本发明专利技术公开了一种基于改进的近邻传播聚类的极化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：对每个像素点进行四种分量分解，提取像素点的四种散射功率；根据获得的散射功率对图像进行划分，得到4种类别；对获得的每一类，将其均等的分成20个小类；对每一类中的20个小类别，用改进后的近邻传播聚类对其聚类，得到图像的预分类结果；最后，对预分类得到的图像用Wishart分类器进行迭代分类，得到最终分类结果。本发明专利技术与经典分类方法相比，对极化SAR图像的划分更加严谨，分类效果更佳，计算复杂度相对较小，可用于对极化SAR图像的进行地物分类和目标识别。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及极化SAR图像地物分类领域的应用，具体的说是一种基于近邻传播聚类算法的极化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
极化SAR雷达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SAR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:Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法，见CloudeS R,Pottier E.An entropy based classification scheme for land applications ofpolarimetricSAR.1EEETrans.Geosc1.RemoteSensing.1997, 35 (I):549-557.该方法主要是通过Cloude分解提取两个表征极化数据的特征H和α，然后根据Η/α平面将极化图像划分为9个区域，其中一个理论上不可能存在的区域，因此最终将图像划分为8类。Η/α分类存在的两个缺陷:一个是区域的划分过于武断；另一个是当同一个区域里共存几种不同的地物时，将不能有效区分。Lee等人提出了基于H/α目标分解和Wishart分类器的H/a-Wishart非监督分类方法，见 Lee J S, Grunes M R, Ainsworth T L, etal.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier.1EEETrans.Geosc1.Remote Sensing.1999,37(5):2249-2258.该方法是在原始 H/α 分类基础上增加了 Wishart迭代，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，从而有效的提高了分类的精度，但是又存在不能很好的保持各类的极化散射特性的不足。近邻传播聚类是近年出现的一种在数据挖掘领域极具竞争力的聚类算法，相比较于传统聚类算法，近邻传播聚类方法能够在较短时间内完成大规模多类别数据集的聚类，并且该算法能够很好地解决非欧空间问题。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。
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，提出一种基于改进的近邻传播聚类的极化SAR图像分类方法，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、基于改进的近邻传播聚类的极化SAR图像分类方法，包括如下步骤:(I)对待分类的极化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进行四种分量的分解，得到每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph ； (3)根据每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率ph，对滤波后的极化SAR图像进行初始划分:3a)根据max(Ps，Pd，Pv，Ph)的值，将滤波后的极化SAR图像数据初始划分为四类，即平面散射类、二面角散射类、体散射类和螺旋散射类；3b)将平面散射类、二面角散射类、体散射类和螺旋散射类再分别进行划分，每一类按照对应散射功率的大小均等的划分成20个小类别；(4)利用每一类划分后得到的20个小类别，计算每一个小类别的平均聚类中心Vu =权利要求1.一种基于改进的近邻传播聚类的极化SAR图像分类方法，包括如下步骤: (I)对待分类的极化SAR图像进行滤波，去除斑点噪声； ⑵对滤波后的极化SAR图像中每个像素点的相干矩阵T进行四种分量的分解，得到每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph ； (3)根据每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph，对滤波后的极化SAR图像进行初始划分: 3a)根据max(Ps，Pd，Pv，Ph)的值，将滤波后的极化SAR图像数据初始划分为四类，即平面散射类、二面角散射类、体散射类和螺旋散射类； 3b)将平面散射类、二面角散射类、体散射类和螺旋散射类再分别进行划分，每一类按照对应散射功率的大小均等的划分成20个小类别； (4)利用每一类划分后得到的20个小类别，计算每一个小类别的平均聚类中心Vu: 其中Tk是第u个小类别中各像素点的相干矩阵，mu是属于第u个小类别中像素点的个数； (5)根据每一类得到的平均聚类中心\，构造每一类的相似度矩阵W，将相似度矩阵W中每一个元素Wiu定义为: 其中，Wiu是相似度矩阵W中第i行第u列的元素，i=l,...,20, u=l,…，20，Vi是第i个小类别的平均聚类中心，Vu是第u个小类别的平均聚类中心，TH.)是矩阵的轨迹，(O—1表示对矩阵求逆，I.I是求矩阵的行列式，ln(.)是求对数； (6)根据每一类的相似度矩阵W，用近邻传播聚类对每一类的20个小类别进行聚类，得到整幅图像的预分类结果； (7)对预分类得到的整幅图像用Wishart分类器进行迭代分类，得到最终的分类结果。2.根据权利要求1所述的基于改进的近邻传播聚类的极化SAR图像分类方法，其中步骤(I)所述的对待分类的极化SAR图像进行滤波，采用精致极化LEE滤波法，其滤波窗口大小为7X7。3.根据权利要求书I所述的基于改进的近邻传播聚类的极化SAR图像分类方法，其中步骤(2)所述的对每个像素点的相干矩阵T进行四种分量的分解，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 ； —(|^|2) W〈“〉〈“〉' C=^r1H/= 4i{sffPsrm) 2〈間 4i{sffpifpp) 1)(Κι)其中，U是中间变量，4.根据权利要求1所述的基于改进的近邻传播聚类的极化SAR图像分类方法，其中步骤(6)所述的根据每一类的相似度矩阵W，用近邻传播聚类对每一类的20个小类别进行聚类，得到整幅图像的预分类结果，按如下步骤进行: (6a)对每一类的相似度矩阵W，将相似度矩阵W的对角线上的值都设为I，I取值为-1000，将归属度矩阵A和吸引度矩阵L初始值设置为O ; (6b)将归属度矩阵A和吸引度矩阵L分别赋值给中间变量a和b，即a=A，b=L ； (6c)根据相似度矩阵W和归属度矩阵A，计算吸引度矩阵L，吸引度矩阵L中的每一个兀素Liu: 其中，Liu是吸引度矩阵L中第i行第u列的元素，i=l,...,20, u=l,...,20,Φ=1,..., 20 ； (6d)根据相似度矩阵W和吸引度矩阵L，计算归属度矩阵A，归属度矩阵A中每一个元素Aiu为；5.根据权利要求1所述的基于改进的近邻传播聚类的极化SAR图像分类方法，其中步骤(7)所述的对预分类得到的整幅图像用Wishart分类器进行迭代分类，按如本文档来自技高网...
【技术保护点】
一种基于改进的近邻传播聚类的极化SAR图像分类方法，包括如下步骤：(1)对待分类的极化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进行四种分量的分解，得到每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph；(3)根据每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph，对滤波后的极化SAR图像进行初始划分：3a)根据max(Ps,Pd,Pv,Ph)的值，将滤波后的极化SAR图像数据初始划分为四类，即平面散射类、二面角散射类、体散射类和螺旋散射类；3b)将平面散射类、二面角散射类、体散射类和螺旋散射类再分别进行划分，每一类按照对应散射功率的大小均等的划分成20个小类别；(4)利用每一类划分后得到的20个小类别，计算每一个小类别的平均聚类中心Vu：Vu=Σκ=1muTκmuu=1,...,20，κ=1,2,...,mu，其中Tκ是第u个小类别中各像素点的相干矩阵，mu是属于第u个小类别中像素点的个数；(5)根据每一类得到的平均聚类中心Vu，构造每一类的相似度矩阵W，将相似度矩阵W中每一个元素Wiu定义为：Wiu=-12{ln(|Vi|)+ln(|Vu|)+Tr(Vi-1Vu+Vu-1Vi)},其中，Wiu是相似度矩阵W中第i行第u列的元素，i=1,...,20，u=1,...,20，Vi是第i个小类别的平均聚类中心，Vu是第u个小类别的平均聚类中心，Tr(·)是矩阵的轨 迹，(·)?1表示对矩阵求逆，|·|是求矩阵的行列式，ln(·)是求对数；(6)根据每一类的相似度矩阵W，用近邻传播聚类对每一类的20个小类别进行聚类，得到整幅图像的预分类结果；(7)对预分类得到的整幅图像用Wishart分类器进行迭代分类，得到最终的分类结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：王爽，焦李成，刘亚超，侯小谨，侯彪，刘坤，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。