基于空間域和頻域特征的并行sar圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息處理技術(shù)領(lǐng)域，涉及SAR(合成孔徑雷達）圖像處理方法，尤其是 一種具體為基于空間域和頻域特征的并行SAR圖像分類方法。
【背景技術(shù)】
[0002] SAR(合成孔徑雷達）以其特有的全天時、全天候高分辨成像能力，及對某些地物 的穿透探測，使之在國防和國民經(jīng)濟建設(shè)中有著重要的應(yīng)用（如在一些大的地震災(zāi)害（如 2008年汶川地震和2010年青海玉樹地震）與洪水災(zāi)害監(jiān)測、救災(zāi)及災(zāi)后重建中、旱情與土 壤濕度動態(tài)監(jiān)測、農(nóng)業(yè)病害蟲害監(jiān)測、農(nóng)作物長勢監(jiān)測（國內(nèi)外已有一些很多研宄，利用雷 達數(shù)據(jù)散射特點對不同農(nóng)作物進行識別、分類、監(jiān)測的成功實例。）等方面，其獨特優(yōu)勢得 到了非常重要的應(yīng)用），各國都爭先發(fā)展SAR技術(shù)。以飛機為平臺的機載SAR已被廣泛使用， 以衛(wèi)星為平臺的星載SAR獲得了極大的成功，更是在世界范圍內(nèi)掀起了發(fā)展主動微波遙感 對地觀測衛(wèi)星的熱潮。
[0003] 隨著遙感技術(shù)的迅速發(fā)展，SAR所能夠提供的信息和數(shù)據(jù)所呈現(xiàn)出的海量程度和 復(fù)雜程度都是空前的。SAR成像的特點決定了SAR圖像幾何失真較大且含有大量被稱為相 干斑的噪聲，這使得傳統(tǒng)的圖像處理技術(shù)很難應(yīng)用。一般來說，有效的SAR圖像處理方法都 較為復(fù)雜。越來越大的數(shù)據(jù)量再加之復(fù)雜的算法使得SAR圖像處理所需要的時間越來越 長，而在災(zāi)害快速動態(tài)監(jiān)測與災(zāi)害預(yù)防及救災(zāi)、現(xiàn)代化農(nóng)業(yè)（農(nóng)業(yè)病害蟲害快速監(jiān)測、大面 積農(nóng)作物長勢動態(tài)監(jiān)測）等應(yīng)用領(lǐng)域，要很好地發(fā)揮SAR這種強勢觀測工具，則需要從大量 SAR圖像數(shù)據(jù)中迅速甚至是實時地提取有用信息。如何對SAR圖像數(shù)據(jù)做出準確而快速的 解譯，對于發(fā)揮SAR的作用都具有相當重要的理論和實際意義。
[0004]SAR圖像分割分類是SAR圖像解譯各環(huán)節(jié)中較為復(fù)雜的關(guān)鍵環(huán)節(jié)，是SAR圖像自 動處理的基礎(chǔ)。SAR特別是極化SAR通過測量每個分辨單元在不同收發(fā)極化組合下的散射 特性，更完整地記錄了目標后向散射信息，為詳盡分析目標散射特性提供了良好的數(shù)據(jù)支 持。極化SAR圖像分割分類圖既可作為中間結(jié)果為目標檢測、識別等提供輔助信息，也可作 為最終結(jié)果直接輸出給用戶，開展極化SAR圖像準確快速的分割分類對提高極化SAR系統(tǒng) 的應(yīng)用水平非常重要。美國在整個SAR圖像解譯領(lǐng)域處于國際領(lǐng)先水平。有關(guān)SAR圖像解 譯技術(shù)的研宄從八十年代開始就得到了高度重視，投入數(shù)百億的美元進行SAR數(shù)據(jù)的獲取 以及后續(xù)處理研宄。而其他一些國家，如加拿大、德國、日本、英國、法國、意大利、印度等也 都制定了有關(guān)的研宄計劃。在具體的SAR圖像自動分割分類算法研宄方面，馬里蘭大學的 自動化研宄中心、美國空軍技術(shù)學院的電子學與計算機工程系、圣地亞（Sandia)國家實驗 室、MIT林肯（Lincoln)實驗室以及懷特（Wright)實驗室走在前列。例如，馬里蘭大學的 S.kuttikkad和R.Chellappa等充分利用多通道全極化的SAR圖像所提供的信息，成功的把 SAR圖像分割成為陰影、背景區(qū)域、樹木、道路、建筑物和人造目標等類別。其思路是首先利 用雙參數(shù)恒虛警率（CFAR)檢測器提取圖像感興趣區(qū)域（R0I)，然后利用最大似然分割算法 對所有極化圖像進行分割，最后利用所謂"SiteModel"（實際上是極化SAR圖像中目標的 幾何和位置特性）進行地物分類。美國空軍技術(shù)學院的StevenK.Rogers等9位學者和懷 特實驗室的KevinJ.Willy-起，利用小波和分形技術(shù)成功的把極化ADTSSAR圖像分割成 為陰影、背景區(qū)域、樹木和人造目標等類別；Robert等利用馬爾可夫隨機場的方法（把馬爾 可夫隨機場條件概率的問題轉(zhuǎn)化為Gibbs分布能量函數(shù)極小化問題），將圖像區(qū)分為目標 區(qū)、背景區(qū)和陰影區(qū)；其他如ScottEvanDecatur、YoshihisaHara、Z.Behladj等分別研宄 了統(tǒng)計分類算法和神經(jīng)網(wǎng)絡(luò)在SARATC中的作用以及監(jiān)督與無監(jiān)督算法的優(yōu)劣。Cloude利 用相干矩陣提取出表征目標散射極化程度的參數(shù)H和表征目標散射機理的角度a，并表明 可在H-a平面上區(qū)分零熵表面、偶極子、二面角散射與高熵表面、偶極子、二面角散射。經(jīng) 過進一步的研宄，Cloude和Pottier在相干矩陣特征值分解的基礎(chǔ)上，提出了H-a方法，通 過對H-a平面進行線性劃分，從而確定目標的散射機理，包括低熵、中熵表面散射，低熵、 中熵、高熵偶極子散射，低熵、中熵、高熵多次散射。H-a方法物理意義清晰、簡潔易用、適用 面廣，受到了人們的廣泛關(guān)注，并被用于分割、分類和目標檢測，成為最著名的極化目標分 解方法之一。法國的AlexandreBouvet使用ENVISATASARHH/VV極化數(shù)據(jù)進行水稻種植 評估，該文先對極化SAR圖像進行多通道相干斑濾波，在此基礎(chǔ)上采用閾值法進行極化SAR 圖像分類，分析結(jié)果證實，HH/VV極化數(shù)據(jù)比較適合于水稻種植分類。意大利的Gianfranco D.DeGrandi等人應(yīng)用小波包變換提出了一種SAR圖像目標檢測與紋理分割方法。紋理測 度包括后向散射強度的歸一化的二階矩與小波包變換系數(shù)變量。在這種方法中，對特征度 量依賴于極化狀態(tài)進行了解釋，提出了一個理論模型，該理論是這種SAR圖像目標檢測與 紋理分割方法的基礎(chǔ)。加拿大的KaanErsahin等人基于計算機視覺領(lǐng)域最近新出現(xiàn)的為 更好解決分類問題的光譜圖分割法，提出了一種極化SAR圖像分割分類方法，其效果優(yōu)于 Wishart分類器。LionelBombrun等人基于一種異構(gòu)雜波模型提出了一種極化SAR圖像分 割方法，實驗結(jié)果表明該方法能對X波段和L波段極化的SAR圖像能取得較好的分割結(jié)果。 AlbertoAlonso-Gonzdlez等人使用二差分區(qū)樹提出了一種新的基于區(qū)域和多尺度的極化 SAR數(shù)據(jù)表示，基于此對極化SAR圖像進行相干斑噪聲濾噪和圖像分割，實驗表明該方法能 夠?qū)崿F(xiàn)很好的SAR圖像去噪，同時較好地保留了空間分辨率和極化信息，取得了較好的極 化SAR圖像分割效果。
[0005]在國內(nèi)，中科院遙感所、中科院對地觀測中心、中科院電子所、中科院地理所等許 多研宄單位，以及國防科技大學、成都電子科技大學、西安電子科技大學、哈爾濱工業(yè)大學、 北京大學、清華大學、北京理工大學、武漢大學等許多院校，都做了許多關(guān)于SAR圖像目標 分割分類與識別的研宄，取得了一定的成果。例如，朱俊杰等以2003年7月淮河洪水監(jiān)測 獲取的單波段單極化高分辨率SAR圖像為試驗數(shù)據(jù)，首先對數(shù)據(jù)進行了分析，指出了高分 辨率SAR圖像的特點，之后通過小波變換對圖像進行兩層小波分解得到子圖像，并在選擇 合適的能量計算窗口條件下，計算子圖像的紋理能量，最后使用了BP神經(jīng)網(wǎng)絡(luò)方法進行紋 理分類。付琨等給出了一種關(guān)于高分辨率、單極化SAR圖像目標分類的完整算法。首先利 用基于改進的相關(guān)領(lǐng)域模型的RadarCrossSection(RCS)重構(gòu)算法進行目標和陰影檢測， 通過非線性積累把圖像分割為"陰影區(qū)"、"背景區(qū)"和"目標區(qū)"，接著通過形態(tài)學算子進行 地貌濾波和邊緣提取。應(yīng)用改進的Hough變換和細線化措施進行線段的連接和編組；最后 利用空間聯(lián)合位置模型進行目標的分類。吳永輝等在極化SAR特征提取的基礎(chǔ)上，將SVM 應(yīng)用于極化SAR圖像分類，定性和定量地比較了全極化、雙極化和單極化SAR圖像的分類性 能，分析了不同的極化組合對分類結(jié)果的影響，并根據(jù)地物極化散射特性分析了分類精度 差異的成因。通過實測極化SAR數(shù)據(jù)的實驗結(jié)果表明，全極化數(shù)據(jù)能獲得最好的分類性能， 雙極化次之，單極化最低，且在某些情況下，雙極化與全極化分類性能接近。宿富林等將 基于原始SAR圖像的灰度級共生矩陣提取的紋理特征與濾波后圖像的灰度特征進行組合 用于分類，實驗結(jié)果表明這種改進的特征提取方法提高了SAR圖像的分類精度。王海江等 提出了一種結(jié)合相干斑抑制的全極化SAR圖像分類新方法，該方法先對圖像數(shù)據(jù)做Pauli 分解，獲得三個極化組合通道，并分別用三種顏色表示這三個極化組合；再用獨立分量分析 稀疏編碼（ICA-SCS)算法對各顏色通道進行相干斑抑制，最后把三個顏色通道混合，實現(xiàn) 了對圖像信息的分類。該方法很好的保留了極化通道間的相對相位信息，同時，相干斑抑制 后的數(shù)據(jù)直接用于圖像分類，不需要再做任何極化通道組合，對真實SAR圖像的分類結(jié)果 表明，該方法對分類效果和精度有明顯改善。曹芳等提出了一種新的基于Cloude-Pottier 分解和聚合的層次聚類的全極化SAR數(shù)據(jù)的非監(jiān)督分類算法。該算法使用極化總