CN104050486B - 基于图和Wishart距离的极化SAR图像分类方法 - Google Patents

Abstract

本发明公开了一种基于图和Wishart距离的极化SAR图像分类方法，主要解决传统有监督分类方法中杂点过多，地物类别模糊的问题。其实现步骤是：1.读取极化SAR数据协方差矩阵并对其进行滤波；2.用滤波后的协方差矩阵构建权值图,并将其按权值递增排序；3.按序遍历权值图，判断每条权值边的权值连接的两个区域是否合并，若合并则更新两个区域的标签号，否则不变，遍历完后得到过分割标签；4.合并该过分割标签中像素点过小的区域，得到新的标签；5.将新标签中的每个区域用有监督分类法标注为标准图中与其最相似的那一类区域的标签号，得到最终分类标签。本发明抗干扰强，地物类别模糊小，分类精度高，可用于极化SAR目标识别。

Description

基于图和Wishart距离的极化SAR图像分类方法

技术领域

本发明属于图像处理领域，特别涉及一种涉及极化SAR图像分类的方法，可应用于目标识别。

背景技术

SAR是一种全天时、全天候的高分辨率雷达体制，应用于军事，导航，农业，地理监视等众多领域。与光学成像系统和其它遥感成像系统相比，SAR被广泛的应用在军事目标识别中的目标检测领域，而相比单极化SAR来说，极化SAR通过测量每个分辨单元的不同的发收组合的散射特征，更加完备的记录了目标的后向散射信息，为更好的分析目标的散射特性提供依据。在过去的二十多年的科学研究里，很多学者证明了极化SAR图像分类是图像解译中的一个非常重要的步骤，分类结果图可作为一个中间步骤为图像的边缘提取、目标检测与识别提供帮助，或者其本身就可以作为用户需求的最终结果。对极化SAR分类的研究于探索目标散射特性以及提高极化SAR系统应用水平有着举足轻重的作用。

因为极化SAR图像成像的特殊性，使得极化SAR图像不能使用自然图像中的特征如灰度值，RGB值等。极化SAR图像含有大量的相干斑噪声，对一般的分类方法来说，噪声敏感度很强。因此对于极化SAR而言，使用到的特征多数为散射矩阵及其协方差矩阵。现有的极化SAR分类方法基本都以像素为分类单元，现有的分类方法涉及基于散射机理和极化目标分解的极化SAR图像分类，也有运用现存的数学方法如支持向量机，马尔科夫随机场和基于统计分布的分类方法。

极化SAR分类中用到的特征，既有图像信息也有极化信息，图像信息为灰度共生矩阵等，而对于极化SAR来说，更重要的、使用更广泛的信息为极化信息，极化信息利用的方式也有很多种，大致可分为三种,一是直接利用散射矩阵以及散射矢量，二是利用散射矩阵的协方差矩阵或者相干矩阵，三是利用极化SAR的极化分解信息或者其它的极化特征。

现有的多数分类方法皆是以像素为分辨单元的方法，但是由于相干斑的影响，即使在去噪的情况下，仍因为其高敏感度而不能避免干扰，因此，有学者开始尝试先将极化SAR数据初始化成像素块，而后以像素块代替像素来进行分割、分类。

几种经典的极化SAR分类算法有：

1.非监督分类经典方法之一的H-α方法，这种方法通过计算极化SAR数据的每个点的散射熵和散射角，根据每个散射熵与散射角的大小分别将数据分为3类，组合后的图像被分为9类，由于H-α方法对所有的数据都分为9类，使得类别数存在误差，且由于相干斑噪声的无法抑制，易出现地物类别模糊问题。

2.20世纪末Freeman、Durden等人提出了三分量分解也被称为Freeman-Durden分解，三分量分解是将散射矩阵的协方差矩阵分解成表面散射、偶次散射、体积散射。由于这个三分量模型不适合城区地物，Yamaguchi等人在这个算法上又作了改进，提出了四分量模型，在原有的三分量模型基础上添加了螺旋散射分量，也对Freeman-Durden分解中的体积散射做了改进，然而改进后的算法对于地物非常类似的同构地区区分度仍旧不高。

21世纪初至现今，尽管很多学者和研究者们对这些无监督方法进行了改进，还引用了一些算法来对极化SAR图像进行分类，如支持向量机SVM，神经网络，小波分析，统计，以及分形等，但由于相干斑噪声的干扰使得这些算法的分类精度无法进一步提高。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于图和Wishart距离的极化SAR图像分类方法，以减小相干斑噪声的干扰，改善地物类别模糊，提高整体分类精度。

实现本发明目的的技术思路是：用极化SAR数据的协方差矩阵特征代替现有的图方法中的灰度值特征，将极化SAR数据过分割成均匀像素块的集合，避免了相干斑噪声的干扰，以像素块作为Wishart有监督方法的分类单元，提高分类的精度。其技术步骤包括如下：

1)读取极化SAR数据协方差矩阵m×n为像素个数，对协方差矩阵C⁰进行精致Lee滤波处理得到滤波后的协方差矩阵C(C₁,C₂,...,C_m×n)；

2)根据协方差矩阵C(C₁,C₂,...,C_m×n)构建权值图G(V,E)：

2a)将极化SAR图像的每个像素点都作为权值图中的一个顶点，设v_i为第i个顶点，v_j为顶点v_i八邻域中的一个顶点，计算顶点v_i和v_j的不相似度e(v_i,v_j)：

其中，i∈(1,m×n)，C_i为v_i的协方差矩阵，C_j为顶点v_j的协方差矩阵，是对C_i的求逆，是对C_j的求逆，tr是指矩阵的迹，re(·)表示取实部；

2b)利用步骤式<1>，计算顶点集V(v₁,v₂,...,v_m×n)中的所有顶点与其对应的八邻域的不相似度即图的边集E(e₁,e₂,...,e_w)，w为权值图中权值边的个数；

2c)用顶点集V中的各顶点和连接各顶点与其对应的八邻域中的每个顶点之间的权值边集合E组成全连图即权值图G(V,E)；

3)根据权值图G(V,E)对极化SAR数据进行过分割处理，得到过分割标签label₀：

3a)对权值图G(V,E)按照权值边集E(e₁,e₂,...,e_w)中元素递增的顺序排序；

3b)定义初始分割标签S⁰，S⁰中每个顶点分别为一类；

3c)，第p个权值边为p＝1；

3d)如果S^p-1分割结果中第p个权值边连接的两个顶点v_i、v_j不在同一个块中，令顶点v_i、v_j在S^p-1中对应的标签号分别为I和J，令S^p-1中标签号为I、J的区域为D_I、D_J，计算D_I、D_J的内部不相似度M(D_I,D_J)：

其中，dif(D_I)为区域D_I的最小生成树中的最大值，dif(D_J)为区域D_J的最小生成树中的最大值，c_I为区域D_I中的像素个数，c_J为区域D_J中的像素个数，k为大于零的常数；

3e)判断e_p<M(D_I,D_J)是否成立，其中e_p表示第p个权值边的权值，若成立，则将分割标签S^p-1中D_I、D_J这两个区域的标签号I、J中的较小值作为新的分割标签S^p中这两个区域的标签号，即合并区域D_I、D_J，否则，S^p＝S^p-1；

3f)令p＝p+1，返回到步骤3d)，直到p＝w时停止，其中w为权值边的个数，得到分割结果label₀＝S^w；

4)设定一个后处理阈值:m＝20，统计分割结果label₀中每一个标签的像素点个数，如果该标签的像素点个数小于m，则将该标签的像素点与它邻域中不相似度最小的块进行合并，得到新的标签图label₁。

5)将标签label₁中的每个标签号对应的区域作为一个分类单元，用Wishart有监督分类方法得到label₁中每个区域在标准图中对应的标签号，即最终的分类结果。

本发明与现有的技术相比具有以下优点：

1.本发明采取先将极化SAR数据过分割成许多均匀的小区域，然后以小区域为分辨单元分类，避免了相干斑噪声的干扰，改善了传统分类结果中杂点过多的情况；

2.本发明中对初步过分割结果中像素点个数过小的区域进行合并，减少了分类时的类别模糊；

3.将现有图方法中的不相似度计算公式变为修正的Wishart距离，更能适应极化SAR数据，使得分类结果精确度明显提高。

附图说明

图1是本发明的实现流程示意图；

图2是本发明在AIRSAR Flevoland农田数据上的实验结果图；

具体实现方式

以下结合附图对本发明的方案和效果作进一步详细描述。

参照图1，本发明的具体实现步骤如下：

步骤一、读取极化SAR数据协方差矩阵m×n为像素个数，对协方差矩阵C⁰用7×7的窗口进行精致Lee滤波处理，得到滤波后的协方差矩阵C(C₁,C₂,...,C_m×n)；

步骤二、根据协方差矩阵C(C₁,C₂,...,C_m×n)构建权值图G(V,E)。

2a)将极化SAR图像的每个像素点都作为权值图中的一个顶点，设v_i为第i个顶点，v_j为顶点v_i八邻域中的一个顶点，计算顶点v_i和v_j的不相似度e(v_i,v_j)：

其中，i∈(1,m×n)，C_i为v_i的协方差矩阵，C_j为顶点v_j的协方差矩阵，是对C_i的求逆，是对C_j的求逆，tr是指矩阵的迹，re(·)表示取实部；

2b)利用步骤式<1>，计算顶点集V(v₁,v₂,...,v_m×n)中的所有顶点与其对应的八邻域的不相似度即图的边集E(e₁,e₂,...,e_w)，w为权值图中权值边的个数；

2c)用顶点集V中的各顶点和连接各顶点与其对应的八邻域中的每个顶点之间的权值边集合E，组成全连图即权值图G(V,E)。

步骤三、根据权值图G(V,E)对极化SAR数据进行过分割处理，得到过分割标签label₀。

3a)对权值图G(V,E)按照权值边集E(e₁,e₂,...,e_w)中元素递增的顺序排序；

3b)定义初始分割标签S⁰，S⁰中每个顶点分别为一类；

3c)设第p个权值边为p＝1；

3d)判断第p个权值边连接的两个顶点在分割标签S^p-1中对应的两个区域是否在同一个块中：如果在同一个块中，则跳到步骤3f)；如果不在同一个块中，则令顶点v_i、v_j在S^p-1中对应的标签号分别为I和J，并令Sp^-1中标签号为I、J的区域分别为D_I、D_J，计算D_I、D_J的内部不相似度M(D_I,D_J)：

其中，dif(D_I)为I区域D_I最小生成树中的最大值，dif(D_J)为J区域D_J最小生成树中的最大值，c_I为I区域D_I中的像素个数，c_J为J区域D_J中的像素个数，k为大于零的常数；

3e)判断e_p<M(D_I,D_J)是否成立，其中e_p表示第p个权值边的权值，若成立，则将分割标签S^p-1中D_I、D_J这两个区域的标签号I、J中的较小值F＝min(I,J)作为新的分割标签S^p中这两个区域的标签号，即将区域D_I、D_J合并为D_F，并将e_p作为合并后的新区域D_F的最小生成树的最大值dif(D_F)；否则，S^p＝S^p-1；

3f)令p＝p+1，返回到步骤3d)，直到p＝w时停止，其中w为权值边的个数，得到分割结果label₀＝S^w。

步骤四、设定一个后处理阈值：m＝20，将label₀中像素点个数小于m的区域与其邻域中最相似的区域合并，得到新的标签label₁。

4a)统计分割结果label₀中标签类数L以及每个标签为l的区域D_l的像素点个数n(l)，其中l＝1,2,…,L。

4b)令l＝1；

4c)将区域D_l中的像素点个数n(l)与阈值m进行比较，如果n(l)<m，则统计标签号为l的区域D_l的邻域个数z(l)以及各邻域的标签号o(c)，其中c＝1,2,…,z(l)；

4d)根据邻域个数z(l)判断l区域D_l是否只有一个邻域：若z(l)＝1，则表示l区域D_l只有一个邻域，并将该邻域的标签号o(c)作为l区域D_l的新标签号；若z(l)>1，则表示l区域D_l有多个邻域，并计算l区域D_l与每个邻域D_o(c)的不相似度W(D_l,D_o(c))：

其中o(c)为l区域D_l的第c个邻域的标签号，c＝1,2,…,z(l)，为l区域D_l中所有像素点的协方差矩阵的平均值，为邻域D_o(c)中所有像素点的协方差矩阵的平均值，是的逆矩阵，是的逆矩阵，tr(·)是指矩阵的迹，||·||表示取绝对值；

4e)假设l区域D_l与其第c₀个邻域的不相似度W(D_l,D_o(c))最小，则将标签号o(c₀)作为l区域D_l中像素点的新标签号，即合并区域D_l和区域

4f)令l＝l+1，返回到步骤4c)，直到l＝L时停止，得到新的标签label₁。

步骤五、将标签label₁中的每个标签号对应的区域作为一个分类单元，用Wishart有监督分类方法得到label₁中每个区域在标准图中对应的标签号，即最终的分类结果。

5a)统计分割标签label₁中的标签类别数Q，新的标签label₁中标签号为q的区域表示为D_q，其中q＝1,2,…,Q，计算新的标签label₁中的区域D_q中所有像素点的协方差矩阵平均值统计标准图中标签类别数T，标准图中标签号为t的区域表示为D_t，其中t＝1,2,…,T，计算标准图中区域D_t中所有像素点的协方差矩阵的平均值

5b)定义分类标签为label，并将所有像素点的标签号初始化为0，令q＝1；

5c)根据步骤5a)中得到的所述协方差矩阵平均值和计算新的标签label1中标签号为q的区域D_q与标准图中的每个区域D_t的不相似度W(D_q,D_t)：

其中，tr为矩阵的迹，t＝1,2,…,T，(·)^-1表示矩阵取逆，||·||表示取绝对值；

5d)比较新的标签label₁中标签号为q的区域D_q与标准图中的每个区域D_t的不相似度W(D_q,D_t)之间的大小，t＝1,2,…,T，将值最小的不相似度W(D_q,)所对应标准图中区域的标签号t₀作为区域D_q中所有像素点在分类标签label中的标签号；

5e)令q＝q+1，返回到步骤5c)，当q＝Q时停止，得到Q个区域每个区域的分类标签号，即最终分类标签label。

本发明的效果通过以下实验可以进一步说明

1.仿真内容

用本方法和传统的以像素点为分类单元的Wishart有监督方法分别对AIRSARFlevoland农田极化SAR数据进行分割分类，农田数据的大小为380×420像素，实验结果如图2所示，其中：

图2(a)表示农田极化SAR数据Pauli分解伪彩图；

图2(b)为分类结果标准图；

图2(c)表示的是用传统的Wishart有监督方法对农田极化SAR数据分类的结果图；

图2(d)是对2(c)所示分类结果去除非测试地区后的示意图；

图2(e)表示用本发明方法对农田极化SAR数据初步过分割的结果示意图；

图2(f)表示用本发明方法对初步过分割结果中像素点个数较小的区域合并后的示意图；

图2(g)表示用本发明方法分类的结果示意图；

图2(h)是对图2(g)所示分类结果去除非测试区域后的示意图；

2.仿真结果分析

从图2(e)和图2(f)可以看出，本发明合并小区域后使得区域与区域之间的边缘更清晰。

从图2(c)和图2(g)可以看出，传统的分类结果中，由于相干斑噪声的影响，每一类中都存在很多杂点，且两类地物的分界处出现地物类别模糊的问题，

可见，本发明很好的避免了分类中相干斑噪声的干扰，改善了类别的模糊，精度明显提高。

Claims (2)

1.一种基于图和Wishart距离的极化SAR图像分类方法，包括如下步骤：

1)读取极化SAR数据协方差矩阵m×n为像素个数，对协方差矩阵C⁰进行精致Lee滤波处理得到滤波后的协方差矩阵C(C₁,C₂,...,C_m×n)；

2)根据协方差矩阵C(C₁,C₂,...,C_m×n)构建权值图G(V,E)：

2a)将极化SAR图像的每个像素点都作为权值图中的一个顶点，设v_i为第i个顶点，v_j为顶点v_i八邻域中的一个顶点，计算顶点v_i和v_j的不相似度e(v_i,v_j)：

$e(v_i,v_j)={\left(re\right(tr\left(C_i\&times;C_j^{-1}\right))+re(tr\left(C_i^{-1}\&times;C_j\right)\left)\right)}^2---<1>$

其中，i∈(1,m×n)，C_i为v_i的协方差矩阵，C_j为顶点v_j的协方差矩阵，是对C_i的求逆，是对C_j的求逆，tr是指矩阵的迹，re(·)表示取实部；

2b)利用步骤式<1>，计算顶点集V(v₁,v₂,...,v_m×n)中的所有顶点与其对应的八邻域的不相似度即图的边集E(e₁,e₂,...,e_w)，w为权值图中权值边的个数；

2c)用顶点集V中的各顶点和连接各顶点与其对应的八邻域中的每个顶点之间的权值边集合E组成全连图即权值图G(V,E)；

3)根据权值图G(V,E)对极化SAR数据进行过分割处理，得到过分割标签label₀：

3a)对权值图G(V,E)按照权值边E(e₁,e₂,...,e_w)中元素递增的顺序排序；

3b)定义初始分割标签S⁰，S⁰中每个顶点分别为一类；

3c)第p个权值边为p＝1；

3d)如果S^p-1分割结果中第p个权值边连接的两个顶点v_i、v_j不在同一个块中，令顶点v_i、v_j在S^p-1中对应的标签号分别为I和J，令S^p-1中标签号为I、J的区域为D_I、D_J，计算D_I、D_J的内部不相似度M(D_I,D_J)：

$M(D_I,D_J)=min\left(dif\right(D_I)+\frac{k}{c_I},dif(D_J)+\frac{k}{c_J})---<2>$

其中，dif(D_I)为区域D_I的最小生成树中的最大值，dif(D_J)为区域D_J的最小生成树中的最大值，c_I为区域D_I中的像素个数，c_J为区域D_J中的像素个数，k为大于零的常数；

3e)判断e_p<M(D_I,D_J)是否成立，其中e_p表示第p个权值边的权值，若成立，则将分割标签S^p-1中D_I、D_J这两个区域的标签号I、J中的较小值作为新的分割标签S^p中这两个区域的标签号，即合并区域D_I、D_J，否则，S^p＝S^p-1；

3f)令p＝p+1，返回到步骤3d)，直到p＝w时停止，其中w为权值边的个数，得到分割结果label₀＝S^w；

4)设定一个后处理阈值:m＝20，统计分割结果label₀中每一个标签的像素点个数，如果该标签的像素点个数小于m，则将该标签的像素点与它邻域中不相似度最小的块进行合并，得到新的标签图label₁；

5)将标签label₁中的每个标签号对应的区域作为一个分类单元，用Wishart有监督分类方法得到label₁中每个区域在标准图中对应的标签号，即最终的分类结果；

步骤4)所述的将该标签的像素点与它邻域中不相似度最小的块进行合并，其实现如下：

4a)统计分割结果label₀中标签类数L以及每个标签为l的区域D_l的像素点个数n(l)，其中l＝1,2,…,L；

4b)令l＝1；

4c)将区域D_l中的像素点个数n(l)与阈值m进行比较，如果n(l)<m，则统计标签号为l的区域D_l的邻域个数z(l)以及各邻域的标签号o(c)，其中c＝1,2,…,z(l)；

4d)根据邻域个数z(l)来判断D_l是否只有一个邻域，若z(l)＝1，则表示D_l只有一个邻域，并将该邻域的标签号o(c)作为D_l的新标签号；若z(l)>1，则表示D_l有多个邻域，并计算D_l与每个邻域D_o(c)的不相似度W(D_l,D_o(c))：

$W(D_l,D_{o\left(c\right)})=|tr({\stackrel{\&OverBar;}{C}}_l\&times;{\stackrel{\&OverBar;}{C}}_{o\left(c\right)}^{-1})+tr({\stackrel{\&OverBar;}{C}}_l^{-1}\&times;{\stackrel{\&OverBar;}{C}}_{o\left(c\right)})|---<3>$

其中o(c)为区域D_l的第c个邻域的标签号，c＝1,2,…,z(l)，为区域D_l中所有像素点的协方差矩阵的平均值，为区域D_o(c)中所有像素点的协方差矩阵的平均值，是的逆矩阵，是的逆矩阵，tr(·)是指矩阵的迹，|·|表示取绝对值，

4e)假设区域D_l与其第c₀个邻域的不相似度W(D_l,D_o(c))最小，则将标签号o(c₀)作为区域D_l中像素点的新标签号，即合并区域D_l和区域

4f)令l＝l+1，返回到步骤4c)，直到l＝L时停止，得到新的标签label₁。

2.根据权利要求1所述的方法，其中步骤5)所述的用Wishart有监督分类方法得到label₁中每个区域在标准图中对应的标签号，按如下步骤进行：

5a)统计分割标签label₁中的标签类别数Q，标签label₁中标签号为q的区域表示为D_q，其中q＝1,2,…,Q，计算label₁中的区域D_q中所有像素点的协方差矩阵的平均值统计标准图中标签类别数T，标准图中标签号为t的区域表示为D_t，其中t＝1,2,…,T，计算标准图中区域D_t中所有像素点的协方差矩阵的平均值

5b)令q＝1；

5c)根据步骤5a)中得到label₁中的区域D_q中所有像素点的协方差矩阵的平均值和标准图中的区域D_t中所有像素点的协方差矩阵的平均值计算label₁中的区域D_q与标准图中的每个区域D_t的不相似度W(D_q,D_t)：

$W(D_q,D_t)=|tr({\stackrel{\&OverBar;}{C}}_L^q\&times;{\left({\stackrel{\&OverBar;}{C}}_B^t\right)}^{-1})+tr({\left({\stackrel{\&OverBar;}{C}}_L^q\right)}^{-1}\&times;{\stackrel{\&OverBar;}{C}}_B^t)|---<4>$

其中，tr为矩阵的迹，t＝1,2,…,T，(·)^-1表示矩阵取逆，|·|表示取绝对值；

5d)假设label₁中的区域D_q与标准图中的第t₀个区域的不相似度最小，则将t₀作为label₁中的区域D_q的最终标签号；

5e)令q＝q+1，返回到步骤5c)，当q＝Q时停止，得到最终的分类标签label。