CN103186794B - 基于改进的近邻传播聚类的极化sar图像分类方法 - Google Patents

Abstract

本发明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

基于改进的近邻传播聚类的极化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。

背景技术

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CloudeSR，PottierE．AnentropybasedclassificationschemeforlandapplicationsofpolarimetricSAR[J]．IEEETrans．Geosci．RemoteSensing．1997，35(1)：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H/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。H/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/α-Wishart非监督分类方法，见LeeJS，GrunesMR，AinsworthTL，etal.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，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。

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，本发明包括如下步骤：

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：

(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P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h；

(3)根据每个像素点的体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h，对滤波后的极化SAR图像进行初始划分：

3a)根据max(P_s,P_d,P_v,P_h)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V_u：

$V_u=\frac{\underset{\mathrm{\κ}=1}{\overset{m_u}{\mathrm{\Σ}}}{T}_{\mathrm{\κ}}}{m_u}$ u=1,...,20，κ=1,2,...,m_u，

其中T_κ是第u个小类别中各像素点的相干矩阵，m_u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V_u，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W_iu定义为：

$W_{\mathrm{iu}}=-\frac{1}{2}\{\ln \left(\right|V_i\left|\right)+\ln \left(\right|V_u\left|\right)+\mathrm{Tr}(V_i^{-1}{V}_u+V_u^{-1}{V}_i)\},$

其中，W_iu是相似度矩阵W中第i行第u列的元素，i=1,...,20，u=1,...,20，V_i是第i个小类别的平均聚类中心，V_u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。

本发明与现有的技术相比具有以下优点：

1.本发明用改进的Wishart距离代替传统的欧式距离计算像素点的相似性，更能体现极化SAR数据的分布特性；

2.本发明利用四种散射功率对极化SAR图像进行划分，将划分得到的区域，作为近邻传播聚类的输入数据点，减少了近邻传播聚类算法的计算量和存储量；

3.本发明利用四种散射功率将极化SAR图像大致划分为4大类别，然后在各大类别内进行基于改进的近邻传播聚类的小类别合并，可以很好的保持各类地物的极化散射特性；

4.本发明由于采用了近邻传播聚类算法，因此可根据图像的具体情况对图像自适应的进行聚类。

附图说明

图1是本发明的总流程图；

图2是本发明仿真使用的旧金山极化SAR数据的PauliRGB合成图；

图3是用现有H/α分类方法对图3的分类结果图；

图4是用现有基于Freeman分解的分类方法对图3的分类结果；

图5是用本发明对图3的分类结果。

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，对待分类的极化SAR图像进行滤波。

选取一幅待分类的极化SAR图像，对待分类的极化SAR图像进行滤波，去除斑点噪声，可以采用的滤波方法有极化白化滤波、Boxcar滤波、精制极化LEE滤波和基于非监督分类的滤波方法等，本发明采用的滤波方法是精致极化LEE滤波法，其滤波窗口的大小为7×7。

步骤2，对滤波后的极化SAR图像中每个像素点的相干矩阵T进行四种分量分解，得到每个像素点的体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h。

(2a)读入滤波后图像的每个像素点，这些像素点为一个3×3的相干矩阵T，根据相干矩阵T得到协方差矩阵C；

$C=U^{-1}\mathrm{TU}=\left[\begin{array}{ccc}<{\left|S_{\mathrm{HH}}\right|}^2>& \sqrt{2}<S_{\mathrm{HH}}{S}_{\mathrm{HP}}^{*}>& <S_{\mathrm{HH}}{S}_{\mathrm{PP}}^{*}>\\ \sqrt{2}<S_{\mathrm{HP}}{S}_{\mathrm{HH}}^{*}>& 2<{\left|S_{\mathrm{HP}}\right|}^2>& \sqrt{2}<S_{\mathrm{HP}}{S}_{\mathrm{PP}}^{*}>\\ <S_{\mathrm{PP}}{S}_{\mathrm{HH}}^{*}>& \sqrt{2}<S_{\mathrm{PP}}{S}_{\mathrm{HP}}^{*}>& <{\left|S_{\mathrm{PP}}\right|}^2>\end{array}\right]---1)$

其中，U是中间变量， $U=\frac{1}{\sqrt{2}}\&times;\left(\begin{array}{ccc}1& 0& 1\\ 1& 0& -1\\ 0& \sqrt{2}& 0\end{array}\right),$ H表示水平极化，P表示垂直极化，S_HH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_HP表示水平向发射垂直向接收的回波数据，()^*表示这个数据的共轭，<·>表示按视数平均；

(2b)将协方差矩阵C分解成如下表示：

$C=F_s\left[\begin{array}{ccc}{\left|\mathrm{\&beta;}\right|}^2& 0& \mathrm{\&beta;}\\ 0& 0& 0\\ {\mathrm{\&beta;}}^{*}& 0& 1\end{array}\right]+F_d\left[\begin{array}{ccc}{\left|\mathrm{\&alpha;}\right|}^2& 0& \mathrm{\&alpha;}\\ 0& 0& 0\\ {\mathrm{\&alpha;}}^{*}& 0& 1\end{array}\right]+F_v\left[\begin{array}{ccc}1& 0& 1/3\\ 0& 2/3& 0\\ 1/3& 0& 1\end{array}\right]+F_h\left[\begin{array}{ccc}1& \&PlusMinus;j\sqrt{2}& -1\\ \stackrel{-}{+}j\sqrt{2}& 2& \&PlusMinus;j\sqrt{2}\\ -1& \stackrel{-}{+}j\sqrt{2}& 1\end{array}\right]---2)$

其中，F_s为平面散射分量的分解系数，F_d为二面角散射分量的分解系数，F_v为体散射分量的分解系数，F_h为螺旋散射分量的分解系数，β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为α=I_HI_PH/I_PI_PP，I_H和I_P分别表示地表的水平及垂直反射系数，I_PH和I_PP分别表示竖直墙体的水平及垂直反射系数，j为虚部；

(2c)将式2）中矩阵的元素与式1）中协方差矩阵C的元素相对应，获得一个具有六个未知数F_s,F_v,F_d,F_h,α,β和五个方程的方程组如下：

$\left\{\begin{array}{c}<{\left|S_{\mathrm{HH}}\right|}^2>=F_s{\left|\mathrm{\&beta;}\right|}^2+F_d{\left|\mathrm{\&alpha;}\right|}^2+\frac{1}{15}{F}_v+\frac{F_h}{4}\\ <{\left|S_{\mathrm{HP}}\right|}^2>=\frac{2}{15}{F}_v+\frac{F_h}{4}\\ <{\left|S_{\mathrm{PP}}\right|}^2>=F_s+F_d+\frac{3}{15}{F}_v+\frac{F_h}{4}\\ <S_{\mathrm{HH}}{S}_{\mathrm{PP}}^{*}>=F_s\mathrm{\&beta;}+F_d\mathrm{\&alpha;}+\frac{2}{15}{F}_v-\frac{F_h}{4}\\ \frac{1}{2}\mathrm{Im}(<S_{\mathrm{HH}}{S}_{\mathrm{HP}}^{*}>+<S_{\mathrm{HV}}{S}_{\mathrm{PP}}^{*}>)=\frac{F_h}{4}\end{array}\right.---3);$

其中，Im(·)表示取虚部；

(2d)求解方程组3)，得到F_s,F_v,F_d,F_h,α,β的值：

取像素点的协方差矩阵C中的的实部的值并与零相比较，如果则令β=1，反之，则令α=-1，根据得到α或β的值，解方程组3），得到其余的未知数F_s,F_v,F_d,F_h的值，其中，Re(·)表示取实部；

(2e)根据求解出的F_s,F_v,F_d,F_h,α,β，得到体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h：

P_s=F_s(1+|β|²)

P_d=F_d(1+|α|²)。4)

P_v=F_v

P_h=F_h

步骤3，根据每个像素点的体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h，对滤波后的极化SAR图像进行初始划分。

3a)根据max(P_s,P_d,P_v,P_h)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。

步骤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V_u：

$V_u=\frac{\underset{\mathrm{\&kappa;}=1}{\overset{m_u}{\mathrm{\&Sigma;}}}{T}_{\mathrm{\&kappa;}}}{m_u}$ u=1,...,20，κ=1,2,...,m_u，

其中T_κ是第u个小类别中各像素点的相干矩阵，m_u是属于第u个小类别中像素点的个数。

步骤5，根据每一类得到的平均聚类中心V_u，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W_iu定义为：

$W_{\mathrm{iu}}=-\frac{1}{2}\{\ln \left(\right|V_i\left|\right)+\ln \left(\right|V_u\left|\right)+\mathrm{Tr}(V_i^{-1}{V}_u+V_u^{-1}{V}_i)\},$

其中，W_iu是相似度矩阵W中第i行第u列的元素，i=1,...,20，u=1,...,20，V_i是第i个小类别的平均聚类中心，V_u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。

步骤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。

(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0；

(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中的每一个元素L_iu：

$L_{\mathrm{iu}}=W_{\mathrm{iu}}-\underset{\mathrm{\&phi;}\&NotEqual;u}{\max }(W_{\mathrm{i\&phi;}}+A_{\mathrm{i\&phi;}}),$

其中，L_iu是吸引度矩阵L中第i行第u列的元素，i=1,...,20，u=1,...,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A_iu为；

$A_{\mathrm{iu}}=\left\{\begin{array}{c}\underset{\mathrm{\&phi;}\&NotEqual;u}{\mathrm{\&Sigma;}}\max (0,L_{\mathrm{\&phi;u}}),i=u\\ \min \{0,L_{\mathrm{uu}}+\underset{\mathrm{\&phi;}\&NotEqual;i,u}{\mathrm{\&Sigma;}}\max (0,L_{\mathrm{\&phi;u}})\},i\&NotEqual;u\end{array}\right.,$

其中，A_iu是归属度矩阵A中第i行第u列的元素，i=1,...,20，u=1,...,20，φ=1,...,20；

(6e)更新归属度矩阵A和吸引度矩阵L：根据已获得的归属度矩阵A和吸引度矩阵L，则中间变量g=(1-λ)×A+λ×a，中间变量f=(1-λ)×L+λ×b，再令A=g，L=f，更新归属度矩阵A和吸引度矩阵L，其中，λ是收敛系数，λ∈[0.5,1)；

(6g)重复步骤(6b)-(6e)，直到迭代次数等于给定的迭代次数n，其中n=1000，根据L(u,u)+A(u,u)的值判断u是否为聚类中心，如果L(u,u)+A(u,u)>0，则u是聚类中心，反之，u不是聚类中心，u=1,...,20，从而获得预分类结果。

步骤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。

(7a)对整幅图像预分类得到的结果，计算每一类的聚类中心B_c：

$B_c=\frac{\underset{\mathrm{\&rho;}=1}{\overset{n_c}{\mathrm{\&Sigma;}}}{T}_{\mathrm{\&rho;}}}{n_c}$ c=1,...,k，ρ=1,2,...,n_c，

其中T_ρ是第c类中各像素点的相干矩阵，n_c是属于第c类的像素点的个数，k为预分类得到的类别数；

(7b)根据每一类的聚类中心B_c，计算每个像素点到第c类聚类中心的距离：

$d(<T>,B_c)=\ln \left[B_c\right]+\mathrm{Tr}(B_c^{-1}<T>)$ c=1,...,k，

其中T是像素点的协方差矩阵，ln[·]表示求对数，<·>表示按视数平均，[·]表示矩阵的行列式，Tr(·)表示矩阵的迹，表示对聚类中心B_c求逆；

(7c)根据每个像素点到各聚类中心的距离，对预分类后得到整幅图像的类别重新进行划分：

如果d(<T>,B_τ)≤d(<T>,B_ψ)，则将该像素点划分为第τ类，如果d(<T>,B_τ)>d(T,B_ψ)，则将该像素点划分为第ψ类，

其中，d(<T>,B_τ)是像素点到第τ类聚类中心的距离，d(<T>,B_ψ)是像素点到第ψ类聚类中心的距离，τ,ψ=1,...,k,τ≠ψ；

(7d)重复步骤(7a)-(7c)，直到迭代次数等于给定的迭代次数μ=2，得到最终分类结果。

本发明的效果可以通过下面的实验仿真进一步说明：

1、实验条件与方法

硬件平台为：IntelCore2DuoCPUE65502.33GHZ、2GBRAM；

软件平台为：MATLABR2011a；

实验方法：分别为本发明和现有的H/α方法以及基于Freeman分解的方法，其中现有的这两种方法都是极化SAR图像分类中引用较多的经典方法。

2、仿真内容与结果

本发明将图2所示的旧金山极化SAR图像作为测试图像，大小为600×470。

仿真一，用现有的H/α分类方法对图2进行分类，分类结果见图3。

由图3可见，地物类别可以大致得到划分，但由于分类类别数的限制，还有较多区域划分不清楚，且对于区域边界的划分过于武断。

仿真二，用现有的基于Freeman分解的分类方法对图2进行分类，分类结果见图4。

由图4可见，分类效果与图3相比，类别区分更合理，并且分类类别数不受限制，但由于Freeman分解并不适用于对城区进行划分，因此分类结果中很多的区域边缘模糊不清晰。

仿真三，用本发明对图2进行分类，分类结果见图5。

由图5可见，本发明得到的分类结果与图3和图4相比，原本不清晰的山脉、植被和城区更易区分，地物细节信息体现得更加精细，其中高尔夫球场、跑马场、左上方的山峰等均可辨识出来。

综上所述，本发明的方法对极化SAR图像的无监督分类能取得更好的分类结果。

Claims (3)

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：

(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P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h：

(2a)读入滤波后图像的每个像素点，这些像素点为一个3×3的相干矩阵T，根据相干矩阵T得到协方差矩阵C；

$C=U^{-1}TU=\left[\begin{array}{ccc}<|S_{HH}{|}^2>& \sqrt{2}<S_{HH}{S}_{HP}^{*}>& <S_{HH}{S}_{PP}^{*}>\\ \sqrt{2}<S_{HP}{S}_{HH}^{*}>& 2<|S_{HP}{|}^2>& \sqrt{2}<S_{HP}{S}_{PP}^{*}>\\ <S_{PP}{S}_{HH}^{*}>& \sqrt{2}<S_{PP}{S}_{HP}^{*}>& <|S_{PP}{|}^2>\end{array}\right]---1)$

其中，U是中间变量， $U=\frac{1}{\sqrt{2}}\&times;\left(\begin{array}{ccc}1& 0& 1\\ 1& 0& -1\\ 0& \sqrt{2}& 0\end{array}\right),$ H表示水平极化，P表示垂直极化，S_HH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_HP表示水平向发射垂直向接收的回波数据，()^*表示这个数据的共轭，<·>表示按视数平均；

(2b)将协方差矩阵C分解成如下表示：

其中，F_s为平面散射分量的分解系数，F_d为二面角散射分量的分解系数，F_v为体散射分量的分解系数，F_h为螺旋散射分量的分解系数，β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为α＝I_HI_PH/I_PI_PP，I_H和I_P分别表示地表的水平及垂直反射系数，I_PH和I_PP分别表示竖直墙体的水平及垂直反射系数，j为虚部；

(2c)将式2)中矩阵的元素与式1)中协方差矩阵C的元素相对应，获得一个具有六个未知数F_s,F_v,F_d,F_h,α,β和五个方程的方程组如下：

$\left\{\begin{array}{c}<|S_{HH}{|}^2>=F_s|\mathrm{\&beta;}{|}^2+F_d|\mathrm{\&alpha;}{|}^2+\frac{1}{15}{F}_v+\frac{F_h}{4}\\ <|S_{HP}{|}^2>=\frac{2}{15}{F}_v+\frac{F_h}{4}\\ <|S_{PP}{|}^2>=F_s+F_d+\frac{3}{15}{F}_v+\frac{F_h}{4}\\ <S_{HH}{S}_{PP}^{*}>=F_s\mathrm{\&beta;}+F_d\mathrm{\&alpha;}+\frac{2}{15}{F}_v-\frac{F_h}{4}\\ \frac{1}{2}\mathrm{Im}(<S_{HH}{S}_{HP}^{*}>+<S_{HV}{S}_{PP}^{*}>)=\frac{F_h}{4}\end{array}\right.---3);$

其中，Im(·)表示取虚部；

(2d)求解方程组3)，得到F_s,F_v,F_d,F_h,α,β的值：

取像素点的协方差矩阵C中的的实部的值并与零相比较，如果则令β＝1，反之，则令α＝-1，根据得到α或β的值，解方程组3)，得到其余的未知数F_s,F_v,F_d,F_h的值，其中，Re(·)表示取实部；

(2e)根据求解出的F_s,F_v,F_d,F_h,α,β，得到体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h：

P_s＝F_s(1+|β|²)

P_d＝F_d(1+|α|²)；

P_v＝F_v

P_h＝F_h

(3)根据每个像素点的体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h，对滤波后的极化SAR图像进行初始划分：

3a)根据max(P_s,P_d,P_v,P_h)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V_u：

$\begin{array}{ccc}{V}_u=\frac{\underset{\mathrm{\&kappa;}=1}{\overset{m_u}{\&Sigma;}}{T}_{\mathrm{\&kappa;}}}{m_u}& u=1,...,20,& \mathrm{\&kappa;}=1,2,...,m_u\end{array},$

其中T_κ是第u个小类别中各像素点的相干矩阵，m_u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V_u，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W_iu定义为：

$W_{iu}=-\frac{1}{2}\{ln\left(\right|V_i\left|\right)+ln\left(\right|V_u\left|\right)+Tr(V_i^{-1}{V}_u+V_u^{-1}{V}_i)\},$

其中，W_iu是相似度矩阵W中第i行第u列的元素，i＝1,...,20，u＝1,...,20，V_i是第i个小类别的平均聚类中心，V_u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：

(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0；

(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中的每一个元素L_iu：

$L_{iu}=W_{iu}-\underset{\mathrm{\&phi;}\&NotEqual;u}{max}(W_{i\mathrm{\&phi;}}+A_{i\mathrm{\&phi;}}),$

其中，L_iu是吸引度矩阵L中第i行第u列的元素，i＝1,...,20，u＝1,...,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A_iu为；

$A_{iu}=\left\{\begin{array}{c}\underset{\mathrm{\&phi;}\&NotEqual;u}{\mathrm{\&Sigma;}}\max (0,L_{\mathrm{\&phi;}u}),i=u\\ \min \{0,L_{uu}+\underset{\mathrm{\&phi;}\&NotEqual;i,u}{\mathrm{\&Sigma;}}\max (0,L_{\mathrm{\&phi;}u})\},i\&NotEqual;u\end{array}\right.,$

其中，A_iu是归属度矩阵A中第i行第u列的元素，i＝1,...,20，u＝1,...,20，φ＝1,...,20；

(6e)更新归属度矩阵A和吸引度矩阵L：根据已获得的归属度矩阵A和吸引度矩阵L，则中间变量g＝(1-λ)×A+λ×a，中间变量f＝(1-λ)×L+λ×b，再令A＝g，L＝f，更新归属度矩阵A和吸引度矩阵L，其中，λ是收敛系数，λ∈[0.5,1)；

(6g)重复步骤(6b)-(6e)，直到迭代次数等于给定的迭代次数n，其中n＝1000，根据L(u,u)+A(u,u)的值判断u是否为聚类中心，如果L(u,u)+A(u,u)>0，则u是聚类中心，反之，u不是聚类中心，u＝1,...,20，从而获得预分类结果；

(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(1)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7×7。

3.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，按如下步骤进行：

(7a)对整幅图像预分类得到的结果，计算每一类的聚类中心B_c：

$\begin{array}{ccc}{B}_c=\frac{\underset{\mathrm{\&rho;}=1}{\overset{n_c}{\&Sigma;}}{T}_{\mathrm{\&rho;}}}{n_c}& c=1,...,k,& \mathrm{\&rho;}=1,2,...,n_c\end{array},$

其中T_ρ是第c类中各像素点的相干矩阵，n_c是属于第c类的像素点的个数，k为预分类得到的类别数；

(7b)根据每一类的聚类中心B_c，计算每个像素点到第c类聚类中心的距离：

$\begin{array}{cc}d(<T>,B_c)=ln\&lsqb;B_c\&rsqb;+Tr(B_c^{-1}<T>)& c=1,...,k\end{array},$

其中T是像素点的协方差矩阵，ln[·]表示求对数，<·>表示按视数平均，[·]表示矩阵的行列式，Tr(·)表示矩阵的迹，表示对聚类中心B_c求逆；

(7c)根据每个像素点到各聚类中心的距离，对预分类后得到整幅图像的类别重新进行划分：

如果d(<T>,B_τ)≤d(<T>,B_ψ)，则将该像素点划分为第τ类，如果d(<T>,B_τ)>d(<T>,B_ψ)，则将该像素点划分为第ψ类，

其中，d(<T>,B_τ)是像素点到第τ类聚类中心的距离，d(<T>,B_ψ)是像素点到第ψ类聚类中心的距离，τ,ψ＝1,...,k,τ≠ψ；

(7d)重复步骤(7a)-(7c)，直到迭代次数等于给定的迭代次数μ＝2，得到最终分类结果。