步骤1.1和1.2提取的所有极化特征包括：极化散射熵特征h、极化平均散射角特征极化各向异性参数特征a、表面散射功率特征ps、偶数散射功率特征pd、体散射功率特征pv，构成的待分割polsar的极化特征集合，记作，其中，为像素i的极化特征矢量；
38、步骤2：结合待分割polsar图像的极化特征和空间特征，利用dfic算法实现待分割polsar图像的图像域的超像素分割；
39、设定将待分割polsar图像的图像域b初始分割为k个c×c像素的超像素，记作，b＝{bk,k＝1,…,k}，k为超像素的索引，k为超像素的总数，对于超像素bk，其初始聚类中心为jk，jk的极化特征矢量为其在图像域b的空间位置为(xjk,yjk)，构成jk的特征矢量，记作，
40、像素i和聚类中心jk的极化特征距离dzik如下公式所示：
41、
42、像素i和聚类中心jk的空间特征距离dsik如下公式所示：
43、
44、其中，(xi,yi)和分别为像素i和聚类中心jk的在图像域b的空间位置；
45、因此，像素i和聚类中心jk的特征距离dik如下公式所示：
46、
47、其中，λ用于平衡polsar图像中极化特征的相似性和空间特征的邻近度所占比重；...
【技术保护点】
1.一种结合DFIC和MTM的PolSAR图像区域化统计分割方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的结合DFIC和MTM的PolSAR图像区域化统计分割方法，其特征在于：所述步骤1的具体方法为：
3.根据权利要求2所述的结合DFIC和MTM的PolSAR图像区域化统计分割方法，其特征在于：所述步骤1.1的具体方法为：
4.根据权利要求3所述的结合DFIC和MTM的PolSAR图像区域化统计分割方法，其特征在于：所述步骤1.2的具体方法为：
5.根据权利要求4所述的结合DFIC和MTM的PolSAR图像区域化统计分割方法，其特征在于：步骤1.1和1.2提取的所有极化特征包括：极化散射熵特征H、极化平均散射角特征α、极化各向异性参数特征A、表面散射功率特征Ps、偶数散射功率特征Pd、体散射功率特征Pv，构成的待分割PolSAR的极化特征集合，记作，其中，为像素i的极化特征矢量。
6.根据权利要求5所述的结合DFIC和MTM的PolSAR图像区域化统计分割方法，其特征在于：所述步骤2的具体方法为：
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。