一種基于極化目標分解特征的變分極化sar圖像分割方法
【專利摘要】本發(fā)明公開了一種基于極化目標分解特征的變分極化SAR圖像分割方法，利用極化SAR圖像的極化相干分解方法和極化非相干分解方法，得到了反應目標屬性和目標類型信息的極化目標分解特征向量f，結(jié)合區(qū)域指示函數(shù)FiN、高斯核函數(shù)KRBF和基本CV模型，建立能量泛函，采用水平集方法進行求解，得到極化SAR圖像的分割結(jié)果。本發(fā)明給出的方法不僅僅局限于一種或者兩種極化目標分解特征數(shù)據(jù)，而是使用了多種極化目標分解的特征數(shù)據(jù)，對極化信息的利用是比較充分的。通過定義區(qū)域指示函數(shù)FiN，可以利用較少數(shù)目的水平集函數(shù)表示區(qū)域數(shù)目較多的情況，大大地減少了計算量。將本發(fā)明用于極化SAR圖像的分割，可以得到較精確的分割結(jié)果。
【專利說明】—種基于極化目標分解特征的變分極化SAR圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及雷達遙感或圖像處理技術(shù)，即用圖像處理技術(shù)分析雷達觀測信息，尤其涉及一種基于極化目標分解特征的變分極化SAR圖像分割方法。
【背景技術(shù)】
[0002]極化合成孔徑雷達(Synthetic Aperture Radar, SAR)圖像的分割是雷達遙感【技術(shù)領(lǐng)域】的重要研究內(nèi)容，在極化SAR數(shù)據(jù)的分類、目標檢測和目標識別等方面有重要的應用，對雷達遙感【技術(shù)領(lǐng)域】的發(fā)展具有重要意義。
[0003]極化SAR利用不同的極化發(fā)射和極化接收天線的組合，得到雷達目標的極化散射矩陣，進而獲得雷達目標的電磁散射特性，該特性可以提供其他雷達參數(shù)不能反映出的信息，是刻畫雷達目標特性的一個重要參量。為了有效提取出雷達目標的結(jié)構(gòu)信息和電磁散射特性，需要對極化數(shù)據(jù)進行極化SAR目標的分解。極化目標分解主要分為相干極化目標分解和非相干極化目標分解。相干極化目標分解主要有Pauli分解，Krogager分解等；非相干極化目標分解包括基于互易性和對稱性等屬性的目標二分法分解方法，即Huynen分解和Barnes-Holm分解等，基于模型的Freeman-Durden分解和Yamaguchi分解等，基于特征矢量的Cloude-Pottier分解和VanZyl分解等。近年來,利用極化SAR目標分解所得到的極化特征信息，對極化SAR圖像進行相關(guān)處理已成為一個研究熱點。
[0004]Krogager提出的相干目標分解方法，將極化散射矩陣分解成球散射、二面角散射、螺旋體散射3個固定類型分量，結(jié)合SVM設(shè)計分類器可以得到較好的極化SAR圖像分類結(jié)果。Huynen分解根據(jù)目標的屬性，將目標分為對稱分量、不規(guī)則分量與不對稱分量，可以較好的分出對稱和規(guī)則的地物類型。Freeman和Durden利用極化協(xié)方差矩陣,建立表面散射、二次散射、體散射的散射模型，根據(jù)三種散射分量的散射能量進行極化SAR圖像的分類。Yamaguchi在此基礎(chǔ)上增添了螺旋體散射，進行了極化SAR圖像的進一步更細致的劃分。利用Freeman-Durden分解得到的散射特征與散射熵以及Wishart分布統(tǒng)計特征進行極化SAR圖像的分類處理，也可以得到較好的結(jié)果。Cloude-Pottier利用極化相干矩陣的特征分解，定義了三個重要的旋轉(zhuǎn)不變極化物理量:散射熵、散射角和反熵，較好的刻畫出了目標的散射特性。結(jié)合參量與根據(jù)極化SAR圖像統(tǒng)計特征形成的Wishart分類器，可以清楚地區(qū)分自然地物的主要類型，符合散射機制的自然分布。這些方法都是基于極化目標分解的，利用的是一個或者兩個極化分解方法得到的特征，得到的分割結(jié)果反應的地物信息往往不夠精確。
[0005]近些年，隨著偏微分方程技術(shù)的逐漸成熟，變分法在極化SAR圖像的分割中，占據(jù)了較為重要的位置，獲得了廣泛應用。該方法通過定義針對圖像的能量泛函，利用水平集方法求解能量泛函的極值，以達到對圖像分割的目的。1.B.Ayed等人根據(jù)極化相干矩陣的Wishart統(tǒng)計特征，建立針對極化SAR圖像的能量泛函，進行極化SAR圖像的分割。這種方法對極化信息的利用是比較充分的，但單個數(shù)據(jù)點的極化相干矩陣是一個3X3的復矩陣，數(shù)學運算非常復雜。Y.Shuai等利用復Gaussian/Wishart統(tǒng)計分布、漂移Heaviside函數(shù)和改進的CV模型建立了應用于極化SAR圖像分割的能量泛函，水平集求解的曲線演化方程穩(wěn)定收斂，避免了局部極小值的出現(xiàn)，但是未能很好地進行極化信息的有效利用。為了較好的利用極化信息，將極化參量組成極化特征向量，建立基于該向量的CV模型，省去了 Wishart統(tǒng)計分布的復雜數(shù)學運算，還有效地利用了極化信息。但是該方法也只是用了一種極化目標分解的分解特征，然而不同極化目標分解反應出不同的極化特征信息，這樣就會使得上述方法對于極化信息的利用不夠充分。

【發(fā)明內(nèi)容】

[0006]有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問題是提供一種基于極化目標分解特征的變分極化SAR圖像分割方法，充分利用極化目標分解的分解特征，同時利用變分法和核函數(shù)的優(yōu)勢，較好的處理高維數(shù)災難問題，采用水平集方法數(shù)值求解，得到較為精確的極化SAR圖像分割結(jié)果。
[0007]為實現(xiàn)上述目的，本發(fā)明提供了一種基于極化目標分解特征的變分極化SAR圖像分割方法，利用不同極化目標分解的分解特征形成的特征向量，結(jié)合核函數(shù)和CV模型建立能量泛函，具體由以下步驟進行實現(xiàn):
[0008]步驟1:根據(jù)極化目標分解特征數(shù)據(jù)，建立極化目標分解特征向量:
[0009]根據(jù)極化SAR 圖像 Pauli 分解，Huynen 分解，Cloude-Pottier 分解，F(xiàn)reeman-Durden分解，SDH分解,VanZyl分解各自得到的3個分解特征數(shù)據(jù)，Yamaguchi分解得到的4個分解特征數(shù)據(jù)，以及Huynen分解的推廣分解方法,即Barnes-Holm分解,在兩種不同的特征向量情況下，得到的6個極化特征數(shù)據(jù)，一共28個極化目標分解特征數(shù)據(jù)，構(gòu)成分解特征向量f = (fi, f2)..., fD)，其中fk，k = I,..., D, D = 28,表征某一個分解特征。
[0010]步驟2:將極化SAR圖像I(x，y)整個區(qū)域Ω任意劃分為N個區(qū)域Qi, i =I,..., N，所述極化SAR圖像I (X，y)中的每個區(qū)域用i標注。
[0011]步驟3:計算區(qū)域指示函數(shù)if。
[0012]步驟4:計算區(qū)域的極化目標分解特征均值向量
【權(quán)利要求】
1.一種基于極化目標分解特征的變分極化SAR圖像分割方法，利用不同極化目標分解的分解特征形成的特征向量，結(jié)合核函數(shù)和CV模型建立能量泛函，其特征在于，包括如下步驟: 步驟1:根據(jù)極化目標分解特征數(shù)據(jù)，建立極化目標分解特征向量: 根據(jù)極化 SAR 圖像 Pauli 分解，Huynen 分解，Cloude-Pottier 分解，F(xiàn)reeman-Durden分解，SDH分解，VanZyl分解各自得到的3個分解特征數(shù)據(jù)，Yamaguchi分解得到的4個分解特征數(shù)據(jù)，以及Huynen分解的推廣分解方法,即Barnes-Holm分解,在兩種不同的特征向量情況下，得到的6個極化特征數(shù)據(jù)，一共28個極化目標分解特征數(shù)據(jù)，構(gòu)成分解特征向量f = (fi, f2,...，fD)，其中 fk, k = I,..., D, D = 28,表征某一個分解特征； 步驟2:將極化SAR圖像I (X，y)整個區(qū)域Ω任意劃分為N個區(qū)域Ω。i = 1，...，N，所述極化SAR圖像I (X，y)中的每個區(qū)域用i標注； 步驟3:計算區(qū)域指示函數(shù)F ；




步驟4:計算區(qū)域的極化目標分解特征均值向量
2.如權(quán)利要求1所述的基于極化目標分解特征的變分極化SAR圖像分割方法，其特征在于，所述步驟3中所述區(qū)域指示函數(shù)F汁算步驟如下: (3a)當數(shù)N為2的冪次方時，存在m使得2m = N成立，則I≤i≤2m = N。引入水平集函數(shù)集合Ψ = { Φ! (x, y),..., Φ m (X，y)}, m為水平集函數(shù)數(shù)目， Φ (χ, y), r = I,...，m表示第r個水平集函數(shù)；Ψ相對應的正則化Heaviside函數(shù)集合為1(小(叉，7)) = (Ηε (Φ^χ, y))，...，He (<i)m(x，y))),其中,
HMrix^))= 2 1 +^arctan 1為水平集函數(shù)4>r(X，y)對應的正則化 Heaviside函數(shù)，ε用以控制函數(shù)從O上升到I的快慢，ε的取值范圍為[0.1,2],則當2m = N時，區(qū)域指示函數(shù)表示為: Ff={-lft\{H^y))-brl)

r=\ (3b)當數(shù)N不為2的冪次方時，即2m Φ N, 2"1-1 < N < 2m時，區(qū)域指示函數(shù)表示為:

3.如權(quán)利要求1所述的基于極化目標分解特征的變分極化SAR圖像分割方法，其特征在于，所述步驟5中所述核函數(shù)為高斯核函數(shù):^_.(Μ) = ^)?) = εχΡ(4-€Α2)，其中，σ為高斯核函數(shù)的標準差，取值為[5，50], IHI"為L2范數(shù)，則有
4.如權(quán)利要求1所述的基于極化目標分解特征的變分極化SAR圖像分割方法，其特征在于，所述步驟8中所述水平集函數(shù)迭代過程為:
【文檔編號】G06T7/00GK103761741SQ201410033518
【公開日】2014年4月30日 申請日期:2014年1月23日 優(yōu)先權(quán)日:2014年1月23日
【發(fā)明者】曹宗杰, 皮亦鳴, 譚英, 馮籍瀾 申請人:電子科技大學