本发明专利技术公开了一种基于Freeman分解和谱聚类的极化SAR图像分类方法，主要解决现有无监督极化SAR分类方法分类精度不高的问题。其实现步骤为：对每个像素点进行Freeman分解，提取像素点的体散射功率，二面角散射功率和表面散射功率；将像素点的三种散射功率及其坐标作为Mean?Shift算法的输入特征向量，用Mean?Shift算法对图像进行分割，得到M个区域；选取M个区域的代表点作为谱聚类的输入点，对各区域进行谱聚类，获得图像的预分类结果；最后，对预分类得到的整幅图像Wishart分类器进行迭代分类，得到最终分类结果。实验结果表明本发明专利技术所实现的极化SAR图像分类效果更好，可用于对各种极化SAR图像进行无监督分类。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及极化合成孔径雷达SAR图像地物分类领域的应用，具体的说是一种基于Freeman分解和谱聚类算法的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。
技术介绍
随着雷达技术的发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测，目标检测和海洋污染检测等。极化图像分类的目的是利用机载或星载极化传感器获得的极化测量数据，确定每个像素所属的类别。经典的极化SAR分类方法包括Lee等人提出了基于Η/α目标分解和Wishart分类器的非监督分类方法，见Lee J SiGrunes M RiAinsworth T L，et al. Unsupervised classification using polarimetric decomposition and the complex Wishart classifier.1EEE Trans. Geosc1. Remote Sensing. 1999,37(5) :2249-2258.该方法主要是对H/α划分后的8类利用Wishart分类器对每一个像素进行重新划分，从而有效的提高分类的精度，但是该方法不能很好的保持各类的极化散射特性。J. S. Lee等基于Freeman分解于提出了一种基于Freeman-Durden分解的极化图像非监督分类算法，见 Lee J S, Grunes M R, Pottier E, et al. Unsupervised terrain classification preserving polarimetric scattering characteristic.1EEE Trans. Geosc1. Remote Sensing. 2004,42 (4) :722-731.该方法主要是通过 Freeman 分解获取表征散射体散射特性的的三个特征平面散射功率、二面角散射功率和体散射功率， 然后根据这三个特征的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器对每一个像素进行重新划分。这种算法结合了 Freeman散射模型和复 Wishart分布，具有保持多极化SAR的主要散射机制纯净性的特性，但是该方法无法解决混合散射机制的问题，并且由于Freeman分解中的多类的划分以及合并，因而计算复杂度较闻。谱聚类算法是近年来国际上机器学习领域的研究热点，与传统的聚类算法相比， 它具有能在任意形状的样本空间上聚类并且收敛于全局最优解的优点。然而该算法在应用到图像分割领域时，计算量和存储量是难以承受的，严重阻碍了该算法的性能发挥。并且采用高斯函数构造相似矩阵时，尺度参数对分类结构影响较大并且难以得到最优的参数，使图像分割的稳定性下降。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提出一种，以提高分类效果。为实现上述目的，本专利技术包括如下步骤1、一种,包括如下步骤(1)对待分类的大小为RXQ极化SAR图像进行滤波，去除斑点噪声；(2)对滤波后的极化SAR图像中每个像素点的相干矩阵T进行Freeman分解，得到 每个像素点的体散射功率Pv、二面角散射功率Pd和表面散射功率Ps ;(3)根据每个像素点的体散射功率？7、二面角散射功率Pd和表面散射功率匕，及像 素点的坐标，用MeanShift算法对滤波后的图像进行预分割，得到M个区域；(4)在已获得的M个区域上，将每个区域的中心点作为新的像素点Ys，得到M个新 像素点，S = 1，...，M，将这M个新像素点映射为具有M个节点的全连接图，并对这个全连 接图按如下步骤进行谱聚类(4a)根据新像素点Ys的势能函数，构造新的相似度矩阵A为权利要求1.一种,包括如下步骤 (1)对待分类的大小为RXQ极化SAR图像进行滤波，去除斑点噪声； (2)对滤波后的极化SAR图像中每个像素点的相干矩阵T进行Freeman分解，得到每个像素点的体散射功率Pv、二面角散射功率Pd和表面散射功率Ps ; (3)根据每个像素点的体散射功率？7、二面角散射功率Pd和表面散射功率匕，及像素点的坐标，用Mean Shift算法对滤波后的图像进行预分割，得到M个区域； (4)在已获得的M个区域上，将每个区域的中心点作为新的像素点Ys，得到M个新像素点，δ = 1，...，Μ，将这M个新像素点映射为具有M个节点的全连接图，并对这个全连接图按如下步骤进行谱聚类 (4a)根据新像素点Ys的势能函数，构造新的相似度矩阵A为2.根据权利要求1所述的，其中步骤(I)所述的对待分类的大小为RX Q的极化SAR图像进行滤波，采用精致极化LEE滤波法，滤波窗口大小为7X7。3.根据权利要求书I所述的，其中步骤⑵所述的对每个像素点的相干矩阵T进行Freeman分解，按如下步骤进行 (2a)读入滤波后图像的每个像素点，这些像素点为一个3X3的相干矩阵T，根据相干矩阵T得到协方差矩阵C ；4.根据权利要求1所述的，其中步骤(3)所述的用Mean Shift算法对滤波后的图像进行预分割，按如下步骤进行 (3a)将每一个像素点的Freeman分解得到的三种散射功率Pv，Pd, Ps及像素点的坐标值，作为Mean Shift算法的输入特征向量fu，ω = I, . . . , N, N = RXQ ； (3b)根据每一个输入特征向量f计算期望收敛m(f)的值5.根据权利要求1所述的，其中步骤(6)所述的对预分类得到的整幅图像用能反映极化SAR分布特性的Wishart分类器进行迭代分类，按如下步骤进行 (6a)对整个极化SAR图像数据的预分类得到的k类划分结果，根据下式求每一类的聚类中心B。全文摘要本专利技术公开了一种，主要解决现有无监督极化SAR分类方法分类精度不高的问题。其实现步骤为对每个像素点进行Freeman分解，提取像素点的体散射功率，二面角散射功率和表面散射功率；将像素点的三种散射功率及其坐标作为Mean Shift算法的输入特征向量，用Mean Shift算法对图像进行分割，得到M个区域；选取M个区域的代表点作为谱聚类的输入点，对各区域进行谱聚类，获得图像的预分类结果；最后，对预分类得到的整幅图像Wishart分类器进行迭代分类，得到最终分类结果。实验结果表明本专利技术所实现的极化SAR图像分类效果更好，可用于对各种极化SAR图像进行无监督分类。文档编号G06K9/62GK102999762SQ201210414790公开日2013年3月27日 申请日期2012年10月25日 优先权日2012年10月25日专利技术者焦李成, 刘坤, 郭卫英, 李婷婷, 王爽, 马晶晶, 马文萍, 刘亚超, 侯小瑾, 张涛 申请人:西安电子科技大学本文档来自技高网...
【技术保护点】
一种基于Freeman分解和谱聚类的极化SAR图像分类方法，包括如下步骤：(1)对待分类的大小为R×Q极化SAR图像进行滤波，去除斑点噪声；(2)对滤波后的极化SAR图像中每个像素点的相干矩阵T进行Freeman分解，得到每个像素点的体散射功率Pv、二面角散射功率Pd和表面散射功率Ps；(3)根据每个像素点的体散射功率Pv、二面角散射功率Pd和表面散射功率Ps，及像素点的坐标，用Mean?Shift算法对滤波后的图像进行预分割，得到M个区域；(4)在已获得的M个区域上，将每个区域的中心点作为新的像素点Yδ，得到M个新像素点，δ＝1，...,M，将这M个新像素点映射为具有M个节点的全连接图，并对这个全连接图按如下步骤进行谱聚类：(4a)根据新像素点Yδ的势能函数，构造新的相似度矩阵A为：新相似度矩阵A中的每一个元素Aij为：Aij=1i=j11+Δijdiji≠j,i=1,...,M,j=1,...,M其中Δij是新像素点Yi和Yj的强度差，其由Huber函数定义如下：Δij=dSRW2(Ti,Tj)dSRW(Ti,Tj)≤tt2+2×(dSRW(Ti,Tj)-t)dSRW(Ti,Tj)>tdij是新像素点Yi和Yj坐标的欧式距离，t为常数，t取100，dSRW(Ti,Tj)为新像素点Yi和Yj的相似性度量，Ti和Tj分别是新像素点Yi和Yj的相干矩阵，dSRW(Ti,Tj)定义如下：dSRW(Ti,Tj)=12tr(Ti×Tj-1+Tj×Ti-1)-q其中q为常数，取值为q=3，tr(·)是矩阵的迹，(·)?1是矩阵的逆；(4b)根据新的相似度矩阵A，构造拉普拉斯矩阵L：L=D-12AD-12其中D是对角矩阵对角矩阵D上的每一个元素Dij为：Dij=Σj=1MAiji=j0i≠j;(4c)对拉普拉斯矩阵L进行特征值分解，得到前k个最大特征值对应的特征向量x1,x2,...,xk，形成特征向量矩阵X＝[x1,x2,...,xk]，k为分类类别数；(4d)根据特征向量矩阵X得到规范化矩阵V：将规范化矩阵V中每一个元素Vθ，Z定义为：Vθ,Z=Xθ,Z(ΣZ=1kXθ,Z2)-12其中Xθ,Z是特征向量矩阵X第θ行第Z列的元素，θ=1,…，M，Z=1,…,k；(4e)用k?means算法对规范化矩阵V的行向量进行聚类；(4f)对规范化矩阵V的行向量聚类后，当规范化矩阵V的第θ行为第c类时，将规范化矩阵V的第θ行对应的新像素点Yθ标记为第c类，θ=1,…，M，c=1,…,k；(5)在M个区域上，将由新像素点Yδ所代表的区域标记为与新像素点Yδ相同的类 别，完成对整幅图像的预分类；(6)对预分类得到的整幅图像用能反映极化SAR分布特性的Wishart分类器进行迭代分类，得到更为准确的分类结果。FDA00002307254700011.jpg,FDA00002307254700023.jpg,FDA00002307254700025.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：焦李成，刘坤，郭卫英，李婷婷，王爽，马晶晶，马文萍，刘亚超，侯小瑾，张涛，
申请(专利权)人：西安电子科技大学，
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。