CN104123563A - 一种基于Cloude分解的极化SAR图像分类方法 - Google Patents

Abstract

本发明公开了一种基于Cloude特征分解的极化SAR图像无监督分类方法，包括：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，得到散射熵H和散射角α；计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值；将得到的分割阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类；将得到的初始分类的类中心和类别数输入Wishart分类器，得到所述极化SAR图像的分类结果。本发明对H、α参数进行直方图分割获得划分的阈值，改进H/α分类面的初始类中心，使分类更合理，提高了分类器的性能。

Description

一种基于Cloude分解的极化SAR图像分类方法

技术领域

本发明属于图像分类技术领域，具体涉及一种极化SAR图像地物分类方法。

发明背景

具有全天时全天候的微波遥感技术近年得到了广泛的研究和应用。具有代表性的合成孔径雷达(SAR)，是一种高分辨率成像雷达，可以提供一定波段和一定入射角下的地物图像，因此对遥感数据的自动分析及解译，特别是针对地物的分类，具有很重要的研究意义。相对于普通SAR，极化SAR加入了极化信息，得到的数据包含了更多的地物信息，更有利于对地物的分析。

极化SAR图像分类一般分为监督分类和无监督分类两大方法。由于不需要任何的先验信息，无监督分类是一种很重要的分类方法，而且极化SAR数据相对于普通的SAR数据而言，提供了更多的地物信息。一般，极化SAR图像的分类流程为：预处理、特征提取、特征选择、分类。其中，特征提取是非常重要的一步，分类结果的好坏取决于提取的特征信息是否能充分的表示地物以及如何对特征信息作可信的处理。近年来，涉及目标特征分解的研究已有很多，在此基础上也提出了基于目标分解理论的无监督分类方法。例如，比较广泛应用的，Cloude的H/α特征分解和Freeman的三分量分解。针对Cloude特征分解的无监督分类已有很多，但是大多数分类方法都是基于H/α的初始分类面发展来的，传统的基于Cloude分解的H/α分类方法，是在H/α平面上给定一些值实现硬性划分为8类，如图1所示。所有的图像样本点都会根据这个划分原则分配初始分类的类中心，这给图像分类一定的局限性。从图5中可看到，左下角的矩形区域中，图像样本点分别集中在3个类中心的周围，但是该方法没有划分出来，只是将这一整块划分为一类，这使得初始类中心存在不合理的划分。初始分类的类中心是否合理关系到下一步聚类器性能的好坏，影响了整个分类器的性能，并且地物类别数也是特定的。

针对上述的问题，已有研究者给出了可行的方法，但是由于图像样本点大，使得计算量非常大，非常耗时，这使得实时性受到限制。所以，如何使初始分类的类中心更合理，并且算法的复杂度又不大的情况下提高分类器的性能，这是一个需要解决的问题。

发明内容

本发明的目的在于解决初始分类的类中心分配不合理而影响分类器性能的问题，因此本发明提出技术方案：一种基于Cloude分解的极化SAR图像分类方法，改善初始分类的类中心，提高分类器的性能，并且分类过程中无需指定类别数，类别数在分类过程中自动产生，包括如下步骤：

步骤S1：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，得到散射熵H和散射角α；

步骤S2：计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值，

进一步地，步骤S2还包括一下分步骤：

步骤S21：计算所述特征参数H和α的统计直方图；

步骤S22：对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和相邻峰值，得到明显峰值；

步骤S23：将得到的明显峰值输入到FCM分割器中，得到更合理的划分阈值；

步骤S3：将步骤S2得到的阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步骤S2得到的阈值决定；

步骤S4：将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极化SAR图像的分类结果。

本发明的有益效果：提供了一种基于特征分解的极化SAR图像分类，其利用从极化SAR图像提取的特征参数进行统计直方图分割，得到合理的分割阈值，再根据阈值对特征参数所组成的二维分类平面进行划分。这种划分方法对比原始的H/α硬性划分方法要更加的合理，而且得到的类别数不再固定，而是根据图像本身特征的特点自适应的改变，更加符合图像信息的实际分布。由于初始划分的合理性，得到的类中心更加合理，使得在进一步的分类中，改善了分类器的性能。这种划分方法在没有增加其他特征参数的情况下，利用对已有特征参数进行直方图分割得到分割点，使分类更合理，且计算复杂度并没有实质的增加。

附图说明

图1本发明的流程图；

图2是原始San Francisco Bay极化SAR图像功率图；

图3是现有的H/α-Wishart分类方法对图2的分类仿真结果图；

图4是本发明对图2的分类仿真结果图；

图5是现有对图2的H/α平面划分图；

图6是本发明对图2的H/α平面划分图；

图7是对图2提取的H的统计直方图；

图8是对图2提取的α的统计直方图。

具体的实现方式

为使本领域技术人员更好地理解本发明，下面参照附图对本发明的实施例进行详细的说明。

本发明的技术方案是：一种基于cloude分解的极化SAR图像分类方法，包括如下步骤：

步骤S1：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，得到散射熵H和散射角α；

步骤S2：计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值，

进一步地，步骤S2还包括一下分步骤：

步骤S21：计算所述特征参数H和α的统计直方图；

步骤S22：对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和相邻峰值，得到明显峰值；

步骤S23：将得到的明显峰值输入到FCM分割器中，得到更合理的划分阈值；

步骤S3：将步骤S2得到的阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步骤S2得到的阈值决定；

步骤S4：将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极化SAR图像的分类结果。

下面结合附图1进行具体说明所述步骤S1，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，得到散射熵H和散射角α按以下分步骤进行：

步骤S11：读入一幅待分类的极化SAR图像，图像中的每个像素点的散射矩阵S，

$S=\left[\begin{array}{cc}{S}_{\mathrm{HH}}& S_{\mathrm{VH}}\\ S_{\mathrm{VH}}& S_{\mathrm{VV}}\end{array}\right],$

其中，S_ij表示采用i极化方式接收，j极化方式发射的复散射系数，所述i,j＝H或V，且H表示水平方向，V表示垂直方向，使用Pauli基，散射矩阵S可以写成一个散射矢量k：

$k=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{HH}}+S_{\mathrm{VV}}& S_{\mathrm{HH}}-S_{\mathrm{VV}}& {2S}_{\mathrm{HV}}\end{array}\right]}^T,$

其中，上标“T”表示转置，所以每个像素点的n视相干矩阵T定义为：

$\⟨T\⟩=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{k}_i{k}_i^H,$

其中，n为视数，k_i为第i视的散射矢量，上标H表示取共轭转置，<·>表示统计平均；

步骤S12：将相干矩阵T进行特征分解，因为相干矩阵T是3×3的Hermitian半正定矩阵，所以相干矩阵T总是能进行特征值分解的，

$T={\mathrm{\&lambda;}}_1{e}_1\&CenterDot;e_1^H+{\mathrm{\&lambda;}}_2{e}_2\&CenterDot;e_2^H+{\mathrm{\&lambda;}}_3{e}_3\&CenterDot;e_3^H,$

其中，λ_i是T的第i个特征值，并且有λ₁≥λ₂≥λ₃≥0，上标H表示取共轭转置，e_i为相关矩阵T经正交化后的单位特征矢量，表示为

$e_i=e^{{\mathrm{i\&phi;}}_i}{\left[\begin{array}{ccc}\cos {\mathrm{\&alpha;}}_i& \sin {\mathrm{\&alpha;}}_i\cos {\mathrm{\&beta;}}_i{e}^{{\mathrm{i\&delta;}}_i}& \sin {\mathrm{\&alpha;}}_i\sin {\mathrm{\&beta;}}_i{e}^{{\mathrm{i\&gamma;}}_i}\end{array}\right]}^T,$

其中上标T表示取转置；

步骤S13：根据获得的特征值λ_i和特征矢量e_i，计算每个像素点的散射熵H和散射角α：

$p_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i},i=\mathrm{1,2,3},H=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}(-p_i\log p_i),0\&le;H\&le;1,\mathrm{\&alpha;}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\mathrm{\&alpha;}}_i;$

步骤S2：计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值，所述阀值不是固定的；

步骤S21：直方图峰值确定，计算散射熵H和和散射角α的统计直方图，假设用s表示散射熵H的统计直方图，对于直方图s，纵轴s(i)表示i点出现的频数，横轴i表示量化的刻度(0～1)；

步骤S22具体算法如下：

步骤S221：找初始峰值，

p₀＝{i,s(i)|s(i)≥s(i-1)&s(i)≥s(i+1),2≤i≤256}，

p₀是初始峰值的集合，当i＝256时，则s(i+1)＝s(1)；

步骤S222：去除小峰值，对于集合p₀，当峰值小于一定的阈值时，将这个峰值从集合p₀中去掉，阈值可以设定为图像总像素点的0.5％，并且此阈值可以微调；

步骤S223：去除相邻的峰值，即如果图中有两个峰值靠的很近，则认为这两个峰值代表的区域颜色相似，所以当两个峰值之间的距离小于给定阈值时，去除较小的峰值，阈值可以设定为10，并且此阈值可以微调；

步骤S23：直方图分割阈值的确定，将所述步骤S22得到的S个峰值输入到FCM算法中，得到准确的分割阈值；

步骤S231：初始化直方图的聚类中心为步骤S21产生的峰值，设定门限ε，t＝1,m＝2；

步骤S232：计算模糊隶属度，

${\tilde{u}}_{\mathrm{ij}}^{\left(t\right)}={\left(\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{{\tilde{d}}_{\mathrm{ij}}^{\left(t\right)}}{{\tilde{d}}_{\mathrm{ik}}^{\left(t\right)}}\right)}^{\frac{2}{m-1}}\right)}^{-1},\&ForAll;i,j,$

其中表示第t次迭代计算的模糊隶属度矩阵中第i行j列的模糊隶属度，如果则j≠k，其中，f_j是映射到直方图的横坐标刻度，1≤j≤256，i∈S，以下i,j范围一致；

步骤S233：计算直方图的聚类中心

${\tilde{V}}_i^{(t+1)}=\frac{1}{\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}h\left(f_j\right){\left({\tilde{u}}_{\mathrm{ij}}^{\left(t\right)}\right)}^m}\&CenterDot;\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}h\left(f_j\right){\left({\tilde{u}}_{\mathrm{ij}}^{\left(t\right)}\right)}^m{f}_j,\&ForAll;i,$

其中，h(f_j)是f_j的频数，l为灰度级；

步骤S234：如果迭代停止，否则t＝t+1，重复步骤S232到步骤S234，得到收敛的聚类中心即峰值和隶属度矩阵，根据最大隶属度原则找到合理的分割阈值；

步骤S3：将步骤S2得到的阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心和类别数，所述类别数m根据步骤S2得到的阈值确定，如附图6所示；

步骤S4，将步骤S3的划分的结果输入到Wishart分类器进行迭代，得到更为准确的分类结果，具体包括如下分步骤：

步骤S41：根据下式求每一类的聚类中心C_i，表示为对每一类的相干矩阵求平均：

$C_i=\frac{1}{N_i}\underset{l=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{T}_l,i=\mathrm{1,2},...,m,$

其中，T_l表示属于第l类的像素的相干矩阵，N_i为第i类的像素的个数；

步骤S42：根据下式计算每个像素点到第i类聚类中心C_i的距离d(T,C_i)：

$d(T,C_i)=\ln \left|C_i\right|+\mathrm{tr}\left(C_i^{-1}T\right),$

其中，|·|表示对矩阵求行列式，tr(·)表示求矩阵的迹，表示对聚类中心C_i求逆；

步骤S43：根据最大似然准则相干矩阵为T的像素点被归类到第i类，如果距离度量d(T,C_i)满足下式要求，

d(T,C_i)≤d(T,C_j)，j＝1,…,m且j≠i，

其中m表示类别数；

步骤S44：重复步骤S41至步骤S43直到迭代的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行说明。

1、实验条件与方法

硬件平台为：Intel(R)Celeron(R)CPU8771.40GHz。

软件平台为：Window7,MATLAB12.0。

实验方法：分别为本发明的方法和传统的H/α-Wishart分类方法。

2、实验内容与结果

将图2所示的San Francisco Bay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分类结果，图4为本发明的分类结果。图5是现有的H/α平面划分图，图6是本发明的分类方法H/α平面划分图，图7和图8分别是散射熵H和散射角α的统计直方图，其中H的分割点为0.3882和0.8667，α归一化的分割点为0.12355、0.19405、0.28825、0.39415。根据分割点，可以得到测试图像的类别数，图6中显示，类别数为12类。

由图5可以看出，在左下角的矩形框中，有明显的3个可区分的类别，图5并没有区分开来。而图6则准确的把这块区域划分为3类，更加符合实际分割。

对比图3和图4两幅最后分类结果图像，图4的分类效果比图3要好，分类更合理。对比图3、图4和图1，显然图4的分类效果更接近图1，特别是在海洋区域，图4的纹理更好些。图1中间部分条状区域有一块椭圆型的马球场，在图3中该区域被分为与近海区域一类，而在图4中可以明显的区分近海区域和沙滩，即把马球场正确的分为陆地类，与海洋区分开来。而且图4中的细节效果更合理。

综上可以看出，本发明的一种基于特征分解的极化SAR图像分类方法，其利用从极化SAR图像提取的特征参数进行统计直方图分割，得到合理的分割阈值，再根据阈值对特征参数所组成的二维分类平面进行划分。这种划分方法对比原始的H/α硬性划分方法要更加的合理，而且得到的类别数不再固定，而是根据图像本身特征的特点自适应的改变，更加符合图像信息的实际分布。由于初始划分的合理性，得到的类中心更加合理，使得在进一步的分类中，改善了分类器的性能。这种划分方法在没有增加其他特征参数的情况下，利用对已有特征参数进行直方图分割得到分割点，使分类更合理，且计算复杂度并没有实质的增加。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (5)

1.一种基于Cloude分解的极化SAR图像分类方法，其特征是，包括如下步骤：

步骤S1：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，得到散射熵H和散射角α；

步骤S2：计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值，步骤S2具体包含以下分步骤：

步骤S21：计算所述散射熵H和散射角α的统计直方图；

步骤S22：对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和相邻峰值，得到明显峰值，步骤S22还包括以下分步骤：

步骤S221：找初始峰值，

p₀＝{i,s(i)|s(i)≥s(i-1)&s(i)≥s(i+1),2≤i≤256}，

p₀是初始峰值的集合，当i＝256时，则s(i+1)＝s(1)；

步骤S222：去除小峰值，对于集合p₀，当峰值小于第一阈值时，将这个峰值从集合p₀中去掉；

步骤S223：去除相邻的峰值，当两个峰值之间的距离小于第二阈值时，去除较小的峰值；

步骤S23：将得到的明显峰值输入到FCM分割器中，得到分割阈值，步骤S23还包括以下分步骤：

步骤S231：初始化直方图的聚类中心为步骤S22产生的峰值，设定门限ε，t＝1,m＝2，

步骤S232：计算模糊隶属度，

${\tilde{u}}_{\mathrm{ij}}^{\left(t\right)}={\left(\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(\frac{{\tilde{d}}_{\mathrm{ij}}^{\left(t\right)}}{{\tilde{d}}_{\mathrm{ik}}^{\left(t\right)}}\right)}^{\frac{2}{m-1}}\right)}^{-1},\&ForAll;i,j,$

其中表示第t次迭代计算的模糊隶属度矩阵中第i行j列的模糊隶属度，如果 $d_{\mathrm{ik}}^{\left(t\right)}=0,$ 则 $u_{\mathrm{ik}}^{\left(t\right)}=1,u_{\mathrm{ij}}^{\left(t\right)}=0,$ j≠k，其中， ${\tilde{d}}_{\mathrm{ij}}=\left|\right|f_j-{\tilde{v}}_i\left|\right|,$ f_j是映射到直方图的横坐标刻度，1≤j≤256，i∈S，以下i,j范围一致；

步骤S233：计算直方图的聚类中心

${\tilde{V}}_i^{(t+1)}=\frac{1}{\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}h\left(f_j\right){\left({\tilde{u}}_{\mathrm{ij}}^{\left(t\right)}\right)}^m}\&CenterDot;\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}h\left(f_j\right){\left({\tilde{u}}_{\mathrm{ij}}^{\left(t\right)}\right)}^m{f}_j,\&ForAll;i,$

其中，h(f_j)是f_j的频数，l为灰度级；

步骤S234：如果迭代停止，否则t＝t+1，重复步骤S232到步骤S234，得到收敛的聚类中心即峰值和隶属度矩阵，根据最大隶属度原则找到分割阈值；

步骤S3：将步骤S2得到的阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步骤S2得到的阈值决定；

步骤S4：将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极化SAR图像的分类结果。

2.根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在于，

步骤S1还包括以下分步骤：

步骤S11：读入一幅待分类的极化SAR图像，图像中的每个像素点的散射矩阵S，

$S=\left[\begin{array}{cc}{S}_{\mathrm{HH}}& S_{\mathrm{VH}}\\ S_{\mathrm{VH}}& S_{\mathrm{VV}}\end{array}\right],$

其中，S_ij表示采用i极化方式接收，j极化方式发射的复散射系数，所述i,j＝H或V，且H表示水平方向，V表示垂直方向，使用Pauli基，散射矩阵S可以写成一个散射矢量k：

$k=\frac{1}{\sqrt{2}}{\left[\begin{array}{ccc}{S}_{\mathrm{HH}}+S_{\mathrm{VV}}& S_{\mathrm{HH}}-S_{\mathrm{VV}}& {2S}_{\mathrm{HV}}\end{array}\right]}^T,$

其中，上标“T”表示转置，所以每个像素点的n视相关矩阵T定义为：

$\&lang;T\&rang;=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{k}_i{k}_i^H,$

其中，n为视数，k_i为第i视的散射矢量，上标H表示取共轭转置，<·>表示统计平均；

步骤S12：将相干矩阵T进行特征分解，因为相干矩阵T是3×3的Hermitian半正定矩阵，所以相干矩阵T总是能进行特征值分解的，

$T={\mathrm{\&lambda;}}_1{e}_1\&CenterDot;e_1^H+{\mathrm{\&lambda;}}_2{e}_2\&CenterDot;e_2^H+{\mathrm{\&lambda;}}_3{e}_3\&CenterDot;e_3^H,$

其中，λ_i是相干矩阵T的第i个特征值，并且有λ₁≥λ₂≥λ₃≥0，上标H表示取共轭转置，e_i为相干矩阵T经正交化后的单位特征矢量，表示为

$e_i=e^{{\mathrm{i\&phi;}}_i}{\left[\begin{array}{ccc}\cos {\mathrm{\&alpha;}}_i& \sin {\mathrm{\&alpha;}}_i\cos {\mathrm{\&beta;}}_i{e}^{{\mathrm{i\&delta;}}_i}& \sin {\mathrm{\&alpha;}}_i\sin {\mathrm{\&beta;}}_i{e}^{{\mathrm{i\&gamma;}}_i}\end{array}\right]}^T,$

其中上标T表示取转置；

步骤S13：根据获得的特征值λ_i和特征矢量e_i，计算每个像素点的散射熵H和散射角α：

$p_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i},i=\mathrm{1,2,3},H=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}(-p_i\log p_i),0\&le;H\&le;1,\mathrm{\&alpha;}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\mathrm{\&alpha;}}_i.$

3.根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在于，，步骤S4具体包含以下分步骤：

步骤S41：根据下式求m类中每一类的聚类中心C_i，表示为对每一类的相干矩阵求平均：

$C_i=\frac{1}{N_i}\underset{l=1}{\overset{N_i}{\mathrm{\&Sigma;}}}{T}_l,i=\mathrm{1,2},...,m,$

其中，T_l表示属于第l类的像素的相干矩阵，N_i为第i类的像素的个数；

步骤S42：根据下式计算每个像素点的相干矩阵T到第i类聚类中心C_i的距离d(T,C_i)：

$d(T,C_i)=\ln \left|C_i\right|+\mathrm{tr}\left(C_i^{-1}T\right),$

其中，|·|表示对矩阵求行列式，tr(·)表示求矩阵的迹，表示对聚类中心C_i求逆；

步骤S43：根据最大似然准则相干矩阵为T的像素点被归类到第i类，如果距离度量d(T,C_i)满足下式要求：

d(T,C_i)≤d(T,C_j)，j＝1,…,m且j≠i，

其中m表示类别数；

步骤S44：重复步骤S41至步骤S43直到迭代的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。

4.根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在于，所述第一阈值设定为图像总像素点的0.5％。

5.根据权利要求1所述的一种基于Cloude分解的极化SAR图像分类方法，其特征在于，所述第二阈值设定为10。