CN105005767A - 一种基于微波遥感影像森林类型识别方法 - Google Patents

Abstract

一种基于微波遥感影像森林类型识别方法，它涉及一种森林类型识别方法。本发明的目的是为了解决现有技术无法对森林类型进行精确识别，而且操作过程繁琐的问题。本发明包括以下步骤：步骤一，输入影像，并对影像进行预处理；步骤二，提取预处理后的全极化SAR影像的相干矩阵；步骤三，利用H-α/Wishart分类方法和H-A-α/Wishart分类方法对整幅遥感影像进行非监督分类来提取实验区域森林部分；步骤四，以步骤三所述非监督分类的结果作为原始的输入数据，利用最大似然分类器进行复Wishart的监督分类，实现对森林类型的识别。本发明的分类方法简单，分类精度高。

Description

一种基于微波遥感影像森林类型识别方法

技术领域

本发明涉及一种森林类型识别方法，具体涉及一种基于微波遥感影像森林类型识别方法，属于遥感技术技术领域。

背景技术

合成孔径雷达是一种以全天时、全天候的空间微波遥感成像雷达，对地物有一定的穿透能力，与光学遥感相比可以穿透云层、实现地表观测不容易受到天气的影响，可以获得表面覆盖之下的地物图像，这样全极化SAR遥感影像比光学遥感影像提供了更多的信息。近些年来合成孔径雷达广泛应用于很多领域如：地球资源普查、洪涝灾害监测、植被物种识别、海洋监测等技术中。

全极化SAR图像是用来测量辐射信号极化特征的新型成像雷达，它可以同时发射并接收H、V极化脉冲，并且这些极化脉冲式相互相干的。这样就可以记录不同极化组合之间的相位差，也可以分析不同极化组合之间的返回信息。与常规的单极化SAR相比可以获得目标的全极化散射信息，也可以得到极化的相干信息(相干矩阵、协方差矩阵)，最大限度地将不同地物的散射特性以矢量的形式表现出来，从而大大的提高的区分地物的散射差别的能力。

微波遥感识别森林的植被也是近些年来的研究热点之一，电磁波与森林的相互作用十分复杂，通常是几种散射体系共同作用的结果。一般接收来说树冠、树干和冠层以下的信息。

遥感图像分类是将图像的所有像元按照其不同的性质划分为若干类别的过程。通常情况下，遥感图像中同一类别的地物在相同条件下(纹理、地形、散射机制)，光谱信息(后向散射强度)和空间信息也有一定的相似性，因而常集群在同一特征空间区域。而不同地物光谱信息(后向散射强度)和空间信息特征存在一定的差异，从而集群在不同的特征空间区域。

在极化SAR分类的方法中许多监督与非监督分类已经相继被提出，监督分类又称为训练分类法。首先，用已知其地物属性类别的训练样本让分类识别系统进行训练学习，以掌握各个类别的统计特征；然后，以此为依据按照分类决策规则进行分类识别。非监督分类就是指在缺乏先验知识的条件下，以集群为理论基础，通过分类器对影像进行集聚统计分析，并根据待分类样本特征参数的统计特征，建立决策规则来实现分类。

发明内容

本发明的目的是为了解决现有技术无法对森林类型进行精确识别，而且操作过程繁琐的问题。

本发明的技术方案是：一种基于微波遥感影像森林类型识别方法，包括以下步骤：

步骤一，输入影像，并对影像进行预处理；

步骤二，提取预处理后的全极化SAR影像的相干矩阵，对相干矩阵进行Cloud分解得到图像的散射熵H、散射角alpha、反熵A以及总功率span的极化特征；

步骤三，利用H-α/Wishart分类方法和H-A-α/Wishart分类方法对整幅遥感影像进行非监督分类来提取实验区域森林部分，所述非监督分类的分类器为最大似然分类器；

步骤四，以步骤三所述非监督分类的结果作为原始的输入数据，利用最大似然分类器进行复Wishart的监督分类，实现对森林类型的识别；

步骤五，对所得的分类结果进行精度验证。

所述基于微波遥感影像森林类型识别方法的应用地理位置为123°20′02″E-124°21′40″E，52°16′38″N-52°47′4″N，测量时间为该地理位置的6月至11月，该地理位置属于寒温带大陆性气候，气候变化显著，其中森林覆盖率达88％。

所述步骤一中，对影像进行预处理的过程包括：对待分类的图像进行精致极化Lee滤波，去除相干斑噪声；对滤波后的图像进行正射校正和几何校正。

所述步骤二中，对想干矩阵进行Cloud分解包括以下步骤：

步骤1，先提取滤波后多极化SAR图像中的极化散射矩阵[S]，根据极化散射矩阵[S]求得相干矩阵[T]；

步骤2，将相干矩阵[T]进行特征值分解，得到其特征值λ₁、λ₂、λ₃和特征向量e；

步骤3，而后根据相干矩阵的[T]的特征值和特征向量得到影像的三个二阶物理量用于解释物理散射机制：散射熵H、散射角alpha、反熵A以及总功率span。

散射熵(entropy)：

$\begin{array}{cc}H=\underset{i=3}{\overset{3}{\Σ}}-P_i{\log }_3{P}_i& 0\≤H\≤1\end{array}$

散射角(alpha)：

反熵(anisotropy)：

$A=\frac{{\mathrm{\λ}}_2-{\mathrm{\λ}}_3}{{\mathrm{\λ}}_2+{\mathrm{\λ}}_3}$

总功率(span)：

span＝λ₁+λ₂+λ₃

$P_i=\frac{{\mathrm{\λ}}_i}{\underset{j}{\Σ}{\mathrm{\λ}}_j}$

其中P_i是相干矩阵[T]特征值得概率分布。

所述步骤三的非监督分类方法具体为：

极化协方差矩阵[C]的概率密度分布函数服从n个自由度的复Wishart分布其表达式为：

${\mathrm{PT}}^{\left(n\right)}(\[T\])=\frac{n^{qn}|\[T\]{|}^{n-q}\exp \[-{\mathrm{nT}}_r{\[\mathrm{\Σ}\]}^{-1}\[T\])\]}{K(n,q)|\[\stackrel{\‾}{\Σ}\]{|}^n}$

式中，K(n,q)＝π^(1/2)q(q-1)Γ(n)...(n-q+1)，T_r为矩阵的迹，n是视数，K是归一化因子，q为相干矩阵[T]的阶数，Γ(n)为Gamma函数，[∑]＝E([T])，根据最大似然定义得到最大似然分类器其表达式为：

$L(\[T\]|\[{\widehat{\Σ}}_i\])=-n\ln |\[{\widehat{\Σ}}_i\]|-{\mathrm{nT}}_r{(\[{\widehat{\Σ}}_i\])}^{-1}\[T\])+qn\ln n+(n-q)\ln |\[T\]|-\ln K(n,q)$

所述步骤四与步骤三的监督分类表达式相同，步骤三所述的最大似然分类器与步骤四所述的最大似然分类器的表达式相同。

本发明与现有技术相比具有以下效果：本发明的方法简单，利用极化分解方式来提取极化特征参数，来进行极化H-α/Wishart和H-A-α/Wishart非监督分类对整幅影像进行分类，再结合森林资源二类清查数据在H-α/Wishart非监督分类基础上，利用最大似然分类器进行改进的复Wishart监督分类，并进行精度评价提取混淆矩阵，明显提高分类效果，使分类的总精度达到72.3％。

附图说明

图1，本发明的流程图。

具体实施方式

结合附图说明本发明的具体实施方式，本发明的方法包括以下步骤：

1.选择微波数据，采用c波段的全极化Radarsat-2影像的遥感数据作为遥感数据源。

2.选择滤波窗口为5*5大小的精致极化Lee滤波方法，利用ProSARpro软件进行处理，对要分类的全极化SAR数据进行滤波处理，消除噪声抑制相干斑。

3.对滤波处理后的全极化SAR影像进行正射校正，采用自定义RPC控制点校正并用ENVI进行几何配准。

4.对校正后的数据Cloud分解，具体包括有如下步骤：

1)先提取滤波后多极化SAR图像中的极化散射矩阵[S]，根据[S]矩阵求得相干矩阵[T]，转换过程具体包括：

$\[\frac{E_H^r}{E_V^r}\]=\frac{e^{ikr}}{r}\left[\begin{array}{cc}{S}_{HH}& S_{VH}\\ S_{VH}& S_{VV}\end{array}\right]\left[\begin{array}{c}{E}_H^t\\ E_V^{tr}\end{array}\right]$

散射矩阵[S]表示天线发射到散射体上的入射波E^t到天线接收到散射体散射波E^r的转换过程。E^r表示发射电磁波Jones矢量，E^t表示接收电磁波Jones矢量r为散射目标与接收天线的距离，k为电磁波的波束。根据电磁散射的线性性质，发射电磁波与接收电磁波之间的关系可通过一个2*2矩阵来表示。对于完全极化波，任意电场Jones矢量和回波可以在H和V方向上组合得到，地物对电场起变换作用，将散射矩阵[S]用等效的四维复散射矢量K₄表示为：

$\[S\]=\left[\begin{array}{cc}{S}_{HH}& S_{HV}\\ S_{VH}& S_{VV}\end{array}\right]\⇒k_4=V(\[S\])=\frac{1}{2}Trace(\[S\]\mathrm{\Ψ})={\[k_0,k_1,k_2,k_3\]}^T$

可以采用不同的正交单位矩阵，将矩阵[S]矢量化，主要有两种正交单位矩阵：

一种是由矩阵[S]的直接展开推导出来，称为Lexicographic基：

${\mathrm{\Ψ}}_L=\{\left[\begin{array}{cc}2& 0\\ 0& 0\end{array}\right]:\left[\begin{array}{cc}0& 2\\ 0& 0\end{array}\right]:\left[\begin{array}{cc}0& 0\\ 2& 0\end{array}\right]:\left[\begin{array}{cc}0& 0\\ 0& 2\end{array}\right]\}$

对应的散射矢量为：

k_4L＝[S_HH，S_HV，S_VH，S_VV]^T

另一种正交单位矩阵是Pauli基：

${\mathrm{\Ψ}}_{P:}=\{\sqrt{2}\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]:\sqrt{2}\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right]:\sqrt{2}\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]:\sqrt{2}\left[\begin{array}{cc}0& -i\\ i& 0\end{array}\right]\}$

对应的散射矢量为：

$k_{4P}=\frac{1}{\sqrt{2}}{\[S_{HH}+S_{VV},S_{HH}-S_{VV},S_{HV}+S_{VH},i(S_{HV}-S_{VH})\]}^T$

根据互易定理，S_HV＝S_VH可以转化成

$K_{3p}=\frac{1}{\sqrt{2}}\[S_{IIII}+S_{VV},S_{IIII}-S_{VV},2S_{IIV}\]$

极化协方差矩阵：

${\&lsqb;C\&rsqb;}_{4\&times;4}=<k_{4L}{k}_{4L}^{*T}>=\left[\begin{array}{cccc}<|S_{HH}{|}^2>& <S_{HH}{S}_{HV}^{*}>& <S_{HH}{S}_{VH}^{*}>& <S_{HH}{S}_{VV}^{*}>\\ <S_{HV}{S}_{HH}^{*}>& <|S_{HV}{|}^2>& <S_{\mathrm{HV}}{S}_{VH}^{*}>& S_{HV}{S}_{VV}^{*}\\ <S_{VH}{S}_{HH}^{*}>& <S_{VH}{S}_{HV}^{*}>& <|S_{VH}{|}^2>& <S_{VH}{S}_{VV}^{*}>\\ <S_{VV}{S}_{HH}^{*}>& <S_{VV}{S}_{HV}^{*}>& <S_{VV}{S}_{VH}^{*}>& <|S_{VV}{|}^2>\end{array}\right]$

极化相干矩阵：

${\&lsqb;T\&rsqb;}_{3\&times;3}=<k_{3P}{k}_{3P}^{*}>=\frac{1}{2}\left[\begin{array}{ccc}<|A{|}^2>& <{\mathrm{AB}}^{*}>& <{\mathrm{AC}}^{*}>\\ <A^{*}B>& <|B{|}^2>& <{\mathrm{BC}}^{*}>\\ <A^{*}C>& <B^{*}C>& <|C{|}^2>\end{array}\right]$

其中，散射矩阵Pauli基的矢量化一般散射机制；

$\underset{\&OverBar;}{k}=\frac{1}{\sqrt{2}}{\&lsqb;a+c,a-c,2b\&rsqb;}^T=\left|\underset{\&OverBar;}{k}\right|\underset{\&OverBar;}{\mathrm{\&omega;}}$

$\underset{\&OverBar;}{\mathrm{\&omega;}}=\left[\begin{array}{c}\cos a\exp \left(j\mathrm{\&phi;}\right)\\ \sin acos\mathrm{\&beta;}\exp \left(i\mathrm{\&delta;}\right)\\ \sin \mathrm{\&alpha;}sin\mathrm{\&beta;}\exp \left(i\mathrm{\&gamma;}\right)\end{array}\right]$

遵守互异性的散射机制通过下面的一系列矩阵变换简化为[1 0 0]^T；

$\left[\begin{array}{c}1\\ 0\\ 0\end{array}\right]=\left[\begin{array}{ccc}cos\mathrm{\&alpha;}& sin\mathrm{\&alpha;}& 0\\ -\sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ccc}1& 0& 0\\ 0& cos\mathrm{\&beta;}& \sin \mathrm{\&beta;}\\ 0& -\sin \mathrm{\&beta;}& \cos \mathrm{\&beta;}\end{array}\right]\left[\begin{array}{ccc}\exp \left(i\mathrm{\&phi;}\right)& 0& 0\\ 0& \exp (-i\mathrm{\&delta;})& 0\\ 0& 0& \exp (-i\mathrm{\&gamma;})\end{array}\right]\underset{\&OverBar;}{\mathrm{\&omega;}}$

2、Cloude极化分解

Cloude分解方法首先需要通过散射矩阵得到相干矩阵，由于相干矩阵是Hermitian半正定的，因此总是可以通过单位相似变换来对角化。

[T]＝[U₃][Λ][U₃]^H

$\&lsqb;\mathrm{\&Lambda;}\&rsqb;=\left[\begin{array}{ccc}{\mathrm{\&lambda;}}_1& 0& 0\\ 0& {\mathrm{\&lambda;}}_2& 0\\ 0& 0& {\mathrm{\&lambda;}}_3\end{array}\right]$

$\&lsqb;U_3\&rsqb;={\&lsqb;{\stackrel{\&RightArrow;}{e}}_1,{\stackrel{\&RightArrow;}{e}}_2,{\stackrel{\&RightArrow;}{e}}_3\&rsqb;}^T$

${\stackrel{\&RightArrow;}{e}}_i=\left[\begin{array}{c}cos\left({\mathrm{\&alpha;}}_i\right)\\ sin\left({\mathrm{\&alpha;}}_i\right)cos\left({\mathrm{\&beta;}}_i\right)e^{{\mathrm{j\&delta;}}_i}\\ \sin \left({\mathrm{\&alpha;}}_i\right)\sin \left({\mathrm{\&beta;}}_i\right)e^{{\mathrm{j\&gamma;}}_i}\end{array}\right]$

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

$T=U_3\left[\begin{array}{ccc}{\mathrm{\&lambda;}}_1& 0& 0\\ 0& {\mathrm{\&lambda;}}_2& 0\\ 0& 0& {\mathrm{\&lambda;}}_3\end{array}\right]U_3^H$

$\&lsqb;U_3\&rsqb;=\left[\begin{array}{ccc}cos\left({\mathrm{\&alpha;}}_1\right)e^{{\mathrm{i\&phi;}}_1}& cos\left({\mathrm{\&alpha;}}_2\right)e^{{\mathrm{i\&phi;}}_2}& cos\left({\mathrm{\&alpha;}}_3\right)e^{{\mathrm{i\&phi;}}_3}\\ sin\left({\mathrm{\&alpha;}}_1\right)cos\left({\mathrm{\&beta;}}_1\right)e^{{\mathrm{i\&delta;}}_1}& sin\left({\mathrm{\&alpha;}}_2\right)\cos \left({\mathrm{\&beta;}}_2\right)e^{{\mathrm{i\&delta;}}_2}& sin\left({\mathrm{\&alpha;}}_3\right)cos\left({\mathrm{\&beta;}}_3\right)e^{{\mathrm{i\&delta;}}_3}\\ \sin \left({\mathrm{\&alpha;}}_1\right)sin\left({\mathrm{\&beta;}}_1\right)e^{{\mathrm{i\&gamma;}}_1}& sin\left({\mathrm{\&alpha;}}_2\right)\sin \left({\mathrm{\&beta;}}_2\right)e^{{\mathrm{i\&gamma;}}_2}& \sin \left({\mathrm{\&alpha;}}_3\right)sin\left({\mathrm{\&beta;}}_3\right)e^{{\mathrm{i\&gamma;}}_3}\end{array}\right]$

2)将相干矩阵[T]进行特征值分解，得到其特征值λ₁、λ_2、、λ₃和特征向量e；

3)而后根据相干矩阵的[T]的特征值和特征向量得到影像的三个二阶物理量，用于解释物理散射机制：散射熵H、散射角alpha、反熵A以及总功率span。

散射熵(entropy)：

$\begin{array}{cc}H=\underset{i=3}{\overset{3}{\&Sigma;}}-P_i{\log }_3{P}_i& 0\&le;H\&le;1\end{array}$

散射角(alpha)：

反熵(anisotropy)：

$A=\frac{{\mathrm{\&lambda;}}_2-{\mathrm{\&lambda;}}_3}{{\mathrm{\&lambda;}}_2+{\mathrm{\&lambda;}}_3}$

总功率(span)：

span＝λ₁+λ₂+λ₃

$P_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{j}{\&Sigma;}{\mathrm{\&lambda;}}_j}$

其中P_i是相干矩阵[T]特征值得概率分布。

5.利用H-α/Wishart和H-A-α/Wishart分类方法对整幅遥感影像进行非监督分类。经典的H-α分类方法就是通过Cloud分解得到散射熵H和散射角α特征参数后，根据这两个特征参数对目标进行分类。其主要原理就是按照不同的H和α值，在H和α平面将目标分成8类，由于算法限制只能得到固定的8类和16类，这样可以用来识别出森林和非林地的地类类型。

所述极化协方差矩阵的概率密度分布函数服从n个自由度的Wishart分布其分布表达式为：

${\mathrm{PT}}^{\left(n\right)}(\&lsqb;C\&rsqb;)=\frac{n^{qn}|\&lsqb;C\&rsqb;{|}^{n-q}\exp \&lsqb;-{\mathrm{nT}}_r{\&lsqb;\mathrm{\&Sigma;}\&rsqb;}^{-1}\&lsqb;C\&rsqb;)\&rsqb;}{K(n,q)|\&lsqb;\stackrel{\&OverBar;}{\&Sigma;}\&rsqb;{|}^n}$

K(n,q)＝π^(1/2)q(q-1)Γ(n)...(n-q+1)

T_r为矩阵的迹，n是视数，K是归一化因子，Γ(n)为Gamma函数，[∑]＝E([C])。极化协方差矩阵[C]可以通过线性变换得到相干矩阵[T]，所以相干矩阵也服从Wishart分布：

${\mathrm{PT}}^{\left(n\right)}(\&lsqb;T\&rsqb;)=\frac{n^{qn}|\&lsqb;T\&rsqb;{|}^{n-q}\exp \&lsqb;-{\mathrm{nT}}_r{\&lsqb;\mathrm{\&Sigma;}\&rsqb;}^{-1}\&lsqb;T\&rsqb;)\&rsqb;}{K(n,q)|\&lsqb;\stackrel{\&OverBar;}{\&Sigma;}\&rsqb;{|}^n}$

其中，[∑]＝E([T])；

$P\&Element;{\mathrm{\&omega;}}_i,{\mathrm{\&omega;}}_i=Arg\max L(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;);$

ArgmaxLf(x)表示返回取最大值时对应的x值，根据最大似然定义得到最大似然分类器为：

$L(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\mathrm{\&Sigma;}}}_i\&rsqb;)=-n\ln |\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;|-{\mathrm{nT}}_r{(\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;)}^{-1}\&lsqb;T\&rsqb;)+qn\ln n+(n-q)\ln |\&lsqb;T\&rsqb;|-\ln K(n,q)$

其中 $d(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;)=ln|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;|+T_t({\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;}^{-1}\&lsqb;T\&rsqb;),$ 为相干矩阵[T]的最大似然估计，定义为 $\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;=\frac{1}{n}\underset{P\&Element;{\mathrm{\&omega;}}_i}{\&Sigma;}\&lsqb;T\&rsqb;;$

将 ${\mathrm{\&omega;}}_i=Arg\max L(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;)$ 取负值，并去掉与研究聚类无关的项，得到新的决策规则：

$P\&Element;{\mathrm{\&omega;}}_i,{\mathrm{\&omega;}}_i=Arg\min d(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;);$

在监督分类中，利用结合森林资源二类清查数据，选取每种林分类型的训练样本，根据合适的训练集可以计算出然后把像元分配到相应具有最小距离的 $d(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;)\&le;d\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\&Sigma;}}_i\&rsqb;,j\&NotEqual;i.$

6.在H-α/Wishart非监督分类的基础上进行改进的复Wishart分类监督分类的方法对森林类型进行识别。将步骤5分类后的图像作为原始图像，利用最大似然分类器进行二次迭代，得到复监督分类结果。

7.对实验区域的分类结果计算分类精度。

以黑龙江省大兴安岭地区盘古林场为例，利用极化分解方式来提取极化特征参数，来进行极化H-α/Wishart和H-A-α/Wishart非监督分类对整幅影像进行分类。后结合森林资源二类清查数据在H-α/Wishart非监督分类基础上进行改进的复Wishart监督分类，并进行精度评价提取混淆矩阵，如表1所示，表中74.21是代表落叶松林正确分类的百分比，2.18是落叶松林错分到樟子松林的一个百分比，根据每类正确分类的百分比计算出总体的分类精度为72.3％。

混淆矩阵：图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面，正确分类个数沿着混淆矩阵的对角线分布。

表1分类结果的混合矩阵

Claims (6)

1.一种基于微波遥感影像森林类型识别方法，其特征在于：包括以下步骤：

步骤一，输入影像，并对影像进行预处理；

步骤二，提取预处理后的全极化SAR影像的相干矩阵，对相干矩阵进行Cloud分解得到图像的散射熵H、散射角alpha、反熵A以及总功率span的极化特征；

步骤三，利用H-α/Wishart分类方法和H-A-α/Wishart分类方法对整幅遥感影像进行非监督分类来提取实验区域森林部分，所述非监督分类的分类器为最大似然分类器；

步骤四，以步骤三所述非监督分类的结果作为原始的输入数据，利用最大似然分类器进行复Wishart的监督分类，实现对森林类型的识别；

步骤五，对所得的分类结果进行精度验证。

2.根据权利要求1所述一种基于微波遥感影像森林类型识别方法，其特征在于：所述基于微波遥感影像森林类型识别方法的应用地理位置为123° 20′ 02″ E-124° 21′ 40″ E，52° 16′ 38″ N-52° 47′ 4″ N，测量时间为该地理位置的6月至11月。

3.根据权利要求1所述一种基于微波遥感影像森林类型识别方法，其特征在于：所述步骤一中，对影像进行预处理的过程包括：对待分类的图像进行精致极化Lee滤波，去除相干斑噪声；对滤波后的图像进行正射校正和几何校正。

4.根据权利要求1所述一种基于微波遥感影像森林类型识别方法，其特征在于：所述步骤二中，对想干矩阵进行Cloud分解包括以下步骤：

步骤1，先提取滤波后多极化SAR图像中的极化散射矩阵[S]，根据[S]矩阵求得相干矩阵[T]；

步骤2，将相干矩阵[T]进行特征值分解，得到其特征值λ₁、λ₂、λ₃和特征向量e；

步骤3，而后根据相干矩阵的[T]的特征值和特征向量得到影像的三个二阶物理量：散射熵H、散射角alpha、反熵A以及总功率span。

散射熵H：

$H=\underset{i=3}{\overset{3}{\&Sigma;}}-P_i{\log }_3{P}_i,0\&le;H\&le;1$

散射角alpha：

反熵A：

$A=\frac{{\mathrm{\&lambda;}}_2-{\mathrm{\&lambda;}}_3}{{\mathrm{\&lambda;}}_2+{\mathrm{\&lambda;}}_3}$

总功率span：

span＝λ₁+λ₂+λ₃

$P_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{j}{\&Sigma;}{\mathrm{\&lambda;}}_i}$

其中P_i是相干矩阵[T]特征值得概率分布。

5.根据权利要求1所述一种基于微波遥感影像森林类型识别方法，其特征在于：步骤三所述的非监督分类法具体为：

相干矩阵[T]的概率密度分布函数服从n个自由度的复Wishart分布其分布函数表达式为：

${\mathrm{PT}}^{\left(n\right)}(\&lsqb;T\&rsqb;)=\frac{n^{qn}|\&lsqb;T\&rsqb;{|}^{n-q}\exp \&lsqb;-{\mathrm{nT}}_r{\&lsqb;\mathrm{\&Sigma;}\&rsqb;}^{-1}\&lsqb;T\&rsqb;)\&rsqb;}{K(n,q)|\&lsqb;\stackrel{\&OverBar;}{\&Sigma;}\&rsqb;{|}^n}$

式中，K(n,q)＝π^(1/2)q(q-1)Γ(n)…(n-q+1)，T_r为矩阵的迹，n是视数，K是归一化因子，q为相干矩阵[T]的阶数，Γ(n)为Gamma函数，[∑]＝E([T])，根据最大似然定义得到最大似然分类器其表达式为：

$L(\&lsqb;T\&rsqb;|\&lsqb;{\widehat{\mathrm{\&Sigma;}}}_i\&rsqb;)=-n\ln |\&lsqb;{\widehat{\mathrm{\&Sigma;}}}_i\&rsqb;|-{\mathrm{nT}}_r{(\&lsqb;{\widehat{\mathrm{\&Sigma;}}}_i\&rsqb;)}^{-1}\&lsqb;T\&rsqb;)+qn\ln n+(n-q)\ln |\&lsqb;T\&rsqb;|-\ln K(n,q).$

6.根据权利要求1所述一种基于微波遥感影像森林类型识别方法，其特征在于：所述步骤四与步骤三的监督分类表达式相同，步骤三所述的最大似然分类器与步骤四所述的最大似然分类器的表达式相同。