CN104166856A - 基于近邻传播聚类与区域增长的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于近邻传播聚类与区域增长的极化SAR图像分类方法，主要解决传统极化SAR图像分类方法分类区域一致性较差的问题。其实现步骤为：(1)对经过精致Lee滤波后的极化SAR图像进行Pauli分解，得到散射分量；(2)根据散射分量计算图像的边缘强度，利用分水岭算法对整幅图像进行过分割；(3)使用基于区域的K-均值聚类得到初始分类结果；(4)用近邻传播聚类对初始分类结果进行聚类得到中间分类结果；(5)运用区域增长方法，优化中间分类结果；(6)用Wishart分类方法对边界点进行分类得到最终分类结果。本发明具有区域一致性较好，分类较准确，边缘清晰的优点，可用于极化SAR图像地物分类。

Description

基于近邻传播聚类与区域增长的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，特别是一种基于区域的极化SAR图像无监督分类方法，可用来对极化SAR图像中的地物进行分类。

背景技术

极化合成孔径雷达SAR所提供的信息在海冰监控、地物分类以及农作物识别等多个领域具有广泛而丰富的应用，近几年来，随着加拿大等国发射的多个雷达空间平台返回了大量的极化SAR数据，为了更好地利用这些数据获取真实地物信息，针对极化SAR图像数据的特点，人们研究了许多对极化SAR图像进行分割分类的方法。经典的分类方法有：

一.利用极化目标分解的分类方法。这类方法通过对目标信息进行分解，分析散射机理，将目标分解为几种基本的散射类型，不同散射类型对应不同地物种类，然后根据分类单元与基本散射类型的相似性进行分类。例如利用Pauli分解将目标的散射矩阵分解为奇次散射、偶次散射以及与水平方向有45°倾角的偶次散射，见Lee J S,Pottier E.Polarimetricradar imaging:from basics to applications[M].CRC press,2009。该方法得到的几种散射类型所代表的目标并不是相互独立的,只能有效区分单次散射和偶次散射两种散射机理所对应的地物，不能对含有多种不同地物的极化SAR图像进行有效分类。

二.利用极化数据统计信息的分类方法。如Lee等人所提出的基于Wishart距离的极化SAR图像分类器，见Lee J S,Grunes M R,Kwok R.Classification of multi-lookpolarimetric SAR imagery based on complex Wishart distribution[J].International Journal ofRemote Sensing,1994,15(11):2299-2311。该类方法直接利用协方差矩阵和相干矩阵作为分类特征进行分类。但该方法只考虑了统计信息，没有有效利用极化散射信息。

三.利用散射机理和统计信息对极化SAR数据进行分类。如Lee等人提出的利用Cloude-Pottier分解得到初始分类，再利用Wishart分类器得到最终分类结果的分类方法。见Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised classification using polarimetricdecomposition and the complex Wishart classifier[J].Geoscience and Remote Sensing,IEEETransactions on,1999,37(5):2249-2258。该方法有效提高了分类精度，但没有考虑像素的空间上下文关系，将它应用在具有匀质区域的极化SAR图像上不能得到准确的分类结果。

四.基于像素点和基于区域的分类方法。过去的分类方法主要是基于像素点的分类方法，这会导致分类结果中出现许多未正确分类的杂点，影响分类精度；近几年来出现了许多基于区域的分类方法，比如吴永辉等人提出的基于区域的WMRF极化SAR图像分类方法，见Wu Y,Ji K,Yu W,et al.Region-based classification of polarimetric SAR images usingWishart MRF[J].Geoscience and Remote Sensing Letters,IEEE,2008,5(4):668-672。该方法先将图像分成若干正方形小块作为分类单元，然后用改进的WMRF模型对分类单元进行分类，并得到最终分类结果。该方法在初始划分时的分割方法过于武断，使最终分类结果中不同类别间的边缘线不够准确。

上述的几种经典极化SAR分类方法均没有充分利用极化SAR数据的极化散射信息、空间上下文信息，且不能对图像中不同类别间的边缘进行准确的分割。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于近邻传播聚类与、、域增长的极化SAR图像地物分类方法，以充分利用极化SAR数据的极化散射信息、空间上下文信息，对图像中不同类别间的边缘进行准确的分割。

实现本发明目的的技术方案是：利用极化目标分解计算图像的边缘强度，根据边缘强度进行初始过分割，将图像分为保留准确边缘的若干小块区域；再使用基于区域的近邻传播聚类得到初步分类结果，最终通过区域增长并结合空间上下文信息优化分类结果。其实现步骤包括如下：

(1)对待分类的极化SAR图像进行精致Lee滤波，得到滤波后的极化SAR图像I₁；

(2)对滤波后的极化SAR图像I₁中每个像素的相干矩阵T进行Pauli分解，得到每个像素点的三个散射特征分量，即奇次散射分量P，偶次散射分量Q，与水平方向有45°倾角的偶次散射分量C，根据这三个散射特征分量P,Q,C求得该图像I₁的伪彩色通道值R,G,B，其中R表示红色通道值,G表示绿色通道值,B表示蓝色通道值；

(3)利用Sobel算子与彩色通道值R,G,B求得滤波后极化SAR图像I₁的边界强度图g，使用分水岭算法将边界强度图g划分为N个不同小块区域和未分类的边界点b，得到初始分割结果I₂，根据I₂中每一个小块区域与相邻小块的邻接信息建立邻接图Ψ；

(4)将初始分割结果I₂中每一小块区域的平均相干矩阵作为该块的中心矩阵V_i，i表示I₂中的第i小块，根据中心矩阵V_i的对角线值求得初始分割结果I₂的三个特征分量f1，f2，f3，利用基于区域的K-均值聚类方法对特征值f1,f2,f3进行聚类，将初始过分割结果I₂分为500类，得到初步分类结果I₃；

(5)计算初步分类结果I₃中每一类的中心矩阵V_m，m表示I₃中的第m类，利用中心矩阵计算每两类之间的Wishart距离作为这两类的相似度,得到一个500×500的相似度矩阵S；

(6)根据相似度矩阵S，利用近邻传播聚类算法对初步分类结果I₃进行聚类，得到中间分类结果I₄；

(7)令迭代次数μ＝1，根据邻接图Ψ，求初始分割结果I₂中每一小块i与相邻小块之间的相似度，获取与小块i相似度值最小的相邻小块的标号j，在中间分类结果I₄中合并小块i与相邻小块j，将中间分类结果I₄中小块i对应像素的标号更新为中间分类结果I₄中相邻小块j所对应像素的标号，

(8)重复步骤(7)直到迭代次数μ＝100；

(9)计算中间分类结果I₄中不同类的中心矩阵V_l，l表示I₄中的第l类，根据I₄得到未分类边界点b的8邻域内像素的类别，利用未分类边界点b的相干矩阵和中心矩阵V_l计算I₄中未分类边界点与相邻类别间的Wishart距离，将未分类边界点b的类别分配为与其Wishart距离最小的类别的标号，得到最终分类结果I₅。

本发明与现有的技术相比具有以下优点：

1、本发明由于使用经过Pauli分解后得到的极化散射信息求得边缘强度，并依据边缘强度使用分水岭算法得到最初过分割图像，保留图像的边缘信息，使分类结果各类别边缘更加准确；

2、本发明根据极化分解得到的边缘强度，使用基于区域的K-均值聚类方法对过分割所得到的大量小区域进行初始划分，减少了近邻传播聚类所需要的数据数量，降低了算法需要的时间；

3、本发明使用区域增长的方法，考虑空间上下文关系，结合近邻传播聚类方法所得到的初步分类结果，对分水岭算法得到的小块区域，计算每一小块区域与周围已经分类别的小块的相似度，合并相似度最高的区域，对近邻传播聚类所得到的初步分类结果进行优化；

4、本发明对分水岭算法产生的单个像素大小的边界点考虑它与周围已分类区域的关系，更准确的对边界点进行分类，使分类结果的边缘更准确；

5、仿真结果表明，相比单独使用近邻传播聚类的极化SAR图像分类方法，本发明能得到更好的分类结果。

附图说明

图1是本发明的流程示意图；

图2是本发明仿真使用的荷兰Flevoland农田数据经过精致Lee滤波后得到的图像；

图3是使用现有的基于Freeman分解的方法对图2的分类结果图；

图4是使用现有的近邻传播聚类方法对图2的分类结果图；

图5是用本发明对图2进行分类的分类结果图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤一、对极化SAR图像进行精致Lee滤波，得到滤波后的极化SAR图像I₁。

步骤二、对滤波后的极化SAR图像I₁中每个像素的相干矩阵T进行Pauli分解，得到每个像素点的三个散射特征分量。

(2a)读入经过精致Lee滤波后待分类的极化SAR图像，其中每个像素点可表示为一个3×3相干矩阵T:

$T=\frac{1}{2}\left[\begin{array}{ccc}<{|s_{\mathrm{hh}}+s_{\mathrm{vv}}|}^2>& <(s_{\mathrm{hh}}+s_{\mathrm{vv}}){(s_{\mathrm{hh}}-s_{\mathrm{vv}})}^{*}>& <2(s_{\mathrm{hh}}+s_{\mathrm{vv}}){s_{\mathrm{hv}}}^{*}>\\ <(s_{\mathrm{hh}}-s_{\mathrm{vv}}){(s_{\mathrm{hh}}+s_{\mathrm{vv}})}^{*}>& <{|s_{\mathrm{hh}}-s_{\mathrm{vv}}|}^2>& <2(s_{\mathrm{hh}}-s_{\mathrm{vv}}){s_{\mathrm{hv}}}^{*}>\\ <{2s}_{\mathrm{hv}}{(s_{\mathrm{hh}}+s_{\mathrm{vv}})}^{*}>& <{2s}_{\mathrm{hv}}{(s_{\mathrm{hh}}-s_{\mathrm{vv}})}^{*}>& <4{\left|s_{\mathrm{hv}}\right|}^2>\end{array}\right]$

其中，s_hh表示水平向发射和水平向接收的回波数据，s_vv表示垂直向发射和垂直向接收的回波数据，s_hv表示水平向发射垂直向接收的回波数据，|·|是矩阵的行列式，(·)^*表示矩阵的共轭，<·>表示按视数平均；

(2b)利用Pauli分解得到滤波后的极化SAR图像I₁的三个散射特征分量P,Q,C，即奇次散射分量P，偶次散射分量Q，与水平方向有45°倾角的偶次散射分量C；

(2c)根据上述三个散射特征分量P,Q,C求得图像I₁的伪彩色通道值R,G,B，即红色通道值R，绿色通道值G，蓝色通道值B：

$\left\{\begin{array}{c}R=20\log Q^2=20\log \frac{{\left(\right|s_{\mathrm{hh}}-s_{\mathrm{vv}}\left|\right)}^2}{2}=20\log T\left(\mathrm{2,2}\right)\\ G=20\log C^2=20\log 2\left({\left|s_{\mathrm{hv}}\right|}^2\right)=20\log T\left(\mathrm{3,3}\right)\\ B=20\log P^2=20\log \frac{{\left(\right|s_{\mathrm{hh}}+s_{\mathrm{vv}}\left|\right)}^2}{2}=20\log T\left(\mathrm{1,1}\right)\end{array}\right.$

其中T(1,1),T(2,2),T(3,3)分别是相干矩阵T中第1行第1列元素，第2行第2列元素和第3行第3列元素。

步骤三、利用Sobel算子与彩色通道值R,G,B求得滤波后极化SAR图像I₁的边界强度图g。

(3a)利用Sobel算子分别求得滤波后的极化SAR图像I₁的红色通道值R在水平方向上的边缘值Rg1和垂直方向上的边缘值Rg2；

(3b)利用Sobel算子分别求得滤波后的极化SAR图像I₁的绿色通道值G在水平方向上的边缘值Gg1和垂直方向上的边缘值Gg1；

(3c)利用Sobel算子分别求得滤波后的极化SAR图像I₁的蓝色通道值B在水平方向上的边缘值Bg1和垂直方向上的边缘值Bg1；

(3d)利用步骤(3a)—(3c)得到的所述边缘值Rg1，Rg2，Gg1，Gg2，Bg1，Bg2，求得滤波后的极化SAR图像I₁的边缘强度图g：

$g=\sqrt{\mathrm{Rg}1^2+\mathrm{Rg}2^2}+\sqrt{\mathrm{Bg}1^2+\mathrm{Bg}2^2}+\sqrt{\mathrm{Gg}1^2+\mathrm{Gg}2^2}$

其中^2表示平方。

步骤四、使用分水岭算法，对滤波后的极化SAR图像I₁的边界强度图g进行初始过分割，即将边界强度图g输入MATLAB软件中的分水岭函数watershed中，自动生成由N个不同小块区域和未分类的边界点b组成的初始分割图I₂。

步骤五、根据初始分割图I₂每一小块的邻域信息建立邻接图Ψ。

(5a)从初始分割图I₂中的N个不同小块区域中取出每一个小块i，获取初始分割图I₂中与小块i有3个像素距离的相邻小块标号；

(5b)将每一个小块的相邻小块标号作为邻域信息，建立邻接图Ψ。

步骤六、利用基于区域的K-均值聚类方法对初始分割结果I₂进行聚类，得到初步分类结果I₃。

(6a)将初始分割结果I₂中小块区域i的平均相干矩阵作为该块的中心矩阵V_i：

$V_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{T}_j}{n},i=1,...,N,j=1,...,n,---<1>$

其中T_j是初始分割结果I₂中小块i内像素j的相干矩阵，N是初始过分割结果I₂内小块区域的个数，n是小块i中像素的个数；

(6b)根据中心矩阵V_i的对角线值V_i(1,1),V_i(2,2),V_i(3,3)，求得三个特征分量f1，f2，f3：

f1＝20logV_i(1,1)

f2＝20logV_i(2,2)

f3＝20logV_i(3,3)，

其中V_i(1,1)表示中心矩阵V_i中第1行第1列元素，V_i(2,2)表示中心矩阵V_i中第2行第2列元素，V_i(3,3)表示中心矩阵V_i中第3行第3列元素；

(6c)将步骤(6b)得到的三个特征分量f1，f2，f3当做每个小块区域的特征，得到N个特征，N是初始分割结果I₂中小块的个数；

(6d)利用K-均值聚类方法对步骤(6c)得到的N个特征进行聚类，即首先从N个特征中选取500个特征作为初始聚类中心，将其他特征分配给与其差值最小的聚类中心，得到新聚类，然后计算所获新聚类的均值作为新的聚类中心；

(6e)重复步骤(6d)共10次，将初始分割结果I₂分为500类，得到初步初步分类结果I₃。

步骤七、计算相似度矩阵S。

(7a)根据公式<1>计算初步分类结果I₃中每一类的中心矩阵V_m，m表示I₃中的第m类；

(7b)利用中心矩阵V_m计算每两类之间的Wishart距离作为这两类的相似度,得到一个大小为500×500的相似度矩阵S，该相似度矩阵S中的每一个元素S(t,u)的计算式为；

$S(t,u)=\ln \left|V_t\right|+\ln \left|V_u\right|+\mathrm{tr}(V_t^{-1}{V}_u+V_u^{-1}{V}_t)$

其中S(t,u)表示类t与类u的相似度，V_t与V_u分别是当m＝t和m＝u时的中心矩阵V_m，t＝1,...,500,u＝1,...,500，|·|是矩阵的行列式，tr(·)表示矩阵的迹。

步骤八、根据相似度矩阵S，利用近邻传播聚类算法对初步分类结果I₃进行聚类，得到中间分类结果I₄。

(8a)将相似度矩阵S的对角线值S(k,k)设置为相似度矩阵S的均值p，该值表示初步分类结果I₃中第k个类作为聚类中心的可能性大小；

(8b)将吸引度矩阵R和归属度矩阵A初始化为全0矩阵；

(8c)将迭代次数δ初始为1，根据相似度矩阵S计算吸引度矩阵R以及归属度矩阵A，其中吸引度矩阵R中的每一个元素R(i,k)以及归属度矩阵A中的每一个元素A(i,k)计算式为：

$R(i,k)=S(i,k)-\underset{k^{\&prime;}\&NotEqual;k}{\max }\{A(i,k^{\&prime;})+S(i,k^{\&prime;})\}$

$\left\{\begin{array}{c}A(i,k)=\underset{i^{\&prime;}\&NotEqual;\{i,k\}}{\mathrm{\&Sigma;}}\max \{0,R(i^{\&prime;},k)\},i=k\\ A(i,k)=\min \{0,R(k,k)+\underset{i^{\&prime;}\&NotEqual;\{i,k\}}{\mathrm{\&Sigma;}}\max \{0,R(i^{\&prime;},k)\left\}\right\},i\&NotEqual;k\end{array}\right.$

其中S(i,k)是相似度矩阵S中第i行k列元素，吸引度矩阵R中元素R(i,k)表示初步分类结果I₃中数据类k对数据类i的吸引度，R(i',k)表示数据类k对数据类i'的吸引度，数据类i'是分类结果I₃中除数据类i和数据类k以外的其他数据类，归属度矩阵A中元素A(i,k)表示初步分类结果I₃中数据类i对数据类k的归属度，A(i,k')表示数据类i对数据类k'的归属度，数据类k'是初步分类结果I₃中除数据类k以外的其他数据类，i＝1,...,500，k＝1,...,500，i'＝1,...,500，k'＝1,...,500；

(8d)根据本次迭代之前的吸引度矩阵R与归属度矩阵A以及步骤(6b)得到的所述吸引度矩阵R与归属度矩阵A，求更新后的吸引度矩R中的每一个元素R_new(i,k)与更新后的归属度矩阵A中的每一个元素A_new(i,k)：

$\left\{\begin{array}{c}{R}_{\mathrm{new}}(i,k)=\mathrm{\&lambda;}\&times;R_{\mathrm{old}}(i,k)+(1-\mathrm{\&lambda;})\&times;R(i,k)\\ A_{\mathrm{new}}(i,k)=\mathrm{\&lambda;}\&times;A_{\mathrm{old}}(i,k)+(1-\mathrm{\&lambda;})\&times;A(i,k)\end{array}\right.$

其中R_old(i,k)是本次迭代之前的吸引度矩阵R中第i行k列元素，A_old(i,k)是本次迭代之前的归属度矩阵A中第i行k列元素，R(i,k)是步骤(8b)得到的吸引度矩阵R中第i行k列元素，A(i,k)是步骤(8b)得到的归属度矩阵A中第i行k列元素，i＝1,...,500，k＝1,...,500，λ∈(0,1)是收敛系数，用于调节算法的收敛速度与稳定性；

(8d)根据步骤(8c)得到的更新后的吸引度矩阵R和归属度矩阵A，确定数据点i的聚类中心k：

k＝argmax_k{A_new(i,k)+R_new(i,k)}，

其中R_new(i,k)是更新后的吸引度矩阵R中第i行k列元素，A_new(i,k)是更新后的归属度矩阵A中第i行k列元素，当i＝k时，若A_new(i,k)+R_new(i,k)＞0，则i为聚类中心，迭代次数δ加1；

(8e)重复步骤(8c)—(8d)，直到迭代次数δ＝500，得到中间分类结果I₄。

步骤九、令迭代次数μ＝1，根据邻接图Ψ，求初始分割结果I₂中每一小块i与相邻小块之间的相似度，合并小块i和与其相似度最小的相邻小块。

(9a)求初始分割结果I₂中每一小块i与相邻小块之间的相似度D(i,j)：

D(i,j)＝N_ijln|V_ij|-N_iln|V_i|-N_jln|V_j|

其中，N_i表示小块i内的像素点个数，N_j表示小块j内的像素点个数，N_ij＝N_i+N_j，V_i表示初始分割结果I₂中小块i的中心矩阵，V_j表示初始分割结果I₂中相邻小块j的中心矩阵，V_ij表示若i,j两个相邻小块合并为一个小块后的中心矩阵，|·|表示矩阵的行列式；

(9b)求初始分割结果I₂中每一小块i与相邻小块之间的相似度D(i,n)：

D(i,n)＝N_inln|V_in|-N_iln|V_i|-N_nln|V_n|

其中，N_i表示小块i内的像素点个数，N_n表示小块n内的像素点个数，N_in＝N_i+N_n，V_i表示初始分割结果I₂中小块i的中心矩阵，V_n表示初始分割结果I₂中相邻小块n的中心矩阵，V_in表示若i,n两个相邻小块合并为一个小块后的中心矩阵，|·|表示矩阵的行列式；

(9c)将小块i和相邻小块j的相似度D(i,j)与小块i和相邻小块n的相似度D(i,n)进行比较，如果D(i,j)≤D(i,n)，则将中间分类结果I₄中小块i的标号更新为中间分类结果I₄中相邻小块j的标号，反之小块i的标号不变，迭代次数μ加1。

步骤十、重复步骤九直到迭代次数μ＝100，得到更新后的中间分类结果I₄。

步骤十一、将中间分类结果I₄中未分类边界点b的类别分配为其相邻类别中与其Wishart距离最小的类别，得到最终分类结果I₅。

(11a)利用公式<1>计算中间分类结果I₄中每一类的中心矩阵V_γ；

(11b)根据未分类边界点b的相干矩阵Z_b和它的相邻类别l的中心矩阵V_l计算I₄中未分类边界点b与相邻类别l间的Wishart距离d_l：

$d_l=\ln \left|V_l\right|+\mathrm{tr}\left(V_l^{-1}{Z}_b\right)$

V_l为γ＝l时的中心矩阵V_γ，|·|是矩阵的行列式，tr(·)表示矩阵的迹；

(11c)根据未分类边界点b的相干矩阵Z_b和它的相邻类别x的中心矩阵V_x计算I₄中未分类边界点b与相邻类别x间的Wishart距离d_x：

$d_x=\ln \left|V_x\right|+\mathrm{tr}\left(V_x^{-1}{Z}_b\right)$

V_x为γ＝x时的中心矩阵V_γ，|·|是矩阵的行列式，tr(·)表示矩阵的迹；

(11d)将所述的d_l与d_x进行比较，若d_l≤d_x，则将边界点b划分为第l类，反之边界点b的类别标号不变；

(11e)重复(11b)—(11d)直到所有未分类的边界点都被分配了类别，得到最终分类结果I₅。

本发明的的效果可通过以下仿真进一步说明：

1、实验条件与方法：

硬件平台为：AMD A8-3520 APU with Radeon(tm)HD Graphics(4 CPUs),～1.6GHz,8GRAM；

软件平台为：MATLAB R2008a

仿真使用的测试图像为图2所示的荷兰Flevoland地区的农田图像，图像大小为380×420。

实验方法：分别为现有基于Freeman分解的极化SAR图像分类方法、现有基于近邻传播聚类算法的极化SAR图像分类方法以及本发明的方法。

2、仿真内容与结果：

仿真一，用现有的基于Freeman分解的极化SAR图像地物分类方法对图2进行分类，结果见图3。由图3可见，原本图像中不属于同一类的区域被分成了同一种类别。

仿真二，单独使用现有的近邻传播聚类算法对图2进行分类，分类结果如图4。由图4可见，均匀区域内出现了许多未正确分类的小块斑点。

仿真三，使用本发明对图2进行分类，分类结果如图5。由图5可见，不同农作物被有效的区分出来，与图4中的分类结果相比，匀质区域内未正确分类的小块斑点消去了许多，图5中不同农田间的边缘也比图3中的清晰。

综上，本发明是一种能够有效地对具有匀质区域的极化SAR图像进行分类并得到较好分类结果的无监督分类方法。

Claims (6)

1.一种基于近邻传播聚类与区域增长的极化SAR图像分类方法，包括如下步骤：

(1)对待分类的极化SAR图像进行精致Lee滤波，得到滤波后的极化SAR图像I₁；

(2)对滤波后的极化SAR图像I₁中每个像素的相干矩阵T进行Pauli分解，得到每个像素点的三个散射特征分量，即奇次散射分量P，偶次散射分量Q，与水平方向有45°倾角的偶次散射分量C，根据这三个散射特征分量P,Q,C求得该图像I₁的伪彩色通道值R,G,B，其中R表示红色通道值,G表示绿色通道值,B表示蓝色通道值；

(3)利用Sobel算子与彩色通道值R,G,B求得滤波后极化SAR图像I₁的边界强度图g，使用分水岭算法将边界强度图g划分为N个不同小块区域和未分类的边界点b，得到初始分割结果I₂，根据I₂中每一个小块区域与相邻小块的邻接信息建立邻接图Ψ；

(4)将初始分割结果I₂中每一小块区域的平均相干矩阵作为该块的中心矩阵V_i，i表示I₂中的第i小块，根据中心矩阵V_i的对角线值求得初始分割结果I₂的三个特征分量f1，f2，f3，利用基于区域的K-均值聚类方法对特征值f1,f2,f3进行聚类，将初始过分割结果I₂分为500类，得到初步分类结果I₃；

(5)计算初步分类结果I₃中每一类的中心矩阵V_m，m表示I₃中的第m类，利用中心矩阵计算每两类之间的Wishart距离作为这两类的相似度,得到一个500×500的相似度矩阵S；

(6)根据相似度矩阵S，利用近邻传播聚类算法对初步分类结果I₃进行聚类，得到中间分类结果I₄；

(7)令迭代次数μ＝1，根据邻接图Ψ，求初始分割结果I₂中每一小块i与相邻小块之间的相似度，获取与小块i相似度值最小的相邻小块的标号j，在中间分类结果I₄中合并小块i与相邻小块j，将中间分类结果I₄中小块i对应像素的标号更新为中间分类结果I₄中相邻小块j所对应像素的标号；

(8)重复步骤(7)直到迭代次数μ＝100；

(9)计算中间分类结果I₄中不同类的中心矩阵V_l，l表示I₄中的第l类，根据I₄得到未分类边界点b的8邻域内像素的类别，利用未分类边界点b的相干矩阵和中心矩阵V_l计算I₄中未分类边界点与相邻类别间的Wishart距离，将未分类边界点b的类别分配为与其Wishart距离最小的类别的标号，得到最终分类结果I₅。

2.根据权利要求1所述的基于近邻传播聚类和区域增长的极化SAR图像分类方法，其中所述步骤(2)中根据三个散射特征分量P,Q,C求得该图像I₁的伪彩色通道值R,G,B，按如下步骤进行：

(2a)读入经过精致Lee滤波后的极化SAR图像I₁，利用Pauli分解得到该图像I₁的三个散射特征分量P,Q,C；

(2b)根据三个散射特征分量P,Q,C求得图像I₁的伪彩色通道值R,G,B，即红色通道值R，绿色通道值G，蓝色通道值B：

$\left\{\begin{array}{c}R=20\log Q^2\\ G=20\log C^2\\ B=20\log P^2\end{array}\right..$

3.根据权利要求1所述的基于近邻传播聚类和区域增长的极化SAR图像分类方法，其中所述步骤(3)中使用分水岭算法将边界强度图g划分为N个不同小块区域和未分类的边界点b，按如下步骤进行：

(3a)利用Sobel算子分别求得滤波后的极化SAR图像I₁的红色通道值R在水平方向上的边缘值Rg1和垂直方向上的边缘值Rg2、滤波后的极化SAR图像I₁的绿色通道值G在水平方向上的边缘值Gg1和垂直方向上的边缘值Gg1以及滤波后的极化SAR图像I₁的蓝色通道值B在水平方向上的边缘值Bg1和垂直方向上的边缘值Bg1；

(3b)利用步骤(3a)得到的所述边缘值Rg1，Rg2，Gg1，Gg2，Bg1，Bg2，求得滤波后的极化SAR图像I₁的边缘强度图g：

$g=\sqrt{\mathrm{Rg}1^2+\mathrm{Rg}2^2}+\sqrt{\mathrm{Bg}1^2+\mathrm{Bg}2^2}+\sqrt{\mathrm{Gg}1^2+\mathrm{Gg}2^2};$

其中^2表示平方；

(3c)使用分水岭算法，对滤波后的极化SAR图像I₁的边界强度图g进行初始过分割，得到由N个不同小块区域和未分类的边界点b组成的初始分割图I₂。

4.根据权利要求1所述的基于近邻传播聚类和区域增长的极化SAR图像分类方法，其中所述步骤(4)中根据中心矩阵V_i的对角线值求得初始分割结果I₂的三个特征分量f1，f2，f3，按如下步骤进行：

(4a)将初始分割结果I₂中小块区域i的平均相干矩阵作为该块的中心矩阵V_i：

$V_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{T}_j}{n},i=1,...,N,j=1,...,n,$

其中T_j是初始分割结果I₂中小块i内像素j的相干矩阵，N是初始过分割结果I₂内小块区域的个数，n是小块i中像素的个数；

(4b)根据中心矩阵V_i的对角线值V_i(1,1),V_i(2,2),V_i(3,3)，求得三个特征分量f1，f2，f3：

f1＝20logV_i(1,1)

f2＝20logV_i(2,2)

f3＝20logV_i(3,3)

其中V_i(1,1)表示中心矩阵V_i中第1行第1列元素，V_i(2,2)表示中心矩阵V_i中第2行第2列元素，V_i(3,3)表示中心矩阵V_i中第3行第3列元素。

5.根据权利要求1所述的基于近邻传播聚类和区域增长的极化SAR图像分类方法，其中步骤(6)所述根据相似度矩阵S，利用近邻传播聚类算法对初步分类结果I₃进行聚类，按如下步骤进行：

(6a)将相似度矩阵S的对角线值S(k,k)设置为相似度矩阵S的均值p，该值表示初步分类结果I₃中第k个类作为聚类中心的可能性大小，并将吸引度矩阵R和归属度矩阵A初始化为全0矩阵；

(6b)将迭代次数δ初始为1，根据相似度矩阵S计算吸引度矩阵R以及归属度矩阵A，其中吸引度矩阵R中的每一个元素R(i,k)以及归属度矩阵A中的每一个元素A(i,k)计算式为：

$R(i,k)=S(i,k)-\underset{k^{\&prime;}\&NotEqual;k}{\max }\{A(i,k^{\&prime;})+S(i,k^{\&prime;})\}$

$\left\{\begin{array}{c}A(i,k)=\underset{i^{\&prime;}\&NotEqual;\{i,k\}}{\mathrm{\&Sigma;}}\max \{0,R(i^{\&prime;},k)\},i=k\\ A(i,k)=\min \{0,R(k,k)+\underset{i^{\&prime;}\&NotEqual;\{i,k\}}{\mathrm{\&Sigma;}}\max \{0,R(i^{\&prime;},k)\left\}\right\},i\&NotEqual;k\end{array}\right.$

其中S(i,k)是相似度矩阵S中第i行k列元素，吸引度矩阵R中元素R(i,k)表示初步分类结果I₃中数据类k对数据类i的吸引度，R(i',k)表示数据类k对数据类i'的吸引度，数据类i'是分类结果I₃中除数据类i和数据类k以外的其他数据类，归属度矩阵A中元素A(i,k)表示初步分类结果I₃中数据类i对数据类k的归属度，A(i,k')表示数据类i对数据类k'的归属度，数据类k'是初步分类结果I₃中除数据类k以外的其他数据类，i＝1,...,500，k＝1,...,500，i'＝1,...,500，k'＝1,...,500；

(6c)根据本次迭代之前的吸引度矩阵R与归属度矩阵A以及步骤(6b)得到的所述吸引度矩阵R与归属度矩阵A，求更新后的吸引度矩R中的每一个元素R_new(i,k)与更新后的归属度矩阵A中的每一个元素A_new(i,k)：

$\left\{\begin{array}{c}{R}_{\mathrm{new}}(i,k)=\mathrm{\&lambda;}\&times;R_{\mathrm{old}}(i,k)+(1-\mathrm{\&lambda;})\&times;R(i,k)\\ A_{\mathrm{new}}(i,k)=\mathrm{\&lambda;}\&times;A_{\mathrm{old}}(i,k)+(1-\mathrm{\&lambda;})\&times;A(i,k)\end{array}\right.$

其中R_old(i,k)是本次迭代之前的吸引度矩阵R中第i行k列元素，A_old(i,k)是本次迭代之前的归属度矩阵A中第i行k列元素，R(i,k)是步骤(6b)得到的吸引度矩阵R中第i行k列元素，A(i,k)是步骤(6b)得到的归属度矩阵A中第i行k列元素，i＝1,...,500，k＝1,...,500，λ∈(0,1)是收敛系数，用于调节算法的收敛速度与稳定性；

(6d)根据步骤(6c)得到的更新后的吸引度矩阵R和归属度矩阵A，确定数据点i的聚类中心k：

k＝argmax_k{A_new(i,k)+R_new(i,k)}，

其中R_new(i,k)是更新后的吸引度矩阵R中第i行k列元素，A_new(i,k)是更新后的归属度矩阵A中第i行k列元素，当i＝k时，若A_new(i,k)+R_new(i,k)＞0，则i为聚类中心，迭代次数δ加1；

(6e)重复步骤(6b)—(6d)，直到迭代次数δ＝1000，得到中间分类结果I₄。

6.根据权利要求1所述的基于近邻传播聚类和区域增长的极化SAR图像分类方法，其中所述步骤(7)中求初始分割结果I₂中每一小块i与相邻小块之间的相似度D(i,j)，通过如下公式计算：

D(i,j)＝N_ijln|V_ij|-N_iln|V_i|-N_jln|V_j|

其中，N_i表示小块i内的像素点个数，N_j表示小块j内的像素点个数，N_ij＝N_i+N_j，V_i表示初始分割结果I₂中小块i的中心矩阵，V_j表示初始分割结果I₂中相邻小块j的中心矩阵，V_ij表示若i,j两个相邻小块合并为一个小块后的中心矩阵，|.|表示矩阵的行列式。