CN108364011A - PolSAR图像多级特征提取与无监督分类方法 - Google Patents

PolSAR图像多级特征提取与无监督分类方法 Download PDF

Info

Publication number
CN108364011A
CN108364011A CN201810110454.2A CN201810110454A CN108364011A CN 108364011 A CN108364011 A CN 108364011A CN 201810110454 A CN201810110454 A CN 201810110454A CN 108364011 A CN108364011 A CN 108364011A
Authority
CN
China
Prior art keywords
classification
polsar
image
class
scattering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810110454.2A
Other languages
English (en)
Inventor
韩萍
韩宾宾
孙丹丹
宋厅华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201810110454.2A priority Critical patent/CN108364011A/zh
Publication of CN108364011A publication Critical patent/CN108364011A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Abstract

一种PolSAR图像多级特征提取和无监督分类方法。该方法首先利用去取向原理和精致Lee滤波对PolSAR图像进行预处理；然后利用Cloude‑Pottier分解提取极化散射熵/各向异性度组合特征，并用该特征进行第一级分类；再利用三分量分解方法提取表面散射、二次散射和体散射功率特征，并用该特征进行第二级分类；再提取总散射功率特征以区分散射机制相同而散射功率不同的地物，并用该特征进行第三级分类；最后用Wishart分类器对分类结果进行迭代优化。本发明方法具有以下优点：1)分类精度高，纹理清晰；2)自适应程度高，本方法能够根据图像场景复杂度自适应确定分类数目，除迭代次数外不需要其他人工干预。

Description

PolSAR图像多级特征提取与无监督分类方法
技术领域
本发明属于PolSAR图像解译技术领域，特别是涉及一种PolSAR图像多级特征提取与无监督分类方法。
技术背景
极化合成孔径雷达(PolSAR)作为一种重要的遥感技术手段，以其全天时、全天候、高分辨和强穿透特性在军事和民用领域获得广泛应用。与快速发展的PolSAR系统研发相比，PolSAR图像解译研究还相对滞后。在各种遥感数据呈现海量增长趋势下，遥感图像自适应性解译显得尤为重要。分类作为图像解译的重要一环，既可以作为最终结果应用于森林制图、城市规划，也可以作为中间结果应用于图像滤波、目标检测。利用PolSAR图像独有的目标极化特征进行无监督分类，因为其不需要训练样本和良好的分类效果，因此得到了广泛应用。这类算法主要有：H/α-Wishart、H/α/A-Wishart、H/α/Span-Wishart、H/α/PWF-Wishart、Freeman-Wishart、，MCSM-Wishart分类等。但是，这些算法都或多或少地需要人为干预，在需要处理复杂大场景PolSAR图像时，它们需要人为干预的缺点就会非常明显。
发明内容
为了解决上述问题，本发明的目的在于提供一种既能以较高的精度分类地物目标，又能自适应地根据图像复杂度确定分类数目，从而省去人工干预的PolSAR图像多级特征提取与无监督分类方法。
为了达到上述目的，本发明提供的PolSAR图像多级特征提取与无监督分类方法包括按顺序进行的下列步骤：
(2)对原始PolSAR图像进行预处理，得到去取向和滤除相干斑噪声的相干矩阵T；
(2)利用Cloude-Potter方法对上述步骤(1)获得的相干矩阵T进行分解，并提取出极化散射熵/各向异性度(H/A)组合特征，以确定地物散射机制组成，并用该组合特征对PolSAR图像进行第一级分类；
(3)利用三分量分解方法从上述步骤(1)获得的相干矩阵T中提取出表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv，以进一步确定地物散射机制性质，并利用这三个特征对步骤(2)的分类结果进行第二级分类；
(4)对上述第二级分类后获得的PolSAR图像的相干矩阵T进行求迹运算而得到每个像素点的总散射功率特征I，由所有像素点的总散射功率特征I构成总散射功率图像，然后将总散射功率图像转换成普通灰度图像，之后利用最大类间方差法对上述普通灰度图像进行第三级分类；
(5)应用Wishart分类器对步骤(4)获得的分类结果进行迭代优化,以使图像的纹理更加清晰，得到最终分类结果。
在步骤(1)中，所述的对PolSAR图像进行预处理，得到去取向和滤除相干斑噪声的相干矩阵T的方法是：利用原始PolSAR图像相干矩阵估计目标取向角，并构造旋转矩阵去除目标取向角得到新的相干矩阵，再利用精致Lee滤波算法对新的相干矩阵进行滤波得到去取向和滤波后的相干矩阵。
在步骤(2)中，所述的利用Cloude-Potter方法对上述步骤(1)获得的相干矩阵T进行分解，并提取出极化散射熵/各向异性度(H/A)组合特征，以确定地物散射机制组成，并用该组合特征对PolSAR图像进行第一级分类的方法是：利用步骤(1)获得的相干矩阵T进行特征分解得到特征值和特征向量，然后用特征值构造极化散射熵H/各向异性度A组合特征，最后根据最大组合特征类别进行PolSAR图像第一级分类，得到4类分类结果。
在步骤(3)中，所述的利用三分量分解方法从上述步骤(1)获得的相干矩阵T中提取出表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv，以进一步确定地物散射机制性质，并利用这三个特征对步骤(2)的分类结果进行第二级分类的方法是：利用步骤(1)获得的相干矩阵T进行三分量分解得到表面散射功率特征、二次散射功率特征和体散射功率特征，根据最小散射功率类别将步骤(2)获得的分类结果的第1类进一步分成3类，根据最大、次大散射功率类将第2类进一步分成6类，根据最大散射功率类别将第3类进一步分成3类，第4类不再细分，以此完成PolSAR图像的第二级分类，得到13类分类结果。
在步骤(4)中，所述的对上述第二级分类后获得的PolSAR图像的相干矩阵T进行求迹运算而得到每个像素点的总散射功率特征I，由所有像素点的总散射功率特征I构成总散射功率图像，然后将总散射功率图像转换成普通灰度图像，之后利用最大类间方差法对上述普通灰度图像进行第三级分类的方法是：利用步骤(1)获得的相干矩阵T进行矩阵求迹运算得到总散射功率特征，并将所有像素点的总散射功率特征组合在一起构成总散射功率图像，然后对总散射功率图像进行归一化并映射到0至255而转换成普通灰度图像，之后利用最大类间方差法将步骤(4)获得分类结果中的每类再细分为2类，以此完成PolSAR图像的第三级分类而得到26类分类结果。
在步骤(5)中，所述的应用Wishart分类器对步骤(4)获得的分类结果进行迭代优化,以使图像的纹理更加清晰，得到最终分类结果的方法是：利用步骤(1)获得的相干矩阵T和步骤(5)的分类结果计算各个类别的类中心，然后依次计算PolSAR图像中所有像素点与各个类中心的Wishart距离，将像素点重新归类于Wishart距离最小的类别，重复上述步骤直到达到规定次数而得到最终的PolSAR图像分类结果。
本发明提供的PolSAR图像多级特征提取与无监督分类方法与现有PolSAR图像分类方法相比具有以下优点：(1)本发明方法能够对PolSAR图像进行多级特征提取，从而获取丰富的极化散射机制信息，有利于提高分类精度。(2)本发明方法在分类过程中需要人为设置的参数更少，具有更高的自适应性。
附图说明
图1为本发明提供的PolSAR图像多级特征提取与无监督分类方法流程图。
图2为精致Lee滤波像素筛选的边缘对齐窗示意图。
图3为三分量分解方法流程图。
图4(a)为San Francisco地区PolSAR数据PauliRGB图。
图4(b)为San Francisco地区对应的光学图。
图5(a)为Flevoland地区的PauliRGB图。
图5(b)为Flevoland区域对应的部分农田真实地物。
图6(a)为San Francisco地区H/α/A分类结果。
图6(b)为San Francisco地区H/α/PWF分类结果。
图6(c)为San Francisco地区本发明方法分类结果。
图7(a)为Flevoland地区H/α/A分类结果。
图7(b)为Flevoland地区H/α/PWF分类结果。
图7(c)为Flevoland地区本发明方法分类结果。
具体实施方式
下面结合附图和具体实施例对本发明提供的PolSAR图像多级特征提取与无监督分类方法进行详细说明。
如图1所示，本发明提供的PolSAR图像多级特征提取与无监督分类方法包括按顺序进行的下列步骤：
(3)对PolSAR图像进行预处理，得到去取向和滤除相干斑噪声的相干矩阵T；
和普通光学图像不同，PolSAR图像的像素点既不像灰度图像的像素点仅为1个取值从0到255的灰度值，也不像彩色图像的像素点仅为3个取值从0到255的值，PolSAR图像的每个像素点均为一个相干矩阵Tθ，且该相干矩阵Tθ中对角线元素均为实数，非对角线元素均为复数。
首先对PolSAR图像进行去取向处理。由于实际地物目标都存在取向角，且不同地物目标的取向角不同，为便于分析和提取特征应去除地物目标的取向角，也即去除上述相干矩阵Tθ的取向角。为此，先估计地物目标的随机取向角θ，公式如下：
式中，cos-1(·)表示反余弦函数，sin-1(·)表示反正弦函数，E＝real(T23)，real(·)表示取实部运算，T22,T33,T23均为式(1)所示的相干矩阵Tθ对应的位置元素。然后用上述随机取向角θ构造旋转矩阵Q，对上述相干矩阵Tθ进行旋转，以去除随机取向，得到去取向后的相干矩阵T'：
(·)H表示矩阵共轭转置运算。
然后用精致Lee滤波算法滤除上述去取向后PolSAR图像的相干斑噪声。先根据图2所示的边缘对齐窗筛选参与滤波邻域像素，然后按下式进行滤波，得到滤除相干斑噪声的相干矩阵T：
var(·)表示方差运算，I为散射功率，为相干斑噪声方差，可通过采样匀质区域像素统计得出，Tc为邻域窗中心位置像素点的相干矩阵，为邻域窗内像素点的平均相干矩阵。
(2)利用Cloude-Potter方法对上述步骤(1)获得的相干矩阵T进行分解，并提取出极化散射熵/各向异性度(H/A)组合特征，以确定地物散射机制组成，并用该组合特征对PolSAR图像进行第一级分类；
具体步骤如下：
a)提取H/A组合特征，以确定地物散射机制组成。利用Cloude-Pottier方法对上述步骤(1)获得的相干矩阵T进行如下分解：
其中，λi表示特征值，ei表示特征向量。该分解为普通的矩阵特征分解，具体实现方法已经非常成熟，这里不再赘述。特征分解后能够从相干矩阵T中得到3个特征值λ1,λ2,λ3和特征向量e1,e2,e3，这里只用到3个特征值，同时为了便于表述不妨设λ1＞λ2＞λ3。利用上述特征值构造式(6)所示的极化散射熵H和各向异性度A两个参量：
其中，表示对特征值进行归一化处理；在此基础上，将极化散射熵H和各向异性度A进行组合而构成以下四个组合特征：
其中，fi∈[0,1],i＝1、2、3、4且f1+f2+f3+f4＝1。
b)根据上述H/A组合特征对PolSAR图像进行第一级分类，共分成4类，分类结果如表1所示。如上所述，经过去取向和滤除相干斑噪声处理的PolSAR图像中每个像素点均为一个相干矩阵T，对每个像素点进行上述处理后均能得到四个组合特征f1,f2,f3,f4。根据最大组合特征的类别就可以确定该像素点的类别，方法是若第一个像素点满足f1＞fi(i＝2,3,4)，则可以将第一个像素点划分为C1类，同理若满足f2＞fi(i＝1,3,4)则划分为C2类，满足f3＞fi(i＝1,2,4)则划分为C3类，满足f4＞fi(i＝1,2,3)则划分为C4类，对所有像素点进行以上处理后就完成了PolSAR图像的第一级分类，结果将PolSAR图像分成了4类。
(3)利用三分量分解方法从上述步骤(1)获得的相干矩阵T中提取出表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv，以进一步确定地物散射机制性质，并利用这三个特征对步骤(2)的分类结果进行第二级分类；
具体步骤如下：
a)如图3所示，首先判断相干矩阵T中T11和T33的大小，若T11≤T33则
反之，则令：
进而判断|T12|2与x11x22的大小，若|T12|2≥x11x22则接着判断x11与x22的大小，若x11＞x22则：
若x11≤x22则：
若|T12|2＜x11x22，则判断x11与x22的大小，若x11＞x22则：
反之若x11≤x22则：
综合以上步骤可以从相干矩阵T得到不同情况下地物目标的表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv。
b)在相同的散射机制构成情况下，利用上述表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv对步骤(2)获得的经过第一级分类后的PolSAR图像进行第二级分类，共分成13类，分类结果如表2所示。PolSAR图像的每个像素点都可以通过三分量分解方法获得表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv。在第一级分类基础上，针对C1类，根据每个像素点的ps,pd,pv的最小散射功率类别进行进一步细分，方法是若C1类的第一个像素点满足ps＜pi(i＝d,v)，则将该像素点进一步指定为C11类，同理若满足pd＜pi(i＝s,v)，则将该像素点进一步指定为C12类，若满足pv＜pi(i＝s,d)，则将该像素点进一步指定为C13类；针对C2类，根据每个像素点的ps,pd,pv的最大、次大散射功率类别进行进一步细分，方法是若C2类的第一个像素点满足ps＞pd＞pv，则将该像素点进一步指定为C21类，后续依次类推。当按上述步骤处理完所有像素点后就完成了PolSAR图像的第二级分类，结果将PolSAR图像共分成13类。
(4)对上述第二级分类后获得的PolSAR图像的相干矩阵T进行求迹运算而得到每个像素点的总散射功率特征I，由所有像素点的总散射功率特征I构成总散射功率图像，然后将总散射功率图像转换成普通灰度图像，之后利用最大类间方差法对上述普通灰度图像进行第三级分类；
具体步骤如下：
a)对上述第二级分类后获得的PolSAR图像的相干矩阵T进行求迹运算而得到每个像素点的总散射功率特征I，公式如下：
I＝Tr(T) (14)
Tr(·)表示相干矩阵求迹运算。
由所有像素点的总散射功率特征I构成总散射功率图像，该图像中每个像素点仅有1个值，然后对该图像的总散射功率特征I的数值进行归一化处理，并映射到0到255区间，这样就可将总散射功率图像变成普通的灰度图像。
b)利用最大类间方差法对上述灰度图像进行第三级分类，共分成26类。完成第二级分类后的PolSAR图像分成了13小类，并且每一小类原则上都包含许多像素点。利用最大类间方差法将每一小类再细分为2类。最大类间方差法是基于图像灰度的阈值分割算法，具体方法如下：假设待分割图像的像素点数为N，图像灰度级为L(0,1,…,L-1)，灰度级为i的像素点数为ni，则有：
将灰度级为i的像素点数ni组合在一起即为图像的灰度直方图，然后将灰度直方图归一化成概率密度函数，即：
设计阈值t将图像分成C0和C1两类，其中C0类对应的灰度级为(0,1,…,t)，C1类对应的灰度级为(t+1,…,L-1)。选取使C0和C1类的类间方差最大的那个阈值，即：
其中，为类间方差，其计算方法如下：
其中，ω1(t)＝1-ω0(t)；
(5)应用Wishart分类器对步骤(4)获得的分类结果进行迭代优化,以使图像的纹理更加清晰，得到最终分类结果：
Wishart分类器简单而言就是基于Wishart距离的最小距离分类器，其中Wishart距离为：
式中，Vm为第m类的类中心，可以通过下式计算：
i∈Cm表示i像素点属于Cm类，Nm为Cm的像素点个数，上式物理意义非常简单，Cm类的类中心Vm就是Cm类所有像素点的平均相干矩阵T。
具体步骤如下：
a)按照式(20)计算步骤(4)获得的所有26类的类中心Vm，遍历PolSAR图像的所有像素点，按照式(19)依次计算每个像素点与所有类中心Vm的Wishart距离，并将每一像素点重新归类于与该像素点距离最近的类别，即：
b)将上述新得到的分类结果作为第三级分类结果，重复步骤a)直至达到设定的迭代次数，然后输出最终的分类结果。
本发明提供的PolSAR图像多级特征提取与无监督分类方法的效果可以通过以下实验结果进一步说明。本发明人将本发明方法和H/α/A方法、H/α/PWF方法进行了对比，从主观和客观两个方面进行分析。主观分析主要为分类视觉效果对比，客观分析主要为定量的分类精度和Kappa系数比较。
实验数据描述：该数据由美国NASA/JPL实验室AIRSAR系统在San Francisco地区和Flevoland地区采集。San Francisco地区PauliRGB图和谷歌地图上对应区域的光学图如图4所示。图4(a)为PauliRGB图，数据大小为900×700，等效视数4视；图4(b)为对应区域的光学图像。由光学图像可以看出，图中包含一些典型的地物目标，如海洋、马球场和运动场、城区、金门大桥、山林等。Flevoland地区PauliRGB图和对应区域的部分农田真实地物如图5所示。图5(a)为Flevoland地区的PauliRGB图，数据大小为427×299，成像分辨率为距离向6.7m，方位向12.1m，等效视数为4视；图5(b)为该区域对应的部分农田真实地物。从图中可以看出，该区域包含裸地、土豆、甜菜、豌豆、苜蓿、小麦、大麦七种已知类型的农作物和一些未知真实类型的农作物。
图6给出H/α/A方法、H/α/PWF方法和本发明方法对San Francisco地区的分类结果。从图6可以看出，各方法都得到比较准确的分类结果，海洋主要显示为蓝色，城区主要显示为红色，林区主要显示为绿色。对比来看，H/α/A方法在细节上不是很理想，如图6(a)中在方框内将体散射误分为表面散射，在三角形内将表面散射误分为二次散射，在椭圆内将二次散射误分为体散射；H/α/PWF方法整体上比较理想，主要的不足在于图6(b)中方框内将二次散射误分为面散射，椭圆内将二次散射误分为体散射；本发明方法整体上也比较理想，城区显示为整块的红色区域，且城区的纹理清晰可见，同时本发明方法结果也存在不足，如图6(c)中方框内将表面散射误分为体散射，纹理不是特别清晰。综合以上分析，本发明方法和H/α/PWF方法的分类结果更为理想。
图7给出H/α/A方法、H/α/PWF方法和本发明方法在Flevoland地区的分类结果。从图7可以看出，三种方法都得到比较满意的分类结果。H/α/A方法对裸地、土豆的分类效果最好，如椭圆标注的区域都很完整，对大麦的分类效果不是很理想，将大量大麦分成未知农作物类型，如方框内的紫色很驳杂；H/α/PWF方法对豌豆、苜蓿和大麦的分类结果最好，但没有区分出裸地和小麦，如方框内本应为蓝色变成了红色；本发明方法的分类结果整体较好，各个农作物都取得了比较理想的分类结果，在图中所有区域都比较完整，错分量较少。
表3给出本发明方法、H/α/A方法和H/α/PWF方法对Flevoland地区的分类统计结果。从表3看出，三种方法的统计结果与视觉分析结果一致。H/α/A方法对裸地、土豆的分类结果最优；H/α/PWF方法对豌豆、大麦、苜蓿的分类结果最优；本发明方法对小麦、甜菜的分类结果最优，且本发明方法对其它农作物的分类精度也较高，如裸地、土豆的分类精度与H/α/A方法相当，大麦、苜蓿的分类精度与H/α/PWF方法相当。从整体上看，本发明方法的平均分类精度达到87.01％，高于H/α/A方法的77.92％和H/α/PWF方法的69.95％；Kappa系数是衡量分类精度的一个常用参数，统计结果显示本发明方法的Kappa系数为0.7988，高于H/α/A方法的0.7167和H/α/PWF方法的0.6955。
表1、PolSAR图像第一级分类结果
表2、PolSAR图像第二级分类结果
表3、三种方法分类统计结果

Claims (6)

1.一种PolSAR图像多级特征提取与无监督分类方法，其特征在于：所述的PolSAR图像多级特征提取与无监督分类方法包括按顺序进行的下列步骤：
(1)对原始PolSAR图像进行预处理，得到去取向和滤除相干斑噪声的相干矩阵T；
(2)利用Cloude-Potter方法对上述步骤(1)获得的相干矩阵T进行分解，并提取出极化散射熵/各向异性度(H/A)组合特征，以确定地物散射机制组成，并用该组合特征对PolSAR图像进行第一级分类；
(3)利用三分量分解方法从上述步骤(1)获得的相干矩阵T中提取出表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv，以进一步确定地物散射机制性质，并利用这三个特征对步骤(2)的分类结果进行第二级分类；
(4)对上述第二级分类后获得的PolSAR图像的相干矩阵T进行求迹运算而得到每个像素点的总散射功率特征I，由所有像素点的总散射功率特征I构成总散射功率图像，然后将总散射功率图像转换成普通灰度图像，之后利用最大类间方差法对上述普通灰度图像进行第三级分类；
(5)应用Wishart分类器对步骤(4)获得的分类结果进行迭代优化,以使图像的纹理更加清晰，得到最终分类结果。
2.根据权利要求1所述的PolSAR图像多级特征提取与无监督分类方法，其特征在于：在步骤(1)中，所述的对PolSAR图像进行预处理，得到去取向和滤除相干斑噪声的相干矩阵T的方法是：利用原始PolSAR图像相干矩阵估计目标取向角，并构造旋转矩阵去除目标取向角得到新的相干矩阵，再利用精致Lee滤波算法对新的相干矩阵进行滤波得到去取向和滤波后的相干矩阵。
3.根据权利要求1所述的PolSAR图像多级特征提取与无监督分类方法，其特征在于：在步骤(2)中，所述的利用Cloude-Potter方法对上述步骤(1)获得的相干矩阵T进行分解，并提取出极化散射熵/各向异性度(H/A)组合特征，以确定地物散射机制组成，并用该组合特征对PolSAR图像进行第一级分类的方法是：利用步骤(1)获得的相干矩阵T进行特征分解得到特征值和特征向量，然后用特征值构造极化散射熵H/各向异性度A组合特征，最后根据最大组合特征类别进行PolSAR图像第一级分类，得到4类分类结果。
4.根据权利要求1所述的PolSAR图像多级特征提取与无监督分类方法，其特征在于：在步骤(3)中，所述的利用三分量分解方法从上述步骤(1)获得的相干矩阵T中提取出表面散射功率特征ps、二次散射功率特征pd和体散射功率特征pv，以进一步确定地物散射机制性质，并利用这三个特征对步骤(2)的分类结果进行第二级分类的方法是：利用步骤(1)获得的相干矩阵T进行三分量分解得到表面散射功率特征、二次散射功率特征和体散射功率特征，根据最小散射功率类别将步骤(2)获得的分类结果的第1类进一步分成3类，根据最大、次大散射功率类将第2类进一步分成6类，根据最大散射功率类别将第3类进一步分成3类，第4类不再细分，以此完成PolSAR图像的第二级分类，得到13类分类结果。
5.根据权利要求1所述的PolSAR图像多级特征提取与无监督分类方法，其特征在于：在步骤(4)中，所述的对上述第二级分类后获得的PolSAR图像的相干矩阵T进行求迹运算而得到每个像素点的总散射功率特征I，由所有像素点的总散射功率特征I构成总散射功率图像，然后将总散射功率图像转换成普通灰度图像，之后利用最大类间方差法对上述普通灰度图像进行第三级分类的方法是：利用步骤(1)获得的相干矩阵T进行矩阵求迹运算得到总散射功率特征，并将所有像素点的总散射功率特征组合在一起构成总散射功率图像，然后对总散射功率图像进行归一化并映射到0至255而转换成普通灰度图像，之后利用最大类间方差法将步骤(4)获得分类结果中的每类再细分为2类，以此完成PolSAR图像的第三级分类而得到26类分类结果。
6.根据权利要求1所述的PolSAR图像多级特征提取与无监督分类方法，其特征在于：在步骤(5)中，所述的应用Wishart分类器对步骤(4)获得的分类结果进行迭代优化,以使图像的纹理更加清晰，得到最终分类结果的方法是：利用步骤(1)获得的相干矩阵T和步骤(5)的分类结果计算各个类别的类中心，然后依次计算PolSAR图像中所有像素点与各个类中心的Wishart距离，将像素点重新归类于Wishart距离最小的类别，重复上述步骤直到达到规定次数而得到最终的PolSAR图像分类结果。
CN201810110454.2A 2018-02-05 2018-02-05 PolSAR图像多级特征提取与无监督分类方法 Pending CN108364011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810110454.2A CN108364011A (zh) 2018-02-05 2018-02-05 PolSAR图像多级特征提取与无监督分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810110454.2A CN108364011A (zh) 2018-02-05 2018-02-05 PolSAR图像多级特征提取与无监督分类方法

Publications (1)

Publication Number Publication Date
CN108364011A true CN108364011A (zh) 2018-08-03

Family

ID=63004376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810110454.2A Pending CN108364011A (zh) 2018-02-05 2018-02-05 PolSAR图像多级特征提取与无监督分类方法

Country Status (1)

Country Link
CN (1) CN108364011A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297244A (zh) * 2019-07-26 2019-10-01 中国人民解放军国防科技大学 一种极化合成孔径雷达海面船只尾流检测方法
CN110501704A (zh) * 2019-07-16 2019-11-26 中国科学院电子学研究所 一种全极化图像极化分解方法、装置及存储介质
CN112558017A (zh) * 2020-11-05 2021-03-26 中国科学院国家空间科学中心 一种极化目标三分量分解结果彩色可视化方法及系统
CN114092457A (zh) * 2021-11-26 2022-02-25 黑龙江省农业科学院 一种用于农作物病虫害检测的方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498789A (zh) * 2009-02-25 2009-08-05 中国测绘科学研究院 一种基于全极化合成孔径雷达的地物目标分类方法和装置
CN102999761A (zh) * 2012-10-25 2013-03-27 西安电子科技大学 基于Cloude分解和K-wishart分布的极化SAR图像分类方法
CN104240234A (zh) * 2014-08-19 2014-12-24 中国测绘科学研究院 基于极化相似度合并的全极化sar影像分割方法和装置
CN104598922A (zh) * 2015-01-07 2015-05-06 河海大学 基于模糊c均值的全极化sar图像分类方法
CN106022217A (zh) * 2016-05-09 2016-10-12 中国民航大学 无监督多级分类的民用机场跑道区域检测方法
CN106204569A (zh) * 2016-07-06 2016-12-07 天津大学 基于极化状态提取的极化sar图像变化检测方法
CN106778884A (zh) * 2016-12-23 2017-05-31 辽宁工程技术大学 基于散射熵和三分量分解平面的极化sar图像分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498789A (zh) * 2009-02-25 2009-08-05 中国测绘科学研究院 一种基于全极化合成孔径雷达的地物目标分类方法和装置
CN102999761A (zh) * 2012-10-25 2013-03-27 西安电子科技大学 基于Cloude分解和K-wishart分布的极化SAR图像分类方法
CN104240234A (zh) * 2014-08-19 2014-12-24 中国测绘科学研究院 基于极化相似度合并的全极化sar影像分割方法和装置
CN104598922A (zh) * 2015-01-07 2015-05-06 河海大学 基于模糊c均值的全极化sar图像分类方法
CN106022217A (zh) * 2016-05-09 2016-10-12 中国民航大学 无监督多级分类的民用机场跑道区域检测方法
CN106204569A (zh) * 2016-07-06 2016-12-07 天津大学 基于极化状态提取的极化sar图像变化检测方法
CN106778884A (zh) * 2016-12-23 2017-05-31 辽宁工程技术大学 基于散射熵和三分量分解平面的极化sar图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
E POTTIER等: "《Application of the 《H/A/α》 Polarimetric Decomposition Theorem for Unsupervised Classification of Fully Polarimetric SAR Data Based on the Wishart Distribution》", 《2000ESASP》 *
秦先祥: "《基于广义Gamma分布的SAR图像统计建模及应用研究》", 《中国博士学位论文全文数据库 信息科技辑》 *
韩萍 等: "《散射模型与Wishart分类相结合的极化SAR图像分类》", 《信号处理》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110501704A (zh) * 2019-07-16 2019-11-26 中国科学院电子学研究所 一种全极化图像极化分解方法、装置及存储介质
CN110297244A (zh) * 2019-07-26 2019-10-01 中国人民解放军国防科技大学 一种极化合成孔径雷达海面船只尾流检测方法
CN112558017A (zh) * 2020-11-05 2021-03-26 中国科学院国家空间科学中心 一种极化目标三分量分解结果彩色可视化方法及系统
CN112558017B (zh) * 2020-11-05 2023-08-08 中国科学院国家空间科学中心 一种极化目标三分量分解结果彩色可视化方法及系统
CN114092457A (zh) * 2021-11-26 2022-02-25 黑龙江省农业科学院 一种用于农作物病虫害检测的方法及系统

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN107229917B (zh) 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法
CN104598908B (zh) 一种农作物叶部病害识别方法
CN105608474B (zh) 基于高分辨率影像的区域自适应耕地提取方法
CN103247059B (zh) 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法
CN102646200B (zh) 多分类器自适应权值融合的影像分类方法及系统
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN108241871A (zh) 基于多特征的激光点云与影像融合数据分类方法
CN102982338B (zh) 基于谱聚类的极化sar图像分类方法
CN105138970B (zh) 基于空间信息的极化sar图像分类方法
CN108460342A (zh) 基于卷积网和循环神经网络的高光谱图像分类方法
CN107330892A (zh) 一种基于随机森林法的向日葵病害识别方法
CN108364011A (zh) PolSAR图像多级特征提取与无监督分类方法
CN107330875B (zh) 基于遥感图像正反向异质性的水体周边环境变化检测方法
CN109657610A (zh) 一种高分辨率多源遥感影像的土地利用变化检测方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
Usman Satellite imagery land cover classification using k-means clustering algorithm computer vision for environmental information extraction
CN107330457B (zh) 一种基于多特征融合的极化sar图像分类方法
CN105718942A (zh) 基于均值漂移和过采样的高光谱图像不平衡分类方法
CN103903012A (zh) 基于面向对象和支持向量机的极化sar数据分类方法
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN105976376A (zh) 一种基于部件模型的高分辨sar图像目标检测方法
CN109784401A (zh) 一种基于acgan的极化sar图像分类方法
CN109859219A (zh) 结合相位与光谱的高分遥感影像分割方法
CN108710862A (zh) 一种高分辨率遥感影像水体提取方法

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180803