CN103761741B - 一种基于极化目标分解特征的变分极化sar图像分割方法 - Google Patents

Abstract

本发明公开了一种基于极化目标分解特征的变分极化SAR图像分割方法，利用极化SAR图像的极化相干分解方法和极化非相干分解方法，得到了反应目标属性和目标类型信息的极化目标分解特征向量f，结合区域指示函数F_i ^N、高斯核函数K_RBF和基本CV模型，建立能量泛函，采用水平集方法进行求解，得到极化SAR图像的分割结果。本发明给出的方法不仅仅局限于一种或者两种极化目标分解特征数据，而是使用了多种极化目标分解的特征数据，对极化信息的利用是比较充分的。通过定义区域指示函数F_i ^N，可以利用较少数目的水平集函数表示区域数目较多的情况，大大地减少了计算量。将本发明用于极化SAR图像的分割，可以得到较精确的分割结果。

Description

一种基于极化目标分解特征的变分极化SAR图像分割方法

技术领域

本发明涉及雷达遥感或图像处理技术，即用图像处理技术分析雷达观测信息，尤其涉及一种基于极化目标分解特征的变分极化SAR图像分割方法。

背景技术

极化合成孔径雷达(Synthetic Aperture Radar，SAR)图像的分割是雷达遥感技术领域的重要研究内容，在极化SAR数据的分类、目标检测和目标识别等方面有重要的应用，对雷达遥感技术领域的发展具有重要意义。

极化SAR利用不同的极化发射和极化接收天线的组合，得到雷达目标的极化散射矩阵，进而获得雷达目标的电磁散射特性，该特性可以提供其他雷达参数不能反映出的信息，是刻画雷达目标特性的一个重要参量。为了有效提取出雷达目标的结构信息和电磁散射特性，需要对极化数据进行极化SAR目标的分解。极化目标分解主要分为相干极化目标分解和非相干极化目标分解。相干极化目标分解主要有Pauli分解，Krogager分解等；非相干极化目标分解包括基于互易性和对称性等属性的目标二分法分解方法，即Huynen分解和Barnes-Holm分解等，基于模型的Freeman-Durden分解和Yamaguchi分解等，基于特征矢量的Cloude-Pottier分解和Van Zyl分解等。近年来，利用极化SAR目标分解所得到的极化特征信息，对极化SAR图像进行相关处理已成为一个研究热点。

Krogager提出的相干目标分解方法，将极化散射矩阵分解成球散射、二面角散射、螺旋体散射3个固定类型分量，结合SVM设计分类器可以得到较好的极化SAR图像分类结果。Huynen分解根据目标的属性，将目标分为对称分量、不规则分量与不对称分量，可以较好的分出对称和规则的地物类型。Freeman和Durden利用极化协方差矩阵，建立表面散射、二次散射、体散射的散射模型，根据三种散射分量的散射能量进行极化SAR图像的分类。

Yamaguchi在此基础上增添了螺旋体散射，进行了极化SAR图像的进一步更细致的划分。利用Freeman-Durden分解得到的散射特征与散射熵()以及Wishart分布统计特征进行极化SAR图像的分类处理，也可以得到较好的结果。Cloude-Pottier利用极化相干矩阵的特征分解，定义了三个重要的旋转不变极化物理量：散射熵()、散射角()和反熵()，较好的刻画出了目标的散射特性。结合参量与根据极化SAR图像统计特征形成的Wishart分类器，可以清楚地区分自然地物的主要类型，符合散射机制的自然分布。这些方法都是基于极化目标分解的，利用的是一个或者两个极化分解方法得到的特征，得到的分割结果反应的地物信息往往不够精确。

近些年，随着偏微分方程技术的逐渐成熟，变分法在极化SAR图像的分割中，占据了较为重要的位置，获得了广泛应用。该方法通过定义针对图像的能量泛函，利用水平集方法求解能量泛函的极值，以达到对图像分割的目的。I.B.Ayed等人根据极化相干矩阵的Wishart统计特征，建立针对极化SAR图像的能量泛函，进行极化SAR图像的分割。这种方法对极化信息的利用是比较充分的，但单个数据点的极化相干矩阵是一个3×3的复矩阵，数学运算非常复杂。Y.Shuai等利用复Gaussian/Wishart统计分布、漂移Heaviside函数和改进的CV模型建立了应用于极化SAR图像分割的能量泛函，水平集求解的曲线演化方程稳定收敛，避免了局部极小值的出现，但是未能很好地进行极化信息的有效利用。为了较好的利用极化信息，将极化参量组成极化特征向量，建立基于该向量的CV模型，省去了Wishart统计分布的复杂数学运算，还有效地利用了极化信息。但是该方法也只是用了一种极化目标分解的分解特征，然而不同极化目标分解反应出不同的极化特征信息，这样就会使得上述方法对于极化信息的利用不够充分。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于极化目标分解特征的变分极化SAR图像分割方法，充分利用极化目标分解的分解特征，同时利用变分法和核函数的优势，较好的处理高维数灾难问题，采用水平集方法数值求解，得到较为精确的极化SAR图像分割结果。

为实现上述目的，本发明提供了一种基于极化目标分解特征的变分极化SAR图像分割方法，利用不同极化目标分解的分解特征形成的特征向量，结合核函数和CV模型建立能量泛函，具体由以下步骤进行实现：

步骤1：根据极化目标分解特征数据，建立极化目标分解特征向量：

根据极化SAR图像Pauli分解，Huynen分解，Cloude-Pottier分解，Freeman-Durden分解，SDH分解，VanZyl分解各自得到的3个分解特征数据，Yamaguchi分解得到的4个分解特征数据，以及Huynen分解的推广分解方法，即Barnes-Holm分解，在两种不同的特征向量情况下，得到的6个极化特征数据，一共28个极化目标分解特征数据，构成分解特征向量f＝(f₁,f₂,...,f_D)，其中f_k,k＝1,...,D,D＝28，表征某一个分解特征。

步骤2：将极化SAR图像I(x,y)整个区域Ω任意划分为N个区域Ω_i,i＝1,...,N，所述极化SAR图像I(x,y)中的每个区域用i标注。

步骤3：计算区域指示函数F_i ^N。

当2^m＝N时，将十进制数i-1表示为m位的二进制数或1，j＝1,...,m，定义区域指示函数为：

$F_i^N={(-1)}^{s_i^m}\underset{j=1}{\overset{m}{\Π}}\left(H_{\mathrm{\ϵ}}\right({\mathrm{\φ}}_j\left(x,y\right))-b_j^{m,i-1})$

当2^m-1＜N＜2^m时，定义m₁＝m-1，i₁＝i-i₀，将十进制数i₁-1表示为m₁位的二进制数或1，j＝1,...,m，定义区域指示函数为：

$\left\{\begin{array}{cc}{F}_i^N={(-1)}^{s_i^m}\underset{j=1}{\overset{m}{\Π}}\left(H_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_j\left(x,y\right)\right)-b_j^{m,i-1}\right),& i=1,...,2i_0\\ F_i^N={(-1)}^{s_{i_1}^{m_1}}\underset{j=1}{\overset{m_1}{\Π}}\left(H_{\mathrm{\ϵ}}\right({\mathrm{\φ}}_j\left(x,y\right))-b_j^{m_1,i_1-1}),& i=2i_0+1,...,N\end{array}\right.$

其中，N为图像区域个数，i表示第i个区域，m为水平集函数数目，φ_j(x,y)，j＝1,...,m为第j个水平集函数，为φ_j(x,y)对应的正则化Heaviside函数，ε用以控制函数从0上升到1的快慢。

步骤4:计算区域的极化目标分解特征均值向量i＝1,...,N。

步骤5：对所述极化目标分解特征向量f和所述区域的均值向量i＝1,...,N，及其差值的范数进行核函数处理：

所述极化目标分解特征向量f和所述均值向量通过非线性函数映射到高维空间之后为和所述f和之间差值的范数经过映射之后为根据核函数的表示式：将转化为用核函数表示的形式：

其中，·表示向量间的点乘，(*)^T表示向量的转置，K(*,*)表示核函数。

步骤6：基于提取的极化目标分解特征向量和核函数，建立极化SAR图像分割能量泛函E：

其中，λ_i为第i个区域的加权系数，μ为边界能量项的加权系数，取值通常为[0.1,0.5]，为L2范数，▽是图像的梯度算子，φ_r(x,y)，r＝1,...,m为第r个水平集函数，为正则化的Dirac函数，由正则化Heaviside函数求导所得，根据N的值，按照步骤3计算F_i ^N，并按照步骤4计算

步骤7：采用变分法最小化能量泛函，利用水平集方法得到曲线演化方程：

最小化所述步骤6中的能量泛函E，对φ_r(x,y),r＝1,...,m进行求导，根据变分原理得到水平集函数的演化方程：

$\frac{\∂{\mathrm{\φ}}_r(x,y)}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_r\right(x,y\left)\right)\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}-{\mathrm{\λ}}_i(1-\exp (-\left|\right|f-\stackrel{\‾}{f_i}|{|}_2^2/{\mathrm{\σ}}^2\left)\right)F_{i\_r}^N+\mathrm{\μ}div\left(\frac{\▿{\mathrm{\φ}}_r(x,y)}{|\▿{\mathrm{\φ}}_r(x,y)|}\right)\}$

当2^m＝N时，有：

$F_{i\_r}^N={(-1)}^{s_i^m}\underset{j=1,j\≠r}{\overset{m}{\Π}}\left(H_{\mathrm{\ϵ}}\right({\mathrm{\φ}}_j\left(x,y\right))-b_j^{m,i-1})$

当2^m-1＜N＜2^m时，有：

$\left\{\begin{array}{cc}{F}_{i\_r}^N={(-1)}^{s_i^m}\underset{j=1,j\≠r}{\overset{m}{\Π}}\left(H\right({\mathrm{\φ}}_j\left(x,y\right))-b_j^{m,i-1}),& i=1,...,2i_0\\ F_{i\_r}^N={(-1)}^{s_{i_1}^{m_1}}\underset{j=1,j\≠r}{\overset{m_1}{\Π}}\left(H\right({\mathrm{\φ}}_j\left(x,y\right))-b_j^{m_1,i_1-1}),& i=2i_0+1,...,N\end{array}\right.$

其中，表示步骤3中F_i ^N计算式中j＝1,...,m,，但j≠r时的计算结果，为边界曲线的曲率，t为时间变量。

步骤8：根据所述步骤7得到的曲线演化方程，采用数值方法进行求解，得到极化SAR图像分割结果。

所述步骤3和步骤7所述正则化Heaviside函数中参数ε的取值范围为[0.1,2]。

所述步骤5中所述核函数为高斯核函数：σ为高斯核函数的标准差，取值为[5,50]，为L2范数，则有

在本发明的较佳实施方式中，所述步骤8中所述水平集函数迭代过程为：其中，r＝1,...,m，Δt为离散的时间变量，取值范围为[0.5,10]。当φ_r(x,y)^t+1与φ_r(x,y)^t的差值φ_r(x,y)^t+1-φ_r(x,y)^t小于一个很小的数ξ(取值范围[0.000001,0.001])，即φ_r(x,y)^t+1-φ_r(x,y)^t＜ξ时，或者达到预先设定的迭代次数Ξ(取值范围为[10,500])时，停止迭代，得到最终的水平集函数，即可得到极化SAR图像的分割结果。

本发明利用极化SAR图像的极化相干分解方法和极化非相干分解方法，得到了反应目标属性和目标类型信息的极化目标分解特征向量f，结合区域指示函数F_i ^N、高斯核函数K_RBF和基本CV模型，建立能量泛函，采用水平集方法进行求解，得到极化SAR图像的分割结果。该方法不仅仅局限于一种或者两种极化目标分解特征数据，而是使用了多种极化目标分解的特征数据，对极化信息的利用是比较充分的。通过定义区域指示函数F_i ^N，可以利用较少数目的水平集函数表示区域数目较多的情况，大大地减少了计算量。为使极化分解特征数据线性可分，采用非线性映射函数将极化特征数据映射到高维空间，并利用高斯核函数解决高维维数灾难问题和非线性映射函数的复杂性问题。采用水平集方法求解能量泛函最小值，将曲线演化转化成曲面演化，有效解决了拓扑结构变化的问题，提高了算法的鲁棒性。将本发明用于极化SAR图像的分割，可以得到较精确的分割结果。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例进行极化SAR图像分割的流程图；

图2是采用本发明方法进行Foulum地区极化SAR图像数据分割的结果。

具体实施方式

在本发明一实施例中，对EMISAR获得的丹麦Foulum地区L波段极化SAR图像数据进行处理，EMISAR是由丹麦技术大学电磁学研究院(EMI)针对遥感应用而开发的L波段和C波段全极化SAR系统。处理流程如图1所示，具体步骤如下：

利用Foulum地区极化SAR图像Pauli分解，Huynen分解，Cloude-Pottier分解，Freeman-Durden分解，SDH分解，VanZyl分解，Yamaguchi分解，Barnes-Holm分解(两种情况)的28个极化目标分解特征，建立极化分解特征向量f＝(f₁,f₂,...,f_D),D＝28。

将Foulum地区极化SAR图像数据分割成4个类别，也即N＝4,m＝2，i＝1,2,3,4，r＝1,2，则水平集函数集合为Ψ＝{φ₁(x,y),φ₂(x,y)}，则4个区域用水平集函数表示为：

区域1：φ₁(x,y)＞0,φ₂(x,y)＞0，区域2：φ₁(x,y)＞0,φ₂(x,y)＜0，

区域3：φ₁(x,y)＜0,φ₂(x,y)＞0，区域4：φ₁(x,y)＜0,φ₂(x,y)＜0；

水平集函数集合Ψ对应的正则化Heaviside函数集合为H_ε(φ(x,y))＝(H_ε(φ₁(x,y)),H_ε(φ₂(x,y)))，其中，ε＝1.5，可以得到：

$H_{1.5}\left({\mathrm{\φ}}_1\right(x,y\left)\right)=\frac{1}{2}(1+\frac{2}{\mathrm{\π}}arctan(\frac{{\mathrm{\φ}}_1(x,y)}{1.5}\left)\right),H_{1.5}\left({\mathrm{\φ}}_2\right(x,y\left)\right)=\frac{1}{2}(1+\frac{2}{\mathrm{\π}}arctan(\frac{{\mathrm{\φ}}_2(x,y)}{1.5}\left)\right)$

则极化SAR图像4个区域的指示函数为：

$F_1^4=H_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_1\right(x,y\left)\right)H_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_2\right(x,y\left)\right),F_2^4=H_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right(x,y\left)\right)(1-H_{\mathrm{\ϵ}}({\mathrm{\φ}}_2\left(x,y\right)\left)\right),$

$F_3^4=(1-H_{\mathrm{\ϵ}}({\mathrm{\φ}}_1\left(x,y\right)\left)\right)H_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_2\right(x,y\left)\right),F_4^4=(1-H_{\mathrm{\ϵ}}({\mathrm{\φ}}_1\left(x,y\right)\left)\right)(1-H_{\mathrm{\ϵ}}({\mathrm{\φ}}_2\left(x,y\right)\left)\right);$

对应的极化特征向量均值为：

$\stackrel{\‾}{f_1}=\frac{\underset{\mathrm{\Ω}}{\∫\∫}{\mathrm{fF}}_1^{4}dxdy}{\underset{\mathrm{\Ω}}{\∫\∫}{F}_1^{4}dxdy},\stackrel{\‾}{f_2}=\frac{\underset{\mathrm{\Ω}}{\∫\∫}{\mathrm{fF}}_2^{4}dxdy}{\underset{\mathrm{\Ω}}{\∫\∫}{F}_2^{4}dxdy},\stackrel{\‾}{f_3}=\frac{\underset{\mathrm{\Ω}}{\∫\∫}{\mathrm{fF}}_3^{4}dxdy}{\underset{\mathrm{\Ω}}{\∫\∫}{F}_3^{4}dxdy},\stackrel{\‾}{f_4}=\frac{\underset{\mathrm{\Ω}}{\∫\∫}{\mathrm{fF}}_4^{4}dxdy}{\underset{\mathrm{\Ω}}{\∫\∫}{F}_4^{4}dxdy}$

极化目标分解特征向量f和均值向量i＝1,2,3,4的差值范数经过映射之后为用高斯核函数处理之后有：

根据CV模型，可以建立极化SAR图像分割能量泛函：

$E=\underset{i=1}{\overset{4}{\Σ}}2{\mathrm{\λ}}_i\underset{\mathrm{\Ω}}{\∫\∫}{F}_i^4(1-\exp (-\left|\right|f-\stackrel{\‾}{f_i}|{|}_2^2/{\mathrm{\σ}}^2\left)\right)dxdy+\mathrm{\μ}\underset{r=1}{\overset{2}{\Σ}}\underset{\mathrm{\Ω}}{\∫\∫}{\mathrm{\δ}}_{1.5}\left({\mathrm{\φ}}_r\right(x,y\left)\right)|\▿\left({\mathrm{\φ}}_r\right(x,y\left)\right)|dxdy$

其中，λ_i取值固定为λ₁＝λ₂＝λ₃＝λ₄＝1，μ＝0.3，σ＝10，按照下式计算正则化的Dirac函数：

${\mathrm{\δ}}_{1.5}\left({\mathrm{\φ}}_2\right(x,y\left)\right)=\frac{1}{\mathrm{\π}}\frac{1.5}{{1.5}^2+{\mathrm{\φ}}_2{(x,y)}^2},{\mathrm{\δ}}_{1.5}\left({\mathrm{\φ}}_2\right(x,y\left)\right)=\frac{1}{\mathrm{\π}}\frac{1.5}{{1.5}^2+{\mathrm{\φ}}_2{(x,y)}^2}$

根据变分原理r＝1,2，可以得到两个水平集函数的演化方式分别为：

$\begin{array}{c}\frac{\∂{\mathrm{\φ}}_1(x,y)}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_1\right(x,y\left)\right)\{\mathrm{\μ}div\left(\frac{\▿{\mathrm{\φ}}_1(x,y)}{|\▿{\mathrm{\φ}}_1(x,y)|}\right)+\left(\exp \right(-\left|\right|f-\stackrel{\‾}{f_1}|{|}_2^2/{\mathrm{\σ}}^2)-\exp (-\left|\right|f-\stackrel{\‾}{f_3}|{|}_2^2/{\mathrm{\σ}}^2\left)\right)H_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_2\right(x,y\left)\right)\\ +\left(\exp \right(-\left|\right|f-\stackrel{\‾}{f_2}|{|}_2^2/{\mathrm{\σ}}^2)-\exp (-\left|\right|f-\stackrel{\‾}{f_4}|{|}_2^2/{\mathrm{\σ}}^2\left)\right)(1-H_{\mathrm{\ϵ}}({\mathrm{\φ}}_2\left(x,y\right)\left)\right)\}\end{array}$

$\begin{array}{c}\frac{\∂{\mathrm{\φ}}_2(x,y)}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_2\right(x,y\left)\right)\{\mathrm{\μ}div\left(\frac{\▿{\mathrm{\φ}}_2(x,y)}{|\▿{\mathrm{\φ}}_2(x,y)|}\right)+\left(\exp \right(-\left|\right|f-\stackrel{\‾}{f_1}|{|}_2^2/{\mathrm{\σ}}^2)-\exp (-\left|\right|f-\stackrel{\‾}{f_2}|{|}_2^2/{\mathrm{\σ}}^2\left)\right)H_{\mathrm{\ϵ}}\left({\mathrm{\φ}}_1\right(x,y\left)\right)\\ +\left(\exp \right(-\left|\right|f-\stackrel{\‾}{f_3}|{|}_2^2/{\mathrm{\σ}}^2)-\exp (-\left|\right|f-\stackrel{\‾}{f_4}|{|}_2^2/{\mathrm{\σ}}^2\left)\right)(1-H_{\mathrm{\ϵ}}({\mathrm{\φ}}_1\left(x,y\right)\left)\right)\}\end{array}$

采用水平集数值求解方法，得到两个水平集函数的迭代式分别为：其中，离散时间变量Δt＝1.5。当迭代次数达到Ξ＝100时，水平集函数迭代停止，即可得到对Foulum地区极化SAR图像的分割结果。

图2给出了极化SAR图像Foulum地区的实际分割结果，Foulum地区的功率图，如图2中的(a)所示，图像大小为225x250，利用28个极化特征进行分割的结果如图2(b)所示。可以看出，利用本发明的极化目标分解特征的变分法可以将Foulum极化SAR图像进行有效的分割。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.一种基于极化目标分解特征的变分极化SAR图像分割方法，利用不同极化目标分解的分解特征形成的特征向量，结合核函数和CV模型建立能量泛函，其特征在于，包括如下步骤：

步骤1：根据极化目标分解特征数据，建立极化目标分解特征向量：

根据极化SAR图像Pauli分解，Huynen分解，Cloude-Pottier分解，Freeman-Durden分解，SDH分解，VanZyl分解各自得到的3个分解特征数据，Yamaguchi分解得到的4个分解特征数据，以及Huynen分解的推广分解方法，即Barnes-Holm分解，在两种不同的特征向量情况下，得到的6个极化特征数据，一共28个极化目标分解特征数据，构成分解特征向量f＝(f₁,f₂,...,f_D)，其中f_k,k＝1,...,D,D＝28，表征某一个分解特征；

步骤2：将极化SAR图像I(x,y)整个区域Ω任意划分为N个区域Ω_i,i＝1,...,N，图像中的每个区域用i标注；

步骤3：计算区域指示函数F_i ^N：

当2^m＝N时，将十进制数i-1表示为m位的二进制数 或1，j＝1,...,m，定义区域指示函数为：

当2^m-1＜N＜2^m时，定义m₁＝m-1，i₁＝i-i₀，将十进制数i₁-1表示为m₁位的二进制数 或1，j＝1,...,m，定义区域指示函数为：

其中，N为图像区域个数，i表示第i个区域，m为水平集函数数目，φ_j(x,y)，j＝1,...,m为第j个水平集函数，为φ_j(x,y)对应的正则化Heaviside函数，ε用以控制函数从0上升到1的快慢；

步骤4:计算区域的极化目标分解特征均值向量

步骤5：对极化目标分解特征向量f和区域的均值向量及其差值的范数进行核函数处理：

极化目标分解特征向量f和均值向量通过非线性函数映射到高维空间之后为和f和之间差值的范数经过映射之后为根据核函数的表示式：将转化为用核函数表示的形式：

其中，·表示向量间的点乘，(*)^T表示向量的转置，K(*,*)表示核函数；

步骤6：基于提取的极化目标分解特征向量和高斯核函数，建立极化SAR图像分割能量泛函E：

其中，λ_i为第i个区域的加权系数，μ为边界能量项的加权系数，取值为[0.1,0.5]，为L2范数，▽是图像的梯度算子，φ_r(x,y)，r＝1,...,m为第r个水平集函数，为正则化的Dirac函数，由正则化Heaviside函数求导所得，根据N的值，按照步骤3计算并按照步骤4计算

步骤7：采用变分法最小化能量泛函，利用水平集方法得到曲线演化方程：

最小化所述步骤6中的能量泛函E，对φ_r(x,y),r＝1,...,m进行求导，根据变分原理得到水平集函数的演化方程：

当2^m＝N时，有：

当2^m-1＜N＜2^m时，有：

其中，表示步骤3中F_i ^N计算式中j＝1,...,m,但j≠r时的计算结果，为边界曲线的曲率，t为时间变量；

步骤8：根据所述步骤7得到的曲线演化方程，采用数值方法进行求解，得到极化SAR图像分割结果。

2.如权利要求1所述的基于极化目标分解特征的变分极化SAR图像分割方法，其特征在于，所述步骤3和步骤7所述正则化Heaviside函数中参数ε的取值范围为[0.1,2]。

3.如权利要求1所述的基于极化目标分解特征的变分极化SAR图像分割方法，其特征在于，所述步骤5中所述核函数为高斯核函数：σ为高斯核函数的标准差，取值为[5,50]，为L2范数，则有

4.如权利要求1所述的基于极化目标分解特征的变分极化SAR图像分割方法，其特征在于，步骤8中所述水平集函数迭代过程为：其中，r＝1,...,m，Δt为离散的时间变量，取值范围为[0.5,10]；当φ_r(x,y)^t+1与φ_r(x,y)^t的差值φ_r(x,y)^t+1-φ_r(x,y)^t小于一个很小的数ξ，ξ的取值范围为[0.000001,0.001]，即φ_r(x,y)^t+1-φ_r(x,y)^t＜ξ时，或者达到预先设定的迭代次数Ξ，Ξ的取值范围为[10,500]，停止迭代，得到最终的水平集函数，即可得到极化SAR图像的分割结果。