CN102999761B - 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 - Google Patents

Abstract

本发明公开了一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法，主要解决现有技术分类效果差及计算复杂度高的问题，其实现步骤为：(1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α；(2)根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；(3)对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果。本发明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。

Description

基于Cloude分解和K-wishart分布的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，涉及极化合成孔径雷达SAR图像地物分类，可用于对极化SAR图像的地物分类和目标识别。

背景技术

合成孔径雷达SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比，极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。经典的极化SAR分类方法包括：

Cloude等人提出了基于Cloude目标分解的H/α非监督分类方法，见CloudeSR，PottierE.AnentropybasedclassificationschemeforlandapplicationsofpolarimetricSAR[J].IEEETrans.Geosci.RemoteSensing.1997，35(1)：549-557.该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类能合理地解释分类结果的散射机理，而且不需要数据的先验知识。但H/α分类存在的两个缺陷：一个是分类边界固定导致区域的划分过于武断；另一个是分类的类别数固定,对复杂区域分类缺乏灵活性，分类准确度低。

Lee等人提出了基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法，见LeeJS，GrunesMR，AinsworthTL，eta1.UnsupervisedclassificationusingpolarimetricdecompositionandthecomplexWishartclassifier[J].IEEETrans.Geosci.RemoteSensing.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。H/α-Wishart分类方法分利用了极化数据的Wishart分布信息，使得极化信息利用更加全面，而且有了相似性度量，弥补了H/α分类固定边界的缺点，分类效果明显改善。并且迭代的引入，有效的提高了分类的精度。但是H/α-Wishart分类方法分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SAR图像分类方法，见LeeJS，GrunesMR，PottierE，eta1.Unsupervisedterrainclassificationpreservingpolarimetricscatteringcharacteristic[J].IEEETrans.Geosci.RemoteSensing.2004，42(4)：722-731.该方法主要是根据Freeman分解获取的平面散射功率、二面角散射功率和体散射功率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分解和复Wishart分布，可以保持极化SAR的主要散射机制纯净性，但由于该方法中存在的多类别的划分以及合并，因此其计算复杂度较高。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于Cloude和K-wishart分布迭代的极化SAR图像分类方法，以提高分类的准确度，降低计算的复杂度。

为实现上述目的，本发明包括如下步骤：

(1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α；

(2)根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；

(3)对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果：

3a)对整个极化SAR图像的8类划分结果，根据下式求每一类的聚类中心V_i：

$V_i=\frac{\underset{j=1}{\overset{N_i}{\Σ}}{C}_j}{N_i},i=1,2,...,8,j=1,2,...,N_i$

其中，C_j表示属于第j类像素的协方差矩阵，N_i表示属于第i类的像素的个数；

3b)根据下式计算每个像素点的分布特征参数χ_L：

${\mathrm{\χ}}_L=\frac{qL+1}{q+1}/(RK-1),$

其中，L为极化SAR图像的视数，q为向量维数，取q＝3，RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值，RK定义如下：

$RK=\frac{1}{3}(\frac{F\left\{{\left|S_{EE}\right|}^2\right\}}{F{\left\{\left|S_{EE}\right|\right\}}^2}+\frac{F\left\{{\left|S_{EP}\right|}^2\right\}}{F{\left\{\left|S_{EP}\right|\right\}}^2}+\frac{F\left\{{\left|S_{PP}\right|}^2\right\}}{F{\left\{\left|S_{PP}\right|\right\}}^2}),$

其中，S_EE表示水平向发射和水平向接收的回波数据，S_PP表示垂直向发射和垂直向接收的回波数据，S_EP表示水平向发射垂直向接收的回波数据，|·|表示取这个数的模值，F{·}表示取这个数的均值；

3c)根据每个像素点的分布特征参数χ_L，计算每个像素点到第i类聚类中心V_i的距离d(<C>,V_i)：

$d(<C>,V_i)=L\ln \&lsqb;V_i\&rsqb;+\ln \left(\mathrm{\&Gamma;}\right({\mathrm{\&chi;}}_L\left)\right)-\frac{{\mathrm{\&chi;}}_L+qL}{2}\ln \left({\mathrm{L\&chi;}}_L\right)-\frac{{\mathrm{\&chi;}}_L-qL}{2}\ln Tr(V_i^{-1}<C>)-{\mathrm{lnK}}_{{\mathrm{\&chi;}}_L-qL}\left(2\sqrt{{\mathrm{L\&chi;}}_{L}Tr(V_i^{-1}<C>)}\right)$

其中C是像素点的协方差矩阵，<·>表示按视数平均，[·]表示矩阵的行列式，Tr(·)表示矩阵的迹，V_i ^-1表示对聚类中心V_i求逆，Γ(·)表示Gamma函数，表示(χ_L-qL)阶的第二类修正贝塞尔函数，L为图像的视数，q为向量维数，取q＝3；

3e)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分：

如果d(<C>,B_τ)≤d(<C>,B_ψ)，则将该像素点划分为第τ类，如果d(<C>,B_τ)>d(<C>,B_ψ)，则将该像素点划分为第ψ类，其中d(<C>,B_τ)是像素点到第τ类聚类中心的距离，d(<C>,B_ψ)是像素点到第ψ类聚类中心的距离，τ,ψ＝1,...,8,τ≠ψ；

3f)重复步骤3a)-3e)直到迭代次数等于给定的迭代次数μ，其中μ＝5，得到更为准确的分类结果。

本发明具有如下优点：

1.本发明采用K-wishart分布，以该分布为基础提出了新的迭代分类方法，代替原有的复wishart迭代分类方法，K-wishart分布迭代能更好的描述极化SAR图像数据分布特征，使分类结果更加的准确。

2.本发明采用传统的Cloude分解，将极化SAR图像直接划分为8类，避免了现有很多的分类算法中多类的划分以及合并问题，降低了计算的复杂度。

由仿真结果可以看出，本发明的分类结果明显优于原有的复wishart迭代方法的分类结果，且区域一致性划分更好，不同区域划分后的边缘也更加清晰。

附图说明

图1是本发明的流程图；

图2是原始SanFranciscoBay极化SAR图像；

图3是用现有的H/α-Wishart分类方法对图2的分类仿真结果图；

图4是用本发明对图2的分类仿真结果图；

图5是原始Flevoland极化SAR图像；

图6是用现有的H/α-Wishart分类方法对图5的分类仿真结果图；

图7是用本发明对图5的分类仿真结果图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α。

(1a)读入一幅待分类的极化SAR图像，图像中的每一个像素点为一个3×3的相干矩阵T；

$T=\frac{1}{2}\left[\begin{array}{ccc}<{\left|S_{EE}+S_{PP}\right|}^2>& <(S_{EE}+S_{PP}){(S_{EE}-S_{PP})}^{*}>& <2(S_{EE}+S_{PP})S_{EP}^{*}>\\ <(S_{EE}-S_{PP}){(S_{EE}+S_{PP})}^{*}>& <{\left|S_{EE}-S_{PP}\right|}^2>& <2(S_{EE}-S_{PP})S_{EP}^{*}>\\ <2S_{EP}{(S_{EE}+S_{PP})}^{*}>& <2S_{EP}{(S_{EE}-S_{PP})}^{*}>& <4{\left|S_{EP}\right|}^2>\end{array}\right]$

其中，S_EE表示水平向发射和水平向接收的回波数据，S_PP表示垂直向发射和垂直向接收的回波数据，S_EP表示水平向发射垂直向接收的回波数据，(·)^*表示数据的共轭，<·>表示按视数平均；

(1b)将相干矩阵T进行特征分解，由于相干矩阵T是一个3×3的矩阵，故分解后得到相干矩阵T的特征值λ₁,λ₂,λ₃和对应的目标散射机理α₁,α₂,α₃；

(1c)根据获得的特征值λ₁,λ₂,λ₃和对应的目标散射机理α₁,α₂,α₃，计算每个像素点的熵H和散射角α：

$A_{\mathrm{\&phi;}}=\frac{{\mathrm{\&lambda;}}_{\mathrm{\&phi;}}}{\underset{\mathrm{\&delta;}=1}{\overset{3}{\&Sigma;}}{\mathrm{\&lambda;}}_{\mathrm{\&delta;}}},\mathrm{\&phi;}=1,2,3$

$H=-\underset{\mathrm{\&phi;}=1}{\overset{3}{\&Sigma;}}{A}_{\mathrm{\&phi;}}{\log }_3\left(A_{\mathrm{\&phi;}}\right),0\&le;H\&le;1$

$\mathrm{\&alpha;}=\underset{\mathrm{\&phi;}=1}{\overset{3}{\&Sigma;}}{A}_{\mathrm{\&phi;}}{\mathrm{\&alpha;}}_{\mathrm{\&phi;}}.$

步骤2，根据熵H和散射角α的值对极化SAR图像进行初始划分，即按如下规则将图像划分为8类：

将0<H≤0.5且0<α≤42.5对应像素点划分为第1类；

将0<H≤0.5且42.5<α<47.5对应像素点划分为第2类；

将0<H≤0.5且47.5<α≤90对应像素点划分为第3类；

将0.5<H≤0.9且0<α≤42.5对应像素点划分为第4类；

将0.5<H≤0.9且42.5<α≤47.5对应像素点划分为第5类；

将0.5<H≤0.9且47.5<α≤90对应像素点划分为第6类；

将0.9<H≤1且42.5<α≤47.5对应像素点划分为第7类；

将0.9<H≤1且47.5<α≤90对应像素点划分为第8类。

步骤3，对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确分类结果。

3a)对整个极化SAR图像的8类划分结果，根据下式求每一类的聚类中心V_i：

$V_i=\frac{\underset{j=1}{\overset{N_i}{\&Sigma;}}{C}_j}{N_i},i=1,2,...,8,j=1,2,...,N_i$

其中，C_j表示属于第j类像素的协方差矩阵，N_i表示属于第i类的像素的个数；

3b)根据下式计算每个像素点的分布特征参数χ_L：

${\mathrm{\&chi;}}_L=\frac{qL+1}{q+1}/(RK-1),$

其中，L为极化SAR图像的视数，q为向量维数，取q＝3，RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值，RK定义如下：

$RK=\frac{1}{3}(\frac{F\left\{{\left|S_{EE}\right|}^2\right\}}{F{\left\{\left|S_{EE}\right|\right\}}^2}+\frac{F\left\{{\left|S_{EP}\right|}^2\right\}}{F{\left\{\left|S_{EP}\right|\right\}}^2}+\frac{F\left\{{\left|S_{PP}\right|}^2\right\}}{F{\left\{\left|S_{PP}\right|\right\}}^2}),$

其中，S_EE表示水平向发射和水平向接收的回波数据，S_PP表示垂直向发射和垂直向接收的回波数据，S_EP表示水平向发射垂直向接收的回波数据，|·|表示取这个数的模值，F{·}表示取这个数的均值；

3c)根据每个像素点的分布特征参数χ_L，计算每个像素点到第i类聚类中心V_i的距离d(<C>,V_i)：

$d(<C>,V_i)=L\ln \&lsqb;V_i\&rsqb;+\ln \left(\mathrm{\&Gamma;}\right({\mathrm{\&chi;}}_L\left)\right)-\frac{{\mathrm{\&chi;}}_L+qL}{2}\ln \left({\mathrm{L\&chi;}}_L\right)-\frac{{\mathrm{\&chi;}}_L-qL}{2}\ln Tr(V_i^{-1}<C>)-{\mathrm{lnK}}_{{\mathrm{\&chi;}}_L-qL}\left(2\sqrt{{\mathrm{L\&chi;}}_{L}Tr(V_i^{-1}<C>)}\right),$

其中C是像素点的协方差矩阵，<·>表示按视数平均，[·]表示矩阵的行列式，Tr(·)表示矩阵的迹，V_i ^-1表示对聚类中心V_i求逆，Γ(·)表示Gamma函数，表示(χ_L-qL)阶的第二类修正贝塞尔函数，L为图像的视数，q为向量维数，取q＝3；

3e)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分：

如果d(<C>,B_τ)≤d(<C>,B_ψ)，则将该像素点划分为第τ类，如果d(<C>,B_τ)>d(<C>,B_ψ)，则将该像素点划分为第ψ类，其中d(<C>,B_τ)是像素点到第τ类聚类中心的距离，d(<C>,B_ψ)是像素点到第ψ类聚类中心的距离，τ,ψ＝1,...,8,τ≠ψ；

3f)重复步骤3a)-3e)直到迭代次数等于给定的迭代次数μ，其中μ＝5，得到更为准确的分类结果。

本发明的效果通过以下实验仿真进一步说明。

1、实验条件与方法

硬件平台为：Intel(R)Pentium(R)1CPU2.4GHz；

软件平台为：WindowXPProfessional，MATLAB7.0.4；

实验方法：分别为本发明和现有的H/α-Wishart分类方法。

2、实验内容及结果

实验一，将图2所示视数为四的SanFranciscoBay极化SAR图像作为测试图像，用本发明与现有的H/α-Wishart分类方法对图2进行分类仿真，分类结果见图3和图4，其中，图3是H/α-Wishart分类的结果，图4为本发明的分类结果。

由图3可见，图像区域划分的比较细致，但还有较多区域划分不清楚，甚至出现错误划分，如图3右上角的海洋区域出现的错误划分。

由图4可见，本发明的分类结果从视觉上看分类效果更好，其中跑马场、高尔夫球场、停车场等这些部分的分类后，区域一致性明显好于H/α-Wishart方法获得的结果，不同区域之间分类后的边缘也更加平滑，其中较为明显的是图4中大桥的划分更加的清晰准确。

实验二，将图5所示视数为四的Flevoland极化SAR图像作为测试图像。本发明与用现有的H/α-Wishart分类方法对图5进行分类仿真，分类结果见图6和图7，其中，图6是H/α-Wishart分类的结果，图7是本发明的分类结果。

由图5和图6可以看出，本发明的分类结果明显好于H/α-Wishart方法的分类结果，区域划分更加细致精确，且由表1可以看出本方法的正确率在大多数区域都优于H/α-Wishart方法，总体正确率有了大幅度提升。

表1不同方法分类正确率统计

综上所述，本发明提出的基于Cloude分解和K-wishart分布的极化SAR图像分类方法对极化SAR图像分类能取得更好的分类结果，并可用于对各种极化SAR图像进行分类。

Claims (3)

1.一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法，包括如下步骤：

(1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α；

(2)根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；

(3)对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果：

3a)对整个极化SAR图像的8类划分结果，根据下式求每一类的聚类中心V_i：

$V_i=\frac{\underset{j=1}{\overset{N_i}{\&Sigma;}}{C}_j}{N_i},i=1,2,...,8,j=1,2,...,N_i$

其中，C_j表示属于第j类像素的协方差矩阵，N_i表示属于第i类的像素的个数

3b)根据下式计算每个像素点的分布特征参数χ_L：

${\mathrm{\&chi;}}_L=\frac{qL+1}{q+1}/(RK-1),$

其中，L为极化SAR图像的视数，q为向量维数，取q＝3，RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值，RK定义如下：

$RK=\frac{1}{3}\left(\frac{F\left\{|S_{EE}{|}^2\right\}}{F{\left\{\left|S_{EE}\right|\right\}}^2}+\frac{F\left\{|S_{EP}{|}^2\right\}}{F{\left\{\left|S_{EP}\right|\right\}}^2}+\frac{F\left\{|S_{PP}{|}^2\right\}}{F{\left\{\left|S_{PP}\right|\right\}}^2}\right),$

其中，S_EE表示水平向发射和水平向接收的回波数据，S_PP表示垂直向发射和垂直向接收的回波数据，S_EP表示水平向发射垂直向接收的回波数据，|·|表示取这个数的模值，F{·}表示取这个数的均值；

3c)根据每个像素点的分布特征参数χ_L，计算每个像素点到第i类聚类中心V_i的距离d(<C>,V_i)：

$d\left(<C>,V_i\right)=L\ln \&lsqb;V_i\&rsqb;+\ln \left(\mathrm{\&Gamma;}\right({\mathrm{\&chi;}}_L\left)\right)-\frac{{\mathrm{\&chi;}}_L+qL}{2}\ln \left({\mathrm{L\&chi;}}_L\right)-\frac{{\mathrm{\&chi;}}_L-qL}{2}\ln Tr\left(V_i^{-1}<C>\right)-{\mathrm{lnK}}_{{\mathrm{\&chi;}}_L-qL}\left(2\sqrt{{\mathrm{L\&chi;}}_{L}Tr\left(V_i^{-1}<C>\right)}\right)$

其中C是像素点的协方差矩阵，<·>表示按视数平均，[·]表示矩阵的行列式，Tr(·)表示矩阵的迹，V_i ^-1表示对聚类中心V_i求逆，Γ(·)表示Gamma函数，K_χL-qL(·)表示(χ_L-qL)阶的第二类修正贝塞尔函数，L为图像的视数，q为向量维数，取q＝3；

3d)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分：

如果d(<C>,B_τ)≤d(<C>,B_ψ)，则将该像素点划分为第τ类，如果d(<C>,B_τ)>d(<C>,B_ψ)，则将该像素点划分为第ψ类，其中d(<C>,B_τ)是像素点到第τ类聚类中心的距离，d(<C>,B_ψ)是像素点到第ψ类聚类中心的距离，τ,ψ＝1,...,8,τ≠ψ；

3e)重复步骤3a)-3d)直到迭代次数等于给定的迭代次数μ，其中μ＝5，得到更为准确的分类结果。

2.根据权利要求1所述的基于Cloude分解和K-wishart分布的极化SAR图像分类方法，其中步骤(1)所述的对图像中的每个像素点进行Cloude分解，得到熵H和散射角α，按如下步骤进行：

(1a)读入一幅待分类的极化SAR图像，图像中的每一个像素点为一个3×3的相干矩阵T；

$T=\frac{1}{2}\left[\begin{array}{ccc}<|S_{EE}+S_{PP}{|}^2>& <\left(S_{EE}+S_{PP}\right){\left(S_{EE}-S_{PP}\right)}^{*}>& <2\left(S_{EE}+S_{PP}\right)S_{EP}^{*}>\\ <\left(S_{EE}-S_{PP}\right){\left(S_{EE}+S_{PP}\right)}^{*}>& <|S_{EE}-S_{PP}{|}^2>& <2\left(S_{EE}-S_{PP}\right)S_{EP}^{*}>\\ <2S_{EP}{\left(S_{EE}+S_{PP}\right)}^{*}>& <2S_{EP}{\left(S_{EE}-S_{PP}\right)}^{*}>& <4|S_{EP}{|}^2>\end{array}\right]$

其中，S_EE表示水平向发射和水平向接收的回波数据，S_PP表示垂直向发射和垂直向接收的回波数据，S_EP表示水平向发射垂直向接收的回波数据，(·)^*表示数据的共轭，<·>表示按视数平均；

(1b)将相干矩阵T进行特征分解，由于相干矩阵T是一个3×3的矩阵，故分解后得到相干矩阵T的特征值λ₁,λ₂,λ₃和对应的目标散射机理α₁,α₂,α₃；

(1c)根据获得的特征值λ₁,λ₂,λ₃和对应的目标散射机理α₁,α₂,α₃，计算每个像素点的熵H和散射角α：

$H=-\underset{\mathrm{\&phi;}=1}{\overset{3}{\&Sigma;}}{A}_{\mathrm{\&phi;}}{\log }_3\left(A_{\mathrm{\&phi;}}\right),0\&le;H\&le;1$

$\mathrm{\&alpha;}=\underset{\mathrm{\&phi;}=1}{\overset{3}{\&Sigma;}}{A}_{\mathrm{\&phi;}}{\mathrm{\&alpha;}}_{\mathrm{\&phi;}}$

其中， $A_{\mathrm{\&phi;}}=\frac{{\mathrm{\&lambda;}}_{\mathrm{\&phi;}}}{\underset{\mathrm{\&delta;}=1}{\overset{3}{\&Sigma;}}{\mathrm{\&lambda;}}_{\mathrm{\&delta;}}},\mathrm{\&phi;}=1,2,3.$

3.根据权利要求1所述的基于Cloude分解和K-wishart分布的极化SAR图像分类方法，其中步骤(2)所述的根据熵H和散射角α的值对极化SAR图像进行初始划分，按如下规则进行：

将0<H≤0.5且0<α≤42.5对应像素点划分为第1类；

将0<H≤0.5且42.5<α<47.5对应像素点划分为第2类；

将0<H≤0.5且47.5<α≤90对应像素点划分为第3类；

将0.5<H≤0.9且0<α≤42.5对应像素点划分为第4类；

将0.5<H≤0.9且42.5<α≤47.5对应像素点划分为第5类；

将0.5<H≤0.9且47.5<α≤90对应像素点划分为第6类；

将0.9<H≤1且42.5<α≤47.5对应像素点划分为第7类；

将0.9<H≤1且47.5<α≤90对应像素点划分为第8类。