【技术实现步骤摘要】
本申请涉及合成孔径雷达成像，特别是涉及基于密度聚类的林下地形反演方法、装置、设备和介质。
技术介绍
1、林下地形是森林垂直结构的重要组成部分，是描述森林特征的重要参数。对林下地形的表征和监测在地质勘探、了解森林结构分布、生态多样性等方面具有重要的学术和应用价值。
2、层析sar(tomographic sar，tomosar)技术采取多航过或阵列天线的方式形成高度向的孔径扩展，具备三维成像能力，能更全面准确地提取森林参数信息，是在森林结构反演中适用性最强的遥感探测技术。
3、现有技术中，基于子空间的谱估计方法是tomosar目前主要的成像方式之一，代表方法有多重信号分类法(music)等。由于music方法对于地表二次散射识别能力较强，能够较好地提取林下地表信息，同时可以得到较弱的冠层剖面，因此，在森林结构反演中得到了广泛的运用。
4、但是，森林的垂直结构复杂，多种散射机制并存，回波信号来源于森林垂直结构各个部分，无法获取信源数目先验信息，因此music方法在重构林下地形时性能具有不确定性，精度不高。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于密度聚类的林下地形反演方法、装置、设备和介质，能够提高林下地形反演的精度。
2、基于密度聚类的林下地形反演方法，包括：
3、获取单视复影像数据，并进行预处理，得到去噪后的单视复影像数据；
4、对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像
5、对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果；
6、根据聚类结果中的特征值簇以及样本协方差矩阵，得到每个像素的噪声子空间；根据每个像素的噪声子空间，进行谱估计，反演得到林下地形。
7、在一个实施例中，对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像数据中每个像素的样本协方差矩阵，包括：
8、
9、式中，r为样本协方差矩阵；m为多视数，取1，...，m；gm为第m视对应的观测向量；(·)h为共轭转置。
10、在一个实施例中，对每个像素的样本协方差矩阵进行特征值分解，得到每个像素的特征值集合，包括：
11、[e，λ]＝eig(r)
12、式中，e＝{e1，…，en}为样本协方差矩阵的特征值向量集合，en为样本协方差矩阵的第n个特征向量；λ＝{λ1，…，λn}为样本协方差矩阵的特征值集合，λn为en对应的特征值；n取1，...，n，eig为特征值分解。
13、在一个实施例中，对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果，包括：
14、对一个像素的特征值集合中的特征值进行判断，当特征值是核心点时，以从特征值密度可达的所有特征值作为一个特征值簇；遍历像素的特征值集合中的每个特征值，以未划分到特征值簇的特征值作为离群点；
15、遍历所有像素，根据每个像素的多个特征值簇和离群点簇，得到每个像素的聚类结果。
16、在一个实施例中，特征值是核心点，需要满足：
17、|neps(xj)|≥minpts
18、neps(xj)＝{xi∈x｜dist(xi，xj)＜eps}
19、式中，xj为是核心点的特征值，minpts为邻域最小对象数目，x为样本集合，dist(xi，xj)为样本xi和样本xj的空间距离，eps为邻域的半径。
20、在一个实施例中，密度可达是指：对于样本xi和样本xj，如果存在样本{a1，…，an}，ai+1由ai密度直达，i＝1，...，n，xi＝a1且xj＝an，则xj由xi密度可达；
21、密度直达是指：对于样本xi和样本xj，如果xj位于核心点xi的eps邻域中，则xj由xi密度直达。
22、在一个实施例中，根据每个像素的噪声子空间，进行谱估计，反演得到林下地形，包括：
23、
24、式中，a(sl)＝{exp(j2πξ1sl)，…，exp(j2πξmsl)}t为sl向的频率矢量，j为复数虚部符号，ξm＝2b⊥m/wr为层析向上的空间频率，m取1，...，m，b⊥m为第m景单视复影像与主影像之间的基线长度，w为雷达信号波长，r为中心斜距，en为噪声子空间，(·)h为共轭转置。
25、基于密度聚类的林下地形反演装置，包括：
26、获取模块，用于获取单视复影像数据，并进行预处理，得到去噪后的单视复影像数据；
27、处理模块，用于对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像数据中每个像素的样本协方差矩阵；对每个像素的样本协方差矩阵进行特征值分解，得到每个像素的特征值集合；
28、聚类模块，用于对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果；
29、输出模块，用于根据聚类结果中的特征值簇以及样本协方差矩阵，得到每个像素的噪声子空间；根据每个像素的噪声子空间，进行谱估计，反演得到林下地形。
30、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
31、获取单视复影像数据，并进行预处理，得到去噪后的单视复影像数据；
32、对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像数据中每个像素的样本协方差矩阵；对每个像素的样本协方差矩阵进行特征值分解，得到每个像素的特征值集合；
33、对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果；
34、根据聚类结果中的特征值簇以及样本协方差矩阵，得到每个像素的噪声子空间；根据每个像素的噪声子空间，进行谱估计，反演得到林下地形。
35、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
36、获取单视复影像数据，并进行预处理，得到去噪后的单视复影像数据；
37、对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像数据中每个像素的样本协方差矩阵；对每个像素的样本协方差矩阵进行特征值分解，得到每个像素的特征值集合；
38、对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果；
39、根据聚类结果中的特征值簇以及样本协方差矩阵，得到每个像素的噪声子空间；根据每个像素的噪声子空间，进行谱估计，反演得到林下地形。
40、上述基于密度聚类的林下地形反演方法、装置、设备和介质，在无信源数目先验信息的条件下，采用dbscan算法对各像素的特征值进行聚类，通过特征值密度聚类的本文档来自技高网...
【技术保护点】
1.基于密度聚类的林下地形反演方法，其特征在于，包括：
2.根据权利要求1所述的基于密度聚类的林下地形反演方法，其特征在于，对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像数据中每个像素的样本协方差矩阵，包括：
3.根据权利要求2所述的基于密度聚类的林下地形反演方法，其特征在于，对每个像素的样本协方差矩阵进行特征值分解，得到每个像素的特征值集合，包括：
4.根据权利要求1至3任一项所述的基于密度聚类的林下地形反演方法，其特征在于，对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果，包括：
5.根据权利要求4所述的基于密度聚类的林下地形反演方法，其特征在于，特征值是核心点，需要满足：
6.根据权利要求5所述的基于密度聚类的林下地形反演方法，其特征在于，密度可达是指：对于样本xi和样本xj，如果存在样本{a1，…，an}，ai+1由ai密度直达，i＝1，...，n，xi＝a1且xj＝an，则xj由xi密度可达；
7.根据权利要求1至3任一项所述的基于密度聚
8.基于密度聚类的林下地形反演装置，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.基于密度聚类的林下地形反演方法，其特征在于，包括：
2.根据权利要求1所述的基于密度聚类的林下地形反演方法，其特征在于，对去噪后的单视复影像数据进行多视处理，得到去噪后的单视复影像数据中每个像素的样本协方差矩阵，包括：
3.根据权利要求2所述的基于密度聚类的林下地形反演方法，其特征在于，对每个像素的样本协方差矩阵进行特征值分解，得到每个像素的特征值集合，包括：
4.根据权利要求1至3任一项所述的基于密度聚类的林下地形反演方法，其特征在于，对像素的特征值集合中的每个特征值进行密度聚类，并遍历所有像素，得到每个像素的聚类结果，包括：
5.根据权利要求4所述的基于密度聚类的林下地形反演方法，其特征在于，特征值是核心点，需要满足：
6.根据权利要求5所述的基于密度聚类的林...
【专利技术属性】
技术研发人员：冯东，黄丰卓，黄晓涛，王建，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
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。