CN109001735B - 一种基于干涉合成孔径雷达图像的场景分类方法 - Google Patents

Abstract

本发明公开了一种基于干涉合成孔径雷达图像的场景分类方法，包括：步骤1)读入待分类干涉合成孔径雷达图像对：主图像和辅图像，将图像对划分为若干个子图像对，记录各子图像中心位置在原始图像中的坐标；步骤2)利用快速相干系数法快速获取每个子图像对间具有亚像素级精度的偏移量及相干系数；步骤3)构建偏移量与中心位置间的散点关系图，基于散点分布密度估计偏移量主值区间；步骤4)基于估计的偏移量和相干系数，构建相干系数与偏移量间的散点关系图，基于散点分布确定相干系数判决门限；步骤5)基于偏移量主值区间和相干系数判决门限，将主图像的子图像块的目标散射划分为四种不同类别，并用不同标记加以标识，形成最终分类图。

Description

一种基于干涉合成孔径雷达图像的场景分类方法

技术领域

本发明涉及图像分类方法，特别涉及一种基于干涉合成孔径雷达图像的场景分类方法。

背景技术

干涉合成孔径雷达(Interferometric Synthetic Aperture Radar，InSAR)是一种有效的雷达成像体制，其已被广泛用于数字高程反演和地表变形测量等领域。

现有的场景分类算法主要是利用目标的极化散射信息，对目标干涉信息的使用有限。研究表明(文献[1]:L.Farro-Famil,E.Pottier,J.-S.Lee.Unsupervisedclassification of natural scenes from polarimetric interferometric SARdata.Frontiers of Remote Sensing Information Processing,C.H.Chen,Ed..Singapore,Singapore:World Scientific Publishing,105-137,2003)，在场景中植被或森林种类繁多、高度和结构杂乱等情况下，L波段和P波段非相干和相干极化信息将会依次出现饱和，此时基于极化数据的分类算法将无法正确用于场景分类。

干涉相干由于其对植被高度以及密度变动非常敏感可有助于实现对上述饱和区域的区分。尽管植被高度和密度等特征的变动以及潜在的地表散射机制可能会影响有效散射中心的位置从而影响到相干性，但到目前为止的研究表明(文献[2]:L.Farro-Famil,E.Pottier,H.Skriver,P.Lumsdon,R.Moshammer,K.Papathanassiou.Forest mapping andclassification using L-band PolInSAR data.Proceedings of InternationalWorkshop on Science and Applications of SAR Polarimetry and PolarimetricInterferometry(PolInSAR),Rome,Italy,2005)，干涉相干很少受到散射幅度饱和的影响，甚至其在频率更高的C波段和L波段实现对高生物量森林区域的区分。对于高生物量森林区域，森林高度和散射中心位置变动主要影响偏移量，而高生物量密度以及地表散射主要影响相干系数。

发明内容

本发明的目的在于克服上述技术缺陷，提出了一种基于干涉合成孔径雷达图像提供的几何偏移量和干涉相干性，实现一种全新的场景分类方法。

为了实现上述目的，本发明提供了一种基于干涉合成孔径雷达图像的场景分类方法，包括：

步骤1)读入待分类干涉合成孔径雷达图像对：主图像和辅图像，将其划分为若干个子图像对，记录各子图像中心位置在原始图像中的坐标；

步骤2)利用快速相干系数法快速获取每个子图像对间具有亚像素级精度的偏移量，以及此偏移量下子图像对间的相干系数；

步骤3)基于步骤1)中的图像中心位置的坐标和步骤2)提取的偏移量，构建偏移量与中心位置间的散点关系图，基于散点分布密度估计偏移量主值区间；

步骤4)基于步骤2)估计的偏移量和相干系数，构建相干系数与偏移量间的散点关系图，基于散点分布确定相干系数判决门限；

步骤5)基于步骤3)中得到的偏移量主值区间和步骤4)中的相干系数判决门限，将主图像的子图像块的目标散射划分为四种不同类别，并用不同标记加以标识，形成最终分类图。

作为上述方法的一种改进，所述步骤1)具体包括：

步骤1-1)读入待分类干涉合成孔径雷达图像对

I_m为主图像，I_s为辅图像；

步骤1-2)将图像对

划分为N组子图像对

I_mi为主图像的第i个子图像块，I_si为辅图像的第i个子图像块；

步骤1-3)在原始图像对中，子图像对

的坐标表示为(x_mi,y_mi)和(x_si,y_si)，其中(x_mi,y_mi)为I_mi中心位置在I_m中的坐标，(x_si,y_si)为I_si中心位置在I_s中的坐标。

作为上述方法的一种改进，所述步骤2)具体包括：

步骤2-1)获取子图像对

间具有亚像素级精度的偏移量(t_xi,t_yi)，其中t_xi和t_yi分别为子图像对

在图像x轴和y轴上的偏移量；

步骤2-2)计算偏移量(t_xi,t_yi)下子图像对

间的相干系数CC_i。

作为上述方法的一种改进，所述步骤3)具体为：基于t_xi与x_mi、t_yi与y_mi间的散点关系图t_xi～x_mi和t_yi～y_mi，根据散点分布密度来分别确定偏移量t_x和t_y的主值区间[a_x,b_x]和[a_y,b_y]。

作为上述方法的一种改进，所述步骤4)具体为：基于CC_i与t_xi、CC_i与t_yi间的散点关系图CC_i～t_xi和CC_i～t_yi，根据散点分布来确定相干系数CC的门限值CC_th。

作为上述方法的一种改进，所述步骤5)具体包括：

步骤5-1)对于每个子图像对

及其偏移量(t_xi,t_yi)和相干系数CC_i，若

(t_xi∈[a_x,b_x]&t_yi∈[a_y,b_y])且CC_i∈[CC_th,1]

则图像块I_mi划分为C1类，表示地形平坦散射稳定目标区域；若

(t_xi∈[a_x,b_x]&t_yi∈[a_y,b_y])且CC_i∈[0,CC_th)

则图像块I_mi划分为C2类，表示地形平坦散射非稳定目标区域；若

且CC_i∈[CC_th,1]

则图像块I_mi划分为C3类，表示地形起伏散射稳定目标区域；若

且CC_i∈[0,CC_th)

则图像块I_mi划分为C4类，表示地形起伏散射非稳定目标区域；

步骤5-2)赋予类别C1类、C2类、C3类和C4类不同的区分标记标识，以此区分主图像的第i,i＝1,2,3,…,N个图像块I_mi；得到最终的主图像分类图。

本发明的优点在于：

本发明的方法利用InSAR图像独有的几何偏移量和干涉相干特性，可以弥补常见的基于目标极化散射信息的场景分类方法在植被或森林种类繁多、高度和结构杂乱等复杂场景下因极化信息饱和所导致的不足，是一种全新的场景分类方法。

附图说明

图1是本发明的基于干涉合成孔径雷达图像的场景分类方法的总体流程图；

图2是本发明的基于干涉合成孔径雷达图像的场景分类方法的具体流程图；

图3(a)是一个实施例中所采用的待分类干涉合成孔径雷达图像的主图像I_m示意图；

图3(b)是一个实施例中所采用的待分类干涉合成孔径雷达图像的辅图像I_s示意图；

图3(c)是一个实施例中快速相干系数法配准结果干涉条纹示意图；

图3(d)是一个实施例中快速相干系数法配准结果相干系数示意图；

图3(e)是一个实施例中所采用的待分类干涉合成孔径雷达图像的成像区域Google光学图像示意图；

图3(f)为图3(e)中红圈所示山区的实际地形起伏；

图4(a)是几何偏移量(t_xi,t_yi)与子图像对中心(x_mi,y_mi)的t_xi～x_mi散点关系图；

图4(b)是几何偏移量(t_xi,t_yi)与子图像对中心(x_mi,y_mi)的t_yi～y_mi散点关系图；

图4(c)是几何偏移量(t_xi,t_yi)与相干系数CC_i间的CC_i～t_xi散点关系图；

图4(d)是几何偏移量(t_xi,t_yi)与相干系数CC_i间的CC_i～t_yi散点关系图；

图5(a)为原始场景图像；

图5(b)是原始场景图像经本发明的方法做分类后的结果示意图。

具体实施方式

现结合附图对本发明作进一步的描述。

参考图1和图2，本发明的一种基于干涉合成孔径雷达图像的场景分类方法包括以下步骤：

步骤1)、读入待分类干涉合成孔径雷达图像对，将其划分为若干子图像对，记录各子图像中心位置在原始图像中的坐标；

步骤2)、对于步骤1)构建的子图相对，利用快速相干系数法快速获取每组子图像对间具有亚像素级精度的偏移量，以及此偏移量下子图像对间的相干系数；

步骤3)、基于步骤2)提取的偏移量以及步骤1)中的图像中心位置，构建偏移量与中心位置间的散点关系图，基于散点分布密度估计偏移量主值区间；

步骤4)、进一步基于步骤2)估计的相干系数和偏移量，构建相干系数与偏移量间的散点关系图，基于散点分布确定相干系数判决门限；

步骤5)、基于步骤3)中得到的偏移量主值区间和步骤4)中的相干系数判决门限，将每个子图像块的目标散射划分为四种不同类别，并用不同标记加以标识，形成最终分类图。

下面对本发明方法中的步骤做进一步描述。

在步骤1)中，读入待分类干涉合成孔径雷达图像对；在一个实施例中，所读入的InSAR图像对

如图3(a)和图3(b)所示，其尺度为2800×2800，由RadarSat-2卫星分别于2008年05月04日和2008年05月28日获得，成像区域位于美国亚利桑那州南凤凰城的南山公园。该场景的Google光学图像如图3(e)所示，其由光学卫星获取于2011年03月，图3(f)进一步给出了其中一个山区的地面事实，可看到地形起伏非常剧烈。鉴于此，为了保证精确配准，在步骤1)中，我们设置子图像尺寸为32×32，因此共得到了N＝88×88组子图像对

并记录各子图像对

的中心位置在原始图像对

中的坐标为(x_mi,y_mi)和(x_si,y_si)。

对于步骤1)构建的各子图相对，在步骤2)中，我们利用快速相干系数法通过解优化问题获取子图像对

间具有亚像素级精度的偏移量(t_xi,t_yi)以及此时图像对

间的相干系数CC_i。基于得到的偏移量(t_xi,t_yi)，我们构建联系点并对其进行拟合以估计扭曲函数。考虑到剧烈地形起伏，这里使用二阶多项式几何扭曲模型，基于得到的扭曲函数我们对准两幅图像。配准后两幅图像间的干涉条纹图和相干系数图分别如图3(c)和图3(d)所示。尽管场景地形起伏剧烈，但得到的干涉条纹依然非常清晰且平均相干系数高达0.5664，这说明两幅图像已得到了精确配准。

基于步骤2)提取的偏移量(t_xi,t_yi)以及步骤1)中记录的图像中心位置(x_mi,y_mi)，在步骤3)中，我们分别构建偏移量t_xi和t_yi与中心位置x_mi和y_mi间的散点关系图，如图4(a)和图4(b)所示。可看到，t_x分布主要集中于稳定的[0,1]区间，然而t_y分布主要集中于倾斜的[-6.2,-4.2]区间。该观测和InSAR对极几何理论建模一致：方位向偏移量t_x不随目标三维几何而变动；但距离向偏移量t_y会随目标局部入射角变动，而局部入射角与目标位置和高程起伏有关。故在该实施例中，偏移量t_x主值区间[a_x,b_x]＝[0,1]，偏移量t_y主值区间[a_y,b_y]＝[-6.2,-4.2]。我们定义偏移量在主值区间的子图像为平坦子图像，这些图像区域代表着平坦地形目标和在时间基线内具有稳定相干散射的目标，因为它们方位向偏移量不受顺轨基线影响，距离向偏移量与联系点的位置间存在着规则的变动关系，没有多少高程起伏引入的不规则波动。这些图像的几何扭曲可用低阶多项式予以近似，因此可通过传统配准算法得以精确配准。简单计算可得，这组数据中的平坦场景约占整个场景45.94％。对于方位向偏移不在主值区间的子图像，我们称之为起伏子图像，此类目标具有剧烈地形起伏或时间去相干，这些影响到偏移量的估计从而使得(t_xi,t_yi)与(x_mi,y_mi)间的关系不再规则，这从在图4(a)、图4(b)、图4(c)和图4(d)中可看到，粗糙场景约占整个场景54.06％。因此利用偏移量主值区间，我们可实现对场景粗糙性或起伏程度的定量描述。

基于步骤2)估计的相干系数CC_i和偏移量(t_xi,t_yi)，在步骤4)中，我们进一步构建CC_i与(t_xi,t_yi)间的散点关系图CC_i～t_xi和CC_i～t_yi，如图4(c)和图4(d)所示，从中可观测到一个现象，即相干系数CC和偏移量(t_x,t_y)间存在着一个密切的统计关系，具有较大CC(≥0.2)的t_x主要位于区间[0,1]，而具有较大CC的t_y主要位于区间[-6.2,-4.2]，在这两个区间外的点CC值都比较小。故在该实施例中，我们确定相干系数的门限值CC_th＝0.2。我们还可看到，平坦子图像CC整体上要大于粗糙子图像CC，这是因为平坦子图像比粗糙子图像更平稳且相干性更好。尽管如此，从、图4(c)和图4(d)中我们还可看到有些平坦子图像其相干性也挺小，这些可能对应于去相干和去极化目标，例如草地或植被覆盖的土地、水面、正在建造的低矮建筑物、停车场以及地面运动目标等，所有的这些都会不可避免地引入去相干从而损坏了偏移量的估计。同样地，我们也可看到有些粗糙子图像对的相干性很好，这可能是一些海拔较高的稳定建筑物，例如已建造好的大楼和光秃的山峰，这些目标在两次雷达测量时散射稳定，所以能够保证较高的相干性。

基于步骤3)中得到的偏移量主值区间[a_x,b_x]和[a_y,b_y]以及步骤4)中的相干系数判决门限CC_th，在步骤5)中，我们发展出一个基于InSAR的场景分类算法，其分类步骤进一步包括：

步骤5-1)、对于子图像对

及其偏移量(t_xi,t_yi)和相干系数CC_i，若

(t_xi∈[a_x,b_x]&t_yi∈[a_y,b_y])且CC_i∈[CC_th,1]

则图像块I_mi划分为C1类，表示地形平坦散射稳定目标区域；若

(t_xi∈[a_x,b_x]&t_yi∈[a_y,b_y])且CC_i∈[0,CC_th)

则图像块I_mi划分为C2类，表示地形平坦散射非稳定目标区域；若

且∈[CC_th,1]

则图像块I_mi划分为C3类，表示地形起伏散射稳定目标区域；若

且CC_i∈[0,CC_th)

则图像块I_mi划分为C4类，表示地形起伏散射非稳定目标区域。

步骤5-2)、赋予类别C1、C2、C3和C4不同的区分标记标识，以此区分图像块I_mi；

步骤5-3)、对所有图像块I_mi均做步骤5-1)-步骤5-2)操作，得到最终分类图。

在该实施例中，偏移量主值区间[a_x,b_x]＝[0,1]、[a_y,b_y]＝[-6.2,-4.2]，相干系数门限值CC_th＝0.2，基于这些分类标准对图5(a)进行分类，得到的最终分类结果如图5(b)所示。我们可看到，C1类目标主要为低矮的建筑物和山的背阴面，其散射稳定且高程起伏平坦，这类目标占据了整幅场景21.63％；C4类目标主要为山脊和山谷，其高程起伏剧烈或者散射不稳定，这类目标在场景中占据了52.17％；C2类目标在图中的山谷区域大量分布，其可能代表着高程起伏平坦但去相干较强的目标，例如植被和草坪等，这类目标在场景中占据了22.98％；而C3类目标在场景中较少只有3.22％，其大致分布在山脊和建筑物区域，对应于高程起伏剧烈但散射稳定的目标。可看到，上述分类结果与前面理论分析结果一致。因此提出的快速算法可帮助我们在子图像尺度上根据偏移量和相干性实现对场景的精细区分。

本发明利用偏移量和相干系数，实现一个基于目标干涉信息的场景分类方法，其可与极化分类算法一道提供另一种不同于现有的基于极化干涉的精确场景分类算法。基于InSAR图像的场景分类方法可获知每块图像区域的稳定性和高程起伏情况，因此可在另一方面提供我们一些原始的候选样本以用于选择最终的地面控制点或者永久散射体。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于干涉合成孔径雷达图像的场景分类方法，包括：

步骤1)读入待分类干涉合成孔径雷达图像对：主图像和辅图像，将其划分为若干个子图像对，记录各子图像中心位置在原始图像中的坐标；

步骤2)利用快速相干系数法快速获取每个子图像对间具有亚像素级精度的偏移量，以及此偏移量下子图像对间的相干系数；

步骤3)基于步骤1)中的图像中心位置的坐标和步骤2)提取的偏移量，构建偏移量与中心位置间的散点关系图，基于散点分布密度估计偏移量主值区间；

步骤4)基于步骤2)估计的偏移量和相干系数，构建相干系数与偏移量间的散点关系图，基于散点分布确定相干系数判决门限；

步骤5)基于步骤3)中得到的偏移量主值区间和步骤4)中的相干系数判决门限，将主图像的子图像块的目标散射划分为四种不同类别，并用不同标记加以标识，形成最终分类图；

所述步骤1)具体包括：

步骤1-1)读入待分类干涉合成孔径雷达图像对

I_m为主图像，I_s为辅图像；

步骤1-2)将图像对

划分为N组子图像对

i＝1，2，3，…，N，I_mi为主图像的第i个子图像块，I_si为辅图像的第i个子图像块；

步骤1-3)在原始图像对中，子图像对

的坐标表示为(x_mi，y_mi)和(x_si，y_si)，其中(x_mi，y_mi)为I_mi中心位置在I_m中的坐标，(x_si，y_si)为I_si中心位置在I_s中的坐标；

所述步骤2)具体包括：

步骤2-1)获取子图像对

i＝1，2，3，…，N间具有亚像素级精度的偏移量(t_xi，t_yi)，其中t_xi和t_yi分别为子图像对

在图像x轴和y轴上的偏移量；

步骤2-2)计算偏移量(t_xi，t_yi)下子图像对

i＝1，2，3，…，N间的相干系数CC_i；

所述步骤3)具体为：基于t_xi与x_mi、t_yi与y_mi间的散点关系图t_xi～x_mi和t_yi～y_mi，根据散点分布密度来分别确定偏移量t_x和t_y的主值区间[a_x，b_x]和[a_y，b_y]；

所述步骤4)具体为：基于CC_i与t_xi、CC_i与t_yi间的散点关系图CC_i～t_xi和CC_i～t_yi，根据散点分布来确定相干系数CC的门限值CC_th；

所述步骤5)具体包括：

步骤5-1)对于每个子图像对

及其偏移量(t_xi，t_yi)和相干系数CC_i，若

(t_xi∈[a_x，b_x]&t_yi∈[a_y，b_y])且CC_i∈[CC_th，1]

则图像块I_mi划分为C1类，表示地形平坦散射稳定目标区域；若

(t_xi∈[a_x，b_x]&t_yi∈[a_y，b_y])且CC_i∈[0，CC_th)

则图像块I_mi划分为C2类，表示地形平坦散射非稳定目标区域；若

且CC_i∈[CC_th，1]

则图像块I_mi划分为C3类，表示地形起伏散射稳定目标区域；若

且CC_i∈[0，CC_th)

则图像块I_mi划分为C4类，表示地形起伏散射非稳定目标区域；

步骤5-2)赋予类别C1类、C2类、C3类和C4类不同的区分标记标识，以此区分主图像的第i，i＝1，2，3，…，N个图像块I_mi；得到最终的主图像分类图。

Images