CN108491753A - 极化散射非平稳性建模的极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于极化散射机制非平稳性建模的极化SAR图像分类方法。解决现有极化SAR图像分类中对不存在明显主散射机制混合像元，受噪声影响，准确度低的问题。实现步骤是对实测图像初始分类；根据极化散射特性估计辅助随机场，关联极化散射特性和非平稳性；用辅助随机场划分像素点平稳性；对平稳像素点计算相关函数，得到一元势能函数，数据项，二元势能函数；对非平稳像素点计算隶属度；由获得的函数构建模糊三重判别随机场(FTDF)模型的后验概率模型，用最大后验概率准则分类；若标记随机场收敛，输出结果，否则按照迭代规则重复构建分类模型，直至达到终止迭代要求，输出分类结果。本发明检测精度高，抗噪性能好，可用于极化SAR图像分类。

Description

极化散射非平稳性建模的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，涉及图像分类，具体是一种基于极化散射非平稳性建模的极化SAR图像分类方法，用于极化SAR图像分类。

背景技术

利用极化目标分解提取目标的极化散射特征是极化SAR图像分类技术的重点，希望找到充分利用目标极化散射信息的途径，以提高极化SAR图像分类的精度。目前的极化目标分解分为三分量分解方法、四分量分解方法以及多分量分解方法，比如Pauli分解、SDH分解、Freeman分解、Cameron分解、Cloude分解等，其中Freeman分解是最有效且使用最广泛的分解方法，该分解方法是Freeman和Durden于1998年基于散射模型提出的，该分解方法将目标总散射分解为表面散射、二面角散射以及体散射三种基本散射机制的非相干合成，其中光滑地表、水面等物体的表面散射占主导，密集建筑物、冠层稀疏树林等物体的二面角散射占优势，茂密森林或者草丛等物体的体散射占主导。Freeman分解的特点是利用极化散射理论构建这三种基本散射的协方差矩阵模型，所构建的协方差矩阵模型是独立于目标观测数据，是通用的散射体模型，相比于其他基于数学模型的分解方法，Freeman分解具有以下优势：①该分解方法具有明确的物理意义；②极化散射机制的分类准则易于定义。

因此，基于以上优势，利用Freeman分解提取极化SAR图像占最大比重的散射分量，即主散射机制，并将其应用于极化SAR图像分类中。2004年，Lee等人提出了一种可以有效地保留主散射机制信息的极化SAR图像分类方法，该方法首先根据由Freeman分解所得到的所属主散射机制类型将图像像素点划分为三个散射机制类别：体散射、二面角散射和面散射，然后在每一个散射类别中利用Wishart分类器将属于同种散射类别的像素点再次分为多个类别，该方法将每种散射类别中的像素点划分为15类，最终Lee等人提出了一种自动配色方法以降低斑点噪声带来的视觉障碍。实验结果表明该方法既可以在分类过程中保留主散射机制信息，又可以反映出数据的统计特性。然而由于场景的极其复杂性和地物的多样性，加上数据本身存在的噪声和有限的图像分辨率，图像中会出现众多混合像元，而混合像元处的散射机制类型极其复杂，三种散射分量或其中的两种可能具有接近的散射功率，并不存在明显的主散射机制，此时使用占优势的散射机制来代表当前目标的散射机制类别是不精确的。

当前常用图像分类技术中，对于散射机制复杂的混合像元，在没有显著主散射机制的情况下，分类结果受噪声影响大，误分率较高，准确度和运算时间不能兼顾。

发明内容

本发明的目的在于克服上述技术中存在的缺陷，提出了一种对于没有明显主散射机制的目标进行较准确分类的基于极化散射非平稳性建模的极化SAR图像分类方法。

本发明是基于极化散射机制非平稳性建模的极化SAR图像分类方法，其特征在于，过程包括有如下步骤：

(1)初始图像分类：给定一幅实测极化SAR图像，利用Wishart分类器得到该图像的初始分类结果；

(2)根据极化散射特性估计辅助随机场：提取并归一化图像像素点的极化散射特性，并按照规定的定义估计辅助随机场u＝{u_i}_i∈I，u＝{u¹,u²,u³,u⁴}，表示同种辅助随机场像素点的辅助随机场集合；

(3)根据辅助随机场划分像素点：针对图像的像素点i∈I，如果i∈{u¹,u²,u³}，表示像素点i为平稳的，执行步骤(4)；如果i∈u⁴，表示像素点i为非平稳的，执行步骤(5)；

(4)平稳像素点模型相关函数计算：由得到的极化散射特征，构建一元势能函数然后由极化SAR图像的统计分布构建数据项利用最小二乘法估计相关参数并结合标记随机场x＝{x_i}_i∈I构建二元势能函数

(5)非平稳像素点隶属度计算：基于Wishart分布的负的对数似然函数构建差异函数d_ci，由多级模糊逻辑(MLL)模型构建先验概率模型p_ci，并由获得的差异函数和先验概率模型构建模糊目标函数，通过最小化模糊目标函数得到隶属度r_ci；

(6)构建模糊三重混合判别随机场(FTDF)模型的后验概率模型并分类：由步骤(4)得到的一元势能函数A(x_i,y_i,u_i)，数据项二元势能函数和步骤(5)得到的隶属度r_ci构建FTDF模型的后验概率模型，依据最大后验概率准则最大化后验概率分布，对像素点i∈I进行分类，得到进一步的分类结果；

(7)判断是否进行迭代：如果像素点的进一步分类结果获得的标记随机场x收敛，执行步骤(8)，否则返回步骤(3)，根据像素点平稳性选择执行步骤(3)到步骤(7)对构建分类模型过程进行迭代，直至达到标记随机场x收敛的终止迭代要求；

(8)得到最终的极化SAR图像分类结果，输出基于极化散射机制非平稳性建模的极化SAR图像分类结果。

本发明具体是使用模糊三重混合判别随机场模型在辅助随机场指导下对极化SAR图像极化散射机制非平稳性进行建模，可以应用于极化SAR图像分类。

与现有技术相比，本发明具有以下优点：

(1)本发明由于引入辅助随机场u对图像进行划分，定义极化SAR数据的非平稳特性是与极化散射机制相关，并进一步指导FTDF模型后验概率分布的构建，使FTDF模型可以在分类过程中能够有效地利用极化散射特性指导混合像元分类，误分类概率降低。

(2)本发明由于辅助随机场在迭代分类过程中约束属于一种主散射机制类别的像素点只能与属于同种主散射机制类别的像素点进行分类，在分类过程中更好地保留主散射机制信息，由FTDF模型得到的分类结果中边界定位更加准确，使分类结果更可靠，在保证分类效果的同时，运算时间适当，适合实际工程上图像分类运算应用。

仿真结果表明，本发明能够对复杂场景下的极化SAR图像进行有效的分类，且分类结果优于其他参考模型，这也充分验证了FTDF模型的有效性和可靠性。

附图说明

图1为本发明的实现流程图；

图2为辅助随机场类别配色图；

图3为San Francisco图像由本发明估计的辅助随机场及不同模型下的分类结果；其中图3(g)为本发明分类结果；

图4为Oberpfaffenhofen图像由本发明估计的辅助随机场及不同模型下的分类结果；其中图4(g)为本发明分类结果；

图5为Flevolandmask 1图像由本发明估计的辅助随机场及不同模型下的分类结果；其中图5(g)为本发明分类结果；

图6为Flevolandmask 2图像由本发明估计的辅助随机场及不同模型下的分类结果；其中图6(g)为本发明分类结果；

图7为Flevolandmask 3图像由本发明估计的辅助随机场及不同模型下的分类结果；其中图7(g)为本发明分类结果；

图8为Flevolandmask 2图像的参考图。

具体实施方式

下面结合附图和实施例对本发明详细说明：

实施例1

在极化SAR图像分类中引入主散射机制，即最大比重的散射分量，以此来更好地在分类中保留主散射机制信息。然而，图像中往往存在大量的混合像元，混合像元处的散射机制类型极其复杂，很难确定哪种散射分量起决定性作用，因此，将最大比重的散射分量定义为主散射机制是不精确的。Benboudjema等人定义若像素点所属类别组成的标记场的基团势能函数随着基团的位置变化而变化时，称图像为非平稳的，而且真实图像往往是非平稳的。然而，由于场景的复杂性、数据的斑点噪声或者有限的图像分辨率等因素，很难对极化SAR数据的非平稳特性展开研究。实测极化SAR数据往往是非平稳的，这必然会阻碍极化SAR图像分类和分割任务的顺利执行。针对这些问题，本发明展开研究，提出了一种基于极化散射机制非平稳性建模的极化SAR图像分类方法，对于雷达获取的实测地面极化SAR图像进行处理，对于常见的地面目标，如海洋，城区，土地等，经过分类可以清晰划分出不同地物类别的区域。参见图1，基于极化散射机制非平稳性建模的极化SAR图像分类过程包括有如下步骤：

(1)初始图像分类：给定一幅实测极化SAR图像，利用Wishart分类器得到该图像的初始分类结果，Wishart分类器能很好的描述极化SAR图像协方差矩阵的统计特性，直接进行分割可充分利用极化SAR数据的统计先验经验，作为初始分类器效果较好，但是没有利用像素点的空间相关性导致分类精度不够高，需要进一步分类处理。

(2)根据极化散射特性估计辅助随机场：提取并归一化初始分类所得图像像素点的极化散射特性，并按照规定的定义估计辅助随机场u＝{u_i}_i∈I，u＝{u¹,u²,u³,u⁴}，表示同种辅助随机场像素点的辅助随机场集合，其中u¹、u²、u³中的像素点是平稳的，主散射机制分别为面散射、二面角散射和体散射。u⁴像素点是非平稳的，没有主散射机制。估计辅助随机场的规定定义实质上是将图像的极化散射机制和图像的非平稳性进行关联，赋予辅助随机场u明确的功能和物理意义，辅助随机场u不作为随机变量存在，而是作为条件参数指导后续分类模型的构建。

(3)根据辅助随机场划分像素点平稳性：针对图像的像素点i∈I：如果i∈{u¹,u²,u³}，执行步骤(4)；对平稳像素点进行相关函数计算，如果i∈u⁴，执行步骤(5)；对非平稳像素点进行相关函数计算。本发明将像素点分为平稳和非平稳，针对不同像素点特性分别使用相应函数建立模型，指导分类结果。

(4)平稳像素点模型相关函数计算：由步骤(2)得到的极化散射特征，构建一元势能函数用来融合极化SAR图像的多个散射特征以此来改进分类结果,其中I为图像中的像素点组合，y＝{y_i}_i∈I表示观测场，x＝{x_i}_i∈I表示标记场，x_i表示像素点i所从属的类别，并从类别组合Ω＝{1,2,...,C}中取值，C表示图像中期望的类别数目,f(y_i)表示像素点i处的特征向量，表示拥有相同u_i的类别组合；然后由极化SAR图像的统计分布构建数据项能够反映极化SAR数据的非平稳统计特性，其中g(y_i)指的是像素点i处的极化协方差矩阵；利用最小二乘法估计相关参数并结合标记随机场x＝{x_i}_i∈I构建二元势能函数用来融合图像的上下文信息，从而提高模型的抗噪性，其中j为像素点。对于平稳区域，通过融合极化SAR图像的极化散射特征、统计特征、空间邻域信息，以此来改善分类结果。

(5)非平稳像素点隶属度计算：对于非平稳像素点，基于Wishart分布的负的对数似然函数构建差异函数d_ci，由多级模糊逻辑(MLL)模型构建先验概率模型p_ci，并由获得的差异函数和先验概率模型构建模糊目标函数，通过最小化模糊目标函数得到隶属度r_ci，对于非平稳区域，引入了模糊目标函数，通过隶属度来考量非平稳像素点的混合散射机制，对目标像素点进行精确分类。

(6)构建模糊三重混合判别随机场(FTDF)模型的后验概率模型并分类：由步骤(4)得到的一元势能函数A(x_i,y_i,u_i)，数据项二元势能函数和步骤(5)得到的隶属度r_ci构建模糊三重判别随机场(FTDF)模型的后验概率模型，依据最大后验概率准则最大化后验概率分布，对像素点i∈I进行分类，得到进一步的分类结果。本发明使用的模糊三重判别随机场(FTDF)模型有效地融合了极化散射机制的非平稳特性、极化SAR数据的极化散射特征及统计特征，而且所引入的辅助随机场u很好地体现对模糊三重判别随机场(FTDF)模型后验概率分布构建的指导作用。

(7)判断是否进行迭代：如果像素点的进一步分类结果获得的标记随机场x收敛，执行步骤(8)，否则返回步骤(3)，根据像素点平稳性选择执行步骤(3)(4)(6)(7)或者步骤(3)(5)(6)(7)对构建分类模型过程进行迭代，直至达到标记随机场x收敛的终止迭代要求。在迭代过程中，通过规定属于一种主散射机制类别的像素点只能与属于同种主散射机制类别的像素点进行分类，保留主散射信息，对于没有主散射机制的像素点没有束缚，体现了辅助随机场在迭代重复过程中的指导模型优化作用。

(8)得到最终的极化SAR图像分类结果，输出基于极化散射机制非平稳性建模的极化SAR图像分类结果，完成基于极化散射机制非平稳性建模的极化SAR图像分类过程。

本发明将散射机制和非平稳性关联，结合模糊三重判别随机场(FTDF)模型来对极化散射机制的非平稳特性进行建模，首次定义极化SAR数据的非平稳特性是与极化散射机制相关的，引入辅助随机场，解决了极化SAR图像分类混合像元主散射机制不明显的问题。

实施例2

基于极化散射机制非平稳性建模的极化SAR图像分类方法同实施例1，步骤(2)中所述的估计辅助随机场过程包括以下步骤完成：

a)用下式将极化SAR图像划分为四种散射类别：体散射P_v、二面角散射P_d、面散射P_s和混合散射P_m，这种分解方法具有明确的物理意义，且对极化散射机制的分类准则易于定义：

其中，P_i为像素点i处的主散射机制，η为预先设定的门限，取η＝0.5，P_s、P_d和P_v分别表示像素点i处的主散射机制类别为面散射、二面角散射和体散射，而P_m表示像素点i处没有明显的主散射机制,其中面散射占比参数二面角散射占比参数体散射占比参数通过将最大占比的散射机制的占比参数与门限比较，判断像素点是否具有主散射机制。

b)引入辅助随机场u＝{u_i}_i∈I来描述极化散射机制的非平稳特性，首次定义极化SAR数据的非平稳特性是与极化散射机制相关的；根据定义u_i从数据集Λ＝{1,2,3,4}中取值，表示目标像素点是否具有或具有何种主散射机制，因此，非平稳的极化SAR图像可以划分为四种散射类别：平稳像素点拥有三种不同的主散射机制，即面散射、二面角散射和体散射，而非平稳像素点不具有主散射机制，因此将辅助随机场u＝{u_i}_i∈I定义为：

其中，u_i＝1、u_i＝2和u_i＝3分别表示目标像素点i的主散射机制为面散射、二面角散射和体散射，且该目标像素点是平稳的，u_i＝4表示目标像素点i没有主散射机制，且该目标像素点是非平稳的，基于这种定义，辅助随机场将极化散射机制和图像非平稳性结合，指导FTDF模型后验概率的构建，从而更好地对极化SAR图像进行分类。

实施例3

基于极化散射机制非平稳性建模的极化SAR图像分类方法同实施例1-2，迭代过程中所述对像素点进行分类迭代的具体规则是：

辅助随机场u¹、u²、u³集合中的像素点均是平稳的，拥有各自明确的主散射机制，为了在分类过程中更好地保留主散射机制信息，本发明的迭代规则是：迭代时约束平稳像素点中属于一种主散射机制类别的像素点在下一次分类过程中只能与属于同种主散射机制类别的像素点进行分类，不平稳像素点没有主散射机制类别可以在下一次分类过程中根据具体结果与适合的任一类别的像素点进行分类。比如，假设分类类别共5种，u¹中的像素点属于类别1、2、3，那么u¹中的像素点在下一次迭代过程中只能划分为类别1、2或3；而u⁴中的像素点是非平稳的，那么在分类过程中冲破以上约束，在下一次迭代过程中可以将u⁴中的像素点划分为1、2、3、4或5。

本发明由于在分类过程中更好地保留主散射机制信息，保留了图像目标类别信息，由模糊三重判别随机场(FTDF)模型得到的分类结果中类别判别清晰，同类别目标区域受噪声干扰小，分类结果可靠。

实施例4

基于极化散射机制非平稳性建模的极化SAR图像分类方法同实施例1-3，其中步骤(4)中数据项的构造按照以下步骤完成：

模糊三重判别随机场(FTDF)模型中的数据项是由极化SAR数据的统计分布进行构建的，相比于Wishart分布和K分布，改进的复Wishart广义Gamma(WGГ)分布在极化SAR数据统计建模中具有更高的普适性，引入辅助随机场u，对WGГ分布进行扩展，使其能够体现辅助随机场u的功能，该数据项表示如下：

其中，g(y_i)和g(y_j)指的是像素点i和j处的极化协方差矩阵，n为视数，q为协方差矩阵的行数，Tr表示取矩阵的迹，tan(θ)代表极化协方差矩阵乘积模型中的纹理变量，可以用以计算极化协方差矩阵概率密度分布，T_i表示与像素点i属于相同类别与相同平稳态的像素点集合，表示协方差矩阵的平均值，表示T_i中的像素点个数，η＝{υ，σ，κ}为WGГ分布的模型参数，υ为幂指数，κ为形状参数，σ为尺度参数，由矩阵对数累积量方法(MoMLC)进行估计，此外K(n,q)＝π^q(q-1)/2Γ(n)…Γ(n-q+1)，Γ(·)为Gamma函数。

本发明辅助随机场u的引入成功地约束属于一种主散射机制类别的像素点只能与属于同种主散射机制类别的像素点进行分类，保证了迭代中留存的主散射信息在数据的统计分布中对分类的指导效果。

下面给出一个更加详尽的例子，对本发明进一步声明：

实施例5

基于极化散射机制非平稳性建模的极化SAR图像分类方法同实施例1-4，参照图1，本发明的具体实施过程如下：

步骤1.对实测极化SAR图像，利用Wishart分类器得到该图像的初始分类结果。

步骤2.提取并归一化极化散射特性，具体特征及参数说明参见表1。

表1 本发明用于构建一元势能函数的极化散射特征

按照极化SAR数据的非平稳特性与极化散射机制相关的定义估计辅助随机场u＝{u¹,u²,u³,u⁴}，其中表示同种辅助随机场像素点的辅助随机场集合。

用下式将极化SAR图像划分为四种散射类别：体散射P_v、二面角散射P_d、面散射P_s和混合散射P_m：

其中，P_i为像素点i处的主散射机制，η为预先设定的门限，取η＝0.5，P_s、P_d和P_v分别表示像素点i处的主散射机制类别为面散射、二面角散射和体散射，而P_m表示像素点i处没有明显的主散射机制,其中面散射占比参数二面角散射占比参数体散射占比参数

引入辅助随机场u＝{u_i}_i∈I来描述极化散射机制的非平稳特性，首次定义极化SAR数据的非平稳特性是与极化散射机制相关的；根据定义u_i从数据集Λ＝{1,2,3,4}中取值，表示目标像素点是否具有或具有何种主散射机制，因此，非平稳的极化SAR图像可以划分为四种散射类别：平稳像素点拥有三种不同的主散射机制，即面散射、二面角散射和体散射，而非平稳像素点不具有主散射机制，因此将辅助随机场u＝{u_i}_i∈I定义为：

其中，u_i＝1、u_i＝2和u_i＝3分别表示目标像素点i的主散射机制为面散射、二面角散射和体散射，且该目标像素点是平稳的，u_i＝4表示目标像素点i没有主散射机制，且该目标像素点是非平稳的。

步骤3.I为图像中的像素点组合，y＝{y_i}_i∈I表示观测场，x＝{x_i}_i∈I表示标记场，x_i表示像素点i所从属的类别，并从类别组合Ω＝{1,2,...,C}中取值，C表示图像中期望的类别数目，且类别组合π_c表示为

若以y为条件，标记场x满足①②时，(x,y)就是一个判别随机场，其中I-{i}表示除像素点i之外的像素集，x_I-{i}表示位于像素集I-{i}上的标记点，表示像素点i的邻域系统，表示位于像素点i的邻域系统内的标记点；针对像素点i∈I，如果i∈{u¹,u²,u³}，判定像素点为平稳的，执行步骤4；如果i∈u⁴，判定像素点为非平稳的，执行步骤5。

步骤4.计算平稳像素点模型的相关函数

4a)引入核k均值(KKM)算法来构建FTDF模型中的一元势能函数。KKM算法的目标函数是在核空间中最小化聚类误差，聚类误差函数d(φ(f(y_i)),μ_c)计算公式如下所示：

其中，f(y_i)为像素点i处的极化散射特征向量，c为聚类标识，φ(f(y_i))是映射像素点，μ_c为核空间中的聚类中心，计算公式为n_c为从属于类别c的样本数量。

FTDF模型中的一元势能函数可以理解为给定观测值y_i，像素点i标记为x_i的概率；由得到的极化散射特征，通过指数函数将计算得到像素点i处的聚类误差d(φ(f(y_i)),μ_c)转化成概率形式，构建一元势能函数

其中，λ₀为平衡参数，表示拥有相同u_i的类别组合。

4b)使用WGГ分布对极化SAR图像的统计分布构建数据项

其中，g(y_i)和g(y_j)指的是像素点i和j处的极化协方差矩阵，n为视数，q为协方差矩阵的行数，Tr表示取矩阵的迹，tan(θ)代表极化协方差矩阵乘积模型中的纹理变量，可以计算极化协方差矩阵概率密度分布，T_i表示与像素点i属于相同类别与相同平稳态的像素点集合，表示协方差矩阵的平均值，表示T_i中的像素点个数，η＝{υ，σ，κ}为WGГ分布的模型参数，υ为幂指数，κ为形状参数，σ为尺度参数，由矩阵对数累积量方法(MoMLC)进行估计，此外K(n,q)＝π^q(q-1)/2Γ(n)…Γ(n-q+1)，Γ(·)为Gamma函数。

4c)利用最小二乘法估计相关参数η＝{α_H，α_V}^T并基于标记随机场x＝{x_i}_i∈I构建二元势能函数

其中，定义函数δ(β，ρ)当β＝ρ时，δ(β，ρ)＝1否则δ(β，ρ)＝0；N_iH和N_jH分别表示水平和垂直邻域系统。

步骤5.由模糊C均值(FCM)聚类算法计算非平稳像素点的隶属度r_ci

5a)基于Wishart分布的负的对数似然函数构建差异函数d_ci，差异函数通常定义为数据与聚类中心的欧氏距离，其表达式为：

其中∑_xi为协方差矩阵的平均值。

5b)先验概率分布p_ci由多级模糊逻辑(MLL)模型构建，其表达式为：

5c)构建模糊C均值(FCM)聚类算法的模糊目标函数，其表达式为：

其中，λ为模糊度，S为所有像素点数据集合。

5d)通过最小化模糊目标函数来估计隶属度r_ci，模糊目标函数在约束条件下对隶属度r_ci求偏导并令其为零可得：

得到隶属度r_ci表征目标像素点从属于类别c的程度，其表达式为：

FCM聚类算法可以充分考虑SAR图像的不明确性，而且能够在分类过程中有效地保持SAR图像的原有信息，FCM聚类算法及其改进算法在聚类过程中任一像素点同时属于不同类别，这一模糊性可由隶属度表征，而隶属度则可通过此像素点属于不同类别的概率来定义，将模糊目标函数引入到FTDF模型，对非平稳区域进行分类，从而非平稳像素点可以得到精确分类，降低误分概率。

步骤6.构建模糊三重混合判别随机场(FTDF)模型的后验概率模型并分类

6a)由步骤4和5得到的各个分量构建FTDF模型的后验概率模型p(x_i|y_i,u_i)：

6b)通过最大化后验概率分布p(x_i|y_i,u_i)来对i∈I进行分类，其表达式为：

步骤7.如果标记场x收敛，执行下一步输出结果，否则即标记场x未收敛，返回步骤3，进行迭代分类，直至满足停止迭代要求。

步骤8.输出最终的极化SAR图像分类结果。

本发明针对极化散射机制的非平稳特性，利用模糊三重判别随机场(FTDF)模型对该非平稳特性进行建模，该模型通过引入辅助随机场u将极化SAR图像划分为四个散射类别：体散射、二面角散射、面散射和混合散射，将图像的极化散射机制和图像的非平稳性进行关联，以此来指导FTDF模型后验概率的构建，从而更好地指导极化SAR图像的分类。该模型有良好的有效性和普适性，可以提供较好的分类结果图，具有较好的检测效果与精度。

下面通过仿真对本发明的技术效果再做说明：

实施例6

基于极化散射机制非平稳性建模的极化SAR图像分类方法同实施例1-5，为了验证本发明及其模糊三重判别随机场(FTDF)模型的有效性，通过对五组实测极化SAR图像case1、case 2、case 3、case 4、case 5进行分类实验，其中case 1、case 2和case 3是复杂场景下的图像，如图3(a),图4(a),图5(a)所示，case 1、case 2和case 3提供的图示场景中大多同时含有海洋、城区、森林、植被等地物类别，case 1、case 2和case 3的分类结果可以直接验证本发明FTDF模型对非平稳极化SAR图像的分类能力，而case 4和case 5的分类实验则可充分说明本发明FTDF模型的普适性,case 4、case 5分别如图6(a),图7(a)所示，这两幅图像取自1989年AIRSAR获取的Flevoland地区的4视全极化数据，场景中分别包含9种和8种地物类别，其中包含各种农作物及裸地，实测极化SAR图像的先验信息如表2所示，其中类别数目C是根据图像的先验知识预先设定的。

表2 实测极化SAR图像的先验信息

将本发明FTDF模型与以下现有参考模型进行对比：①核k均值(KKM)聚类算法，此算法通过结合K均值和核方法成为提高聚类算法性能的一个有效思路，计算简单迅速；②Freeman-Wishart分类算法，该算法首先将图像划分为三种主散射机制类别，然后用Wishart分类器将每种主散射机制类别进一步划分为数十种地物类别；③支持向量机(SWM)模型，该模型利用SVM融合了图像的极化散射特征信息、统计特征及空间上下文信息，通常分类精度较高；④三重判别随机场(TDF)模型，该模型未在分类过程中考虑极化散射机制的非平稳特性，对于非平稳性较大的图像误分率较大。同时为了增强算法对比性，KKM和SWM在分类中融合了与本发明FTDF模型相同的极化散射特征。

实验结果及分析：

用本发明FTDF模型及上述现有技术中的参考模型同等条件下处理case 1、case 2和case 3图像所得到的分类结果分别如图3(c)～(g)，图4(c)～(g)，图5(c)～(g)所示，其中图3(c)为case 1图像的基于KKM聚类算法的分类结果，图3(d)为case 1图像的基于TDF模型的分类结果，图3(e)为case 1图像的基于Freeman-Wishart模型的分类结果，图3(f)为case 1图像的基于SWM模型的分类结果，图3(g)为case 1图像的基于FTDF模型的分类结果；图4(c)为case 2图像的基于KKM聚类算法的分类结果，图4(d)为case 2图像的基于TDF模型的分类结果，图4(e)为case 2图像的基于Freeman-Wishart模型的分类结果，图4(f)为case2图像的基于SWM模型的分类结果，图4(g)为case 2图像的基于FTDF模型的分类结果；图5(c)为case 3图像的基于KKM聚类算法的分类结果，图5(d)为case 3图像的基于TDF模型的分类结果，图5(e)为case 3图像的基于Freeman-Wishart模型的分类结果，图5(f)为case 3图像的基于SWM模型的分类结果，图5(g)为case 3图像的基于FTDF模型的分类结果；case1、case 2和case 3图像由FTDF模型估计得到的辅助随机场u值示意图分别如图3(b)，图4(b)，图5(b)所示，case 1、case 2和case 3图像不同类别的配色示意图分别如图3(h)，图4(h)，图5(h)所示。

用本发明提出的辅助随机场描述极化散射机制非平稳特性，如图3(b)，图4(b)，图5(b)中代表非平稳像素点的红色区域所示，实测极化SAR图像中大量存在着混合像元，尤其是在地物复杂的城区和森林中，而这些区域中的像素点是不存在明确的主散射机制信息的，现有方法对混合像元的误分类概率较高，无法充分利用极化散射信息解决像元非平稳问题，因此FTDF模型通过引入辅助随机场u对图像进行划分，并进一步指导FTDF模型后验概率分布的构建是有意义的，而且使FTDF模型可以在分类过程中能够有效地保留图像的主散射机制信息，使分类结果更可靠。

TDF模型未考虑这种与极化散射机制相关的非平稳特性，用NAGK方法估计的辅助随机场并不具有明确的物理意义。因此，相比于图3(d)，图4(d)，图5(d)所示的TDF模型的分类结果，本发明FTDF模型的图3(g)，图4(g)，图5(g)所示的分类结果误分类大大减少，比如图3(g)中黄色区域代表的高密度城区和红色区域代表的低密度城区、图4(g)中红色区域代表的城区及图5(g)中红色区域代表的城区和黄色区域代表的农田的分类都更加精确，这些区域也是非平稳像素点大量存在的区域。而且，由本发明FTDF模型得到的分类结果中边界定位更加准确，比如图4(g)中的蓝色区域代表的机场跑道，相比于其他分类模型，本发明FTDF模型所得形状更接近实际图形。因此，较低的误分类和较精确的边界定位都充分说明了本发明FTDF模型在非平稳极化SAR图像分类中的优势。

Freeman-Wishart模型同样在分类过程中保留了主散射机制信息，该模型首先通过提取图像的主散射机制，并将图像分类三个主散射机制类别，然后应用Wishart分类器对各个主散射机制类别进行进一步划分，由于该模型未考虑图像的空间上下文信息，即图像像素点空间环境场景关联信息，分类结果受噪声影响严重，此外，该模型对各个主散射机制类别划分为数十种地物类别，而当预定的类别数目较少时，分类结果并不理想，如图3(e)，图4(e)，图5(e)所示Freeman-Wishart模型的分类结果，分类区域界限不明显，类别混淆严重。

同样地，KKM聚类算法也没有在分类过程中考虑图像的空间上下文信息，因此KKM聚类算法也受噪声影响严重，从图3(c)，图4(c)，图5(c)所示KKM聚类算法分类结果可以看出，KKM聚类算法能够很好地识别出各个地物类别的大致结构，因此，利用KKM聚类算法将极化散射特征引入到FTDF模型中是能够改善分类结果的。

SWM模型同样在分类过程中融合了极化散射特征、统计特征及空间信息，因此也能得到较好的分类结果，如图3(f)，图4(f)，图5(f)所示SWM模型分类结果。然而，SWM首先基于Wishart分布和MLL模型计算能量函数，然后将该能量函数融合到耗时的多类SVM分类器中对极化SAR图像进行分类，因此，该模型最大的问题就是运行时间长。

相比于图3(e)，图4(e)，图5(e)中类别数目较少的情况，图6(e)，图7(e)所示的Freeman-Wishart模型分类结果可以精确地识别出各个地物类别，但是，由于该模型未考虑图像的空间上下文信息，图6(e)，图7(e)所示的分类结果受噪声影响严重。类似地，KKM聚类算法也受噪声影响严重，如图6(c)，图7(c)所示KKM聚类算法分类结果，类别分界不明显，混淆严重。相比于TDF模型本发明FTDF模型可以得到较好的分类结果，尤其是在非平稳区域的误分类大大减少，比如如图6(g)所示本发明FTDF模型分类结果在黄色区域代表的Beet和粉红色区域代表的Wheat区域的分类更精确。同样地，图6(f)，图7(f)所示SWM模型对极化SAR图像的分类结果仍能得到较满意的分类结果，但是该模型最大的问题就是耗时，尤其是在类别数目较多时，运行时间更长。

此外，基于图8所示的参考图，给出case 4极化SAR图像分类结果的客观评价，表3给出各个类别的分类精度、总精度(OA)及Kappa参数。如表3所示，FTDF模型分类结果的总精度(OA)和Kappa参数分别为94.31％和0.9346，都高于其他参考模型，而9种地物中的6种类别的FTDF模型分类精度都高于其他模型，余下3种类别FTDF模型分类精度均十分接近最高分类精度，整体9种类别FTDF模型分类精度均高于90％。总之，图3～7的分类结果及表3的客观数据都验证了本发明所提出的FTDF模型对含有大量混合像元的极化SAR图像分类的成功分类及优越的分类精度，提高了分类准确度。

表3 Case 4Flevolandmask2在不同模型下分类结果的精度对比

在表4给出了各个极化SAR图像FTDF模型和参考模型的运算时间。如表4所示，KKM聚类算法最简单，运算时间最短。相比于TDF模型和Freeman-Wishart模型，本发明FTDF模型利用辅助随机场对极化SAR图像进行划分，并分析所含的主散射机制，因此某些图像处理FTDF模型用了相对较长的时间，但是增加时间没有大幅度提升，但是分类准确程度由表3可见，有明显的增加。本发明FTDF模型相对于用时最长SWM模型，在获取同程度分类精度的情况下运算时间符合实际使用需要。因为SWM模型中多类SVM采用了一对一分类策略，而且SWM模型中存在重复的迭代过程，因此SWM模型是一个计算量比较大的过程，如表4中case 1，case 2，case 3所示，当类别数目较少时，用时约是FTDF模型用时的三倍之多，但是图像中的类别数目较多时，SWM模型的用时将式FTDF模型用时的数倍甚至数十倍之多，如表4中case 4，case5所示，对大量的数据，处理时长过大。

表4 不同模型的运算时间比较

针对极化散射机制的非平稳特性，本发明使用了模糊三重判别随机场(FTDF)模型对非平稳特性进行建模，该模型通过引入辅助随机场u将极化SAR图像划分为四个散射类别：体散射、二面角散射、面散射和混合散射，迭代过程中属于一种主散射机制类别的像素点在只能与属于同种主散射机制类别的像素点进行分类，保留了主散射信息，以此来指导FTDF模型后验概率的构建，可以更好地指导极化SAR图像的分类。通过极化SAR图像的分类实验来验证该模型的有效性和普适性，实验结果表明本发明可以提供较好的分类结果图，具有较好的检测效果与精度。

简而言之，本发明主要解决现有极化SAR图像中存在散射机制复杂的混合像元，三种散射分量或其中的两种可能具有接近的散射功率，并不存在明显的主散射机制，此时使用占优势的散射机制来代表当前目标的散射机制类别是不精确的，在没有显著主散射机制的情况下，图像分类结果受噪声影响大，误分率较高，准确度不够理想的问题。其实现步骤是：给定一幅实测极化SAR图像，利用Wishart分类器得到该图像的初始分类结果；提取并归一化图像像素点的极化散射特性，并按照规定的定义估计辅助随机场；根据辅助随机场划分像素点，对平稳像素点和非平稳像素点分别进行计算；对平稳像素点进行模型相关函数的计算，得到一元势能函数，数据项，二元势能函数；对非平稳像素点则通过最小化模糊目标函数计算隶属度；由一元势能函数，数据项，二元势能函数和隶属度构建模糊三重判别随机场(FTDF)模型的后验概率模型，依据最大后验概率准则最大化后验概率分布，对像素点进行分类，得到进一步的分类结果；如果像素点的进一步分类结果获得的标记随机场收敛，则输出最终的极化SAR图像分类结果，否则返回像素点选择步骤，根据像素点平稳性选择执行构建分类模型过程进行迭代，直至达到标记随机场收敛的终止迭代要求，输出最终的极化SAR图像分类结果。本发明与现有极化SAR图像分类技术相比，检测精度高，抗噪性能好，可用于极化SAR图像分类。

Claims (4)

1.一种基于极化散射机制非平稳性建模的极化SAR图像分类方法，其特征在于，过程包括有如下步骤：

(1)初始图像分类：给定一幅实测极化SAR图像，利用Wishart分类器得到该图像的初始分类结果；

(2)根据极化散射特性估计辅助随机场：提取并归一化图像像素点的极化散射特性，并按照发明规定的定义估计辅助随机场u＝{u_i}_i∈I，u＝{u¹,u²,u³,u⁴}，表示同种辅助随机场像素点的辅助随机场集合；

(3)根据辅助随机场划分像素点平稳性：I为图像中的像素点组合，针对图像的像素点i∈I：如果i∈{u¹,u²,u³}，表示像素点i为平稳的，执行步骤(4)；如果i∈u⁴，表示像素点i为非平稳的，执行步骤(5)；

(4)平稳像素点模型相关函数计算：由得到的极化散射特征，构建一元势能函数然后由极化SAR图像的统计分布构建数据项利用最小二乘法估计相关参数并结合标记随机场x＝{x_i}_i∈I构建二元势能函数

(5)非平稳像素点隶属度计算：基于Wishart分布的负的对数似然函数构建差异函数d_ci，由多级模糊逻辑(MLL)模型构建先验概率模型p_ci，并由获得的差异函数和先验概率模型构建模糊目标函数，通过最小化模糊目标函数得到隶属度r_ci；

(6)构建模糊三重混合判别随机场(FTDF)模型的后验概率模型并分类：由步骤(4)得到的一元势能函数A(x_i,y_i,u_i)，数据项二元势能函数和步骤(5)得到的隶属度r_ci构建FTDF模型的后验概率模型，依据最大后验概率准则最大化后验概率分布，对像素点i∈I进行分类，得到进一步的分类结果；

(7)判断是否进行迭代：如果像素点的进一步分类结果获得的标记随机场x收敛，执行步骤(8)，否则返回步骤(3)，根据像素点平稳性选择执行步骤(3)到步骤(7)对构建分类模型过程进行迭代，直至达到标记随机场x收敛的终止迭代要求；

(8)得到最终的极化SAR图像分类结果，输出基于极化散射机制非平稳性建模的极化SAR图像分类结果。

2.根据权利要求1所述基于极化散射机制非平稳性建模的极化SAR图像分类方法，其特征在于，步骤(2)中所述的估计辅助随机场过程包括以下步骤完成：

2a)用下式将极化SAR图像划分为四种散射类别：体散射P_v、二面角散射P_d、面散射P_s和混合散射P_m：

其中，P_i为像素点i处的主散射机制，η为预先设定的门限，取η＝0.5，P_s、P_d和P_v分别表示像素点i处的主散射机制类别为面散射、二面角散射和体散射，而P_m表示像素点i处没有明显的主散射机制,其中面散射占比参数二面角散射占比参数体散射占比参数

2b)引入辅助随机场u＝{u_i}_i∈I来描述极化散射机制的非平稳特性，首次定义极化SAR数据的非平稳特性是与极化散射机制相关的；根据定义u_i从数据集Λ＝{1,2,3,4}中取值，表示目标像素点是否具有或具有何种主散射机制，因此，非平稳的极化SAR图像可以划分为四种散射类别：平稳像素点拥有三种不同的主散射机制，即面散射、二面角散射和体散射，而非平稳像素点不具有主散射机制，因此将辅助随机场u＝{u_i}_i∈I定义为：

其中，u_i＝1、u_i＝2和u_i＝3分别表示目标像素点i的主散射机制为面散射、二面角散射和体散射，且该目标像素点是平稳的，u_i＝4表示目标像素点i没有主散射机制，且该目标像素点是非平稳的。

3.根据权利要求1所述基于极化散射机制非平稳性建模的极化SAR图像分类方法，其特征在于，迭代过程中所述对像素点进行分类迭代的具体规则是：

迭代时约束平稳像素点中属于一种主散射机制类别的像素点在下一次分类过程中只能与属于同种主散射机制类别的像素点进行分类，不平稳像素点没有主散射机制类别可以在下一次分类过程中根据具体结果与适应的任一类别的像素点进行分类。

4.根据权利要求1所述基于极化散射机制非平稳性建模的极化SAR图像分类方法，其特征在于，其中步骤(4)中数据项的构造按照以下步骤完成：

引入辅助随机场u，对改进的复Wishart广义Gamma(WGГ)分布进行扩展，使其能够体现辅助随机场u的功能，其表示如下：

其中，g(y_i)和g(y_j)指的是像素点i和j处的极化协方差矩阵，n为视数，q为协方差矩阵的行数，Tr表示取矩阵的迹，tan(θ)代表极化协方差矩阵乘积模型中的纹理变量，可以计算极化协方差矩阵概率密度分布，T_i表示与像素点i属于相同类别与相同平稳态的像素点集合，表示协方差矩阵的平均值，表示T_i中的像素点个数，η＝{υ，σ，κ}为WGГ分布的模型参数，υ为幂指数，κ为形状参数，σ为尺度参数，由矩阵对数累积量方法(MoMLC)进行估计，此外K(n,q)＝π^q(q-1)/2Γ(n)…Γ(n-q+1)，Γ(·)为Gamma函数；

辅助随机场u的引入成功地约束属于一种主散射机制类别的像素点只能与属于同种主散射机制类别的像素点进行分类。