基于多特征集的極化sar數(shù)據(jù)地物分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及極化合成孔徑雷達(dá)（Synthetic Aperture Radar, SAR)圖像分類技術(shù)領(lǐng)域中的一種基于多特征集的極化SAR數(shù)據(jù)地物分類 方法。本發(fā)明可以對極化合成孔徑雷達(dá)獲得的數(shù)據(jù)中的不同區(qū)域進(jìn)行準(zhǔn)確地地物分類。
【背景技術(shù)】
[0002] 極化合成孔徑雷達(dá)能夠得到更豐富的目標(biāo)信息，在農(nóng)業(yè)、林業(yè)、軍事、地質(zhì)學(xué)、水文 學(xué)和海洋等方面具有廣泛的研究和應(yīng)用價(jià)值，如地物種類的識別、農(nóng)作物成長監(jiān)視、產(chǎn)量評 估、地物分類、海冰監(jiān)測、地面沉降監(jiān)測，目標(biāo)檢測和海洋污染檢測等。極化合成孔徑雷達(dá) SAR數(shù)據(jù)分類的目的是利用機(jī)載或星載極化傳感器獲得的極化測量數(shù)據(jù)，確定每個(gè)像素所 屬的類別。
[0003] 極化合成孔徑雷達(dá)SAR數(shù)據(jù)分類一般分為有監(jiān)督分類和無監(jiān)督分類兩大方法。一 般，極化合成孔徑雷達(dá)SAR數(shù)據(jù)的分類流程為：預(yù)處理、特征提取、特征選擇、數(shù)據(jù)分類。其 中，特征提取和特征選擇是非常重要的步驟，分類結(jié)果的好壞直接受提取的特征是否能充 分的表示地物，以及如何對提取的特征進(jìn)行可信的選擇和處理的影響。如在基于迭代的分 類方法中，如果迭代的初始化中心選取不好，分類后會得到很不好的分類結(jié)果。
[0004] 電子科技大學(xué)擁有的專利技術(shù)"一種基于Cloude分解的極化SAR圖像分類方 法"（專利【申請?zhí)枴?01410341457. 9,授權(quán)公告號：CN104123563A)中公開了一種基于Cloude 分解的極化SAR數(shù)據(jù)分類方法。該專利技術(shù)實(shí)現(xiàn)步驟為：（1)讀入一幅待分類的極化SAR 圖像，對圖像中的每個(gè)像素點(diǎn)進(jìn)行Cloude分解，得到散射熵H和散射角α ; (2)計(jì)算散射 熵H和散射角α的統(tǒng)計(jì)直方圖，并對直方圖進(jìn)行分割，得到分割閾值；將得到的分割閾值作 為散射熵H和散射角α特征構(gòu)成的二維平面的劃分點(diǎn)，對極化SAR圖像進(jìn)行初始劃分為m 類；（3)將得到的初始分類的類中心和類別數(shù)輸入Wishart分類器，得到所述極化SAR圖像 的分類結(jié)果。該專利技術(shù)雖然可以對散射熵H和散射角α平面進(jìn)行更細(xì)致的劃分，進(jìn)而得 到更好的Wishart分類器初始化分類的類中心，提高分類的效果。但是，該專利技術(shù)仍然存 在的不足之處是，沒有充分發(fā)揮不同特征的分類能力，并且由于初始劃分時(shí)會有較多的錯 分樣本，這時(shí)如果直接使用所有同類樣本計(jì)算初始分類中心，不僅會使得Wishart分類器 的效果不好，也會使得算法收斂過慢。
[0005] 西安電子科技大學(xué)擁有的專利技術(shù)"基于Freeman分解和同極化比的極化SAR圖 像分類方法"（專利【申請?zhí)枴?01110164401. 7,授權(quán)公告號：CN102208031B)中公開了一種基 于Freeman分解和同極化比的極化SAR圖像分類方法。該專利技術(shù)實(shí)現(xiàn)步驟為：（1)輸入極 化SAR數(shù)據(jù)的協(xié)方差矩陣；（2)對輸入的矩陣進(jìn)行Freeman分解，獲取平面散射、二面角散 射及體散射三種散射功率；（3)根據(jù)三種散射功率矩陣將極化SAR圖像進(jìn)行初始劃分；(4) 計(jì)算每類極化SAR數(shù)據(jù)各像素點(diǎn)的同極化比；（5)選擇閾值依據(jù)同極化比將步驟（3)中每 類極化SAR數(shù)據(jù)劃分為3類，從而將整個(gè)極化SAR圖像劃分為9類；(6)對整個(gè)極化SAR數(shù) 據(jù)的劃分結(jié)果進(jìn)行復(fù)Wishart迭代并上色，得到最終彩色分類結(jié)果圖。該專利技術(shù)雖然對 極化SAR圖像的劃分更加嚴(yán)謹(jǐn)，分類效果更佳。但是，該專利技術(shù)仍然存在的不足之處是， 沒有考慮到不同方法得到的特征信息的分類能力不同，而且直接使用所有同類樣本計(jì)算初 始分類中心，這些都會導(dǎo)致最終的分類效果不好，算法收斂較慢。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種基于多特征集的極化 SAR數(shù)據(jù)地物分類方法。本發(fā)明利用極化合成孔徑雷達(dá)SAR數(shù)據(jù)不同特征集的可分性不同 的特性，有效地提高了極化合成孔徑雷達(dá)SAR數(shù)據(jù)的分類精度，同時(shí)可以快速分類極化合 成孔徑雷達(dá)SAR數(shù)據(jù)。
[0007] 實(shí)現(xiàn)本發(fā)明的技術(shù)思路是：首先，對待分類的極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行濾 波；其次，提取極化合成孔徑雷達(dá)SAR數(shù)據(jù)的兩個(gè)特征集；再次，使用聚類方法對上述兩個(gè) 特征集進(jìn)行聚類；比較聚類結(jié)果，得到可分度高的樣本集和可分度低的樣本集；然后，以可 分度高的樣本集為訓(xùn)練樣本集，使用有監(jiān)督分類方法對極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行分 類；最后，輸出分類結(jié)果。
[0008] 本發(fā)明的步驟包括如下：
[0009] (1)輸入數(shù)據(jù)：
[0010] 輸入一幅待分類的極化合成孔徑雷達(dá)SAR數(shù)據(jù)；
[0011] ⑵精致Lee濾波：
[0012] 對待分類的極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行精致Lee濾波，得到濾波后的極化合 成孔徑雷達(dá)SAR數(shù)據(jù)；
[0013] (3)提取兩個(gè)特征集：
[0014] (3a)對濾波后的極化合成孔徑雷達(dá)SAR數(shù)據(jù)中的任意一個(gè)樣本，采用特征提取方 法1，得到含有八個(gè)特征分量的特征向量1 ;
[0015] (3b)重復(fù)執(zhí)行步驟（3a)，直至完成所有樣本特征向量的提取，提取的所有樣本的 特征向量構(gòu)成極化合成孔徑雷達(dá)SAR數(shù)據(jù)的特征集1 ;
[0016] (3c)對濾波后的極化合成孔徑雷達(dá)SAR數(shù)據(jù)中的任意一個(gè)樣本，采用特征提取方 法2,得到含有九個(gè)特征分量的特征向量2 ;
[0017] (3d)重復(fù)執(zhí)行步驟（3c)，直至完成所有樣本特征向量的提取，提取的所有樣本的 特征向量構(gòu)成極化合成孔徑雷達(dá)SAR數(shù)據(jù)的特征集2 ;
[0018] (4)對兩個(gè)特征集聚類：
[0019] 采用K均值聚類方法，分別對特征集1和特征集2進(jìn)行聚類，得到與特征集1和特 征集2對應(yīng)的極化合成孔徑雷達(dá)SAR數(shù)據(jù)的兩個(gè)聚類結(jié)果；
[0020] (5)比較聚類結(jié)果：
[0021] (5a)比較極化合成孔徑雷達(dá)SAR數(shù)據(jù)的兩個(gè)聚類結(jié)果中任意一個(gè)樣本的兩個(gè)聚 類結(jié)果是否相同，將聚類結(jié)果相同的樣本放入可分度高的樣本集中，將聚類結(jié)果不同的樣 本放入可分度低的樣本集中；
[0022] (5b)重復(fù)執(zhí)行步驟（5a)，直至完成所有樣本的聚類結(jié)果的比較；
[0023] (6)迭代分類：
[0024] ^a)將可分度高的樣本集作為訓(xùn)練樣本集，使用Wishart分類方法，有監(jiān)督地分 類極化合成孔徑雷達(dá)SAR數(shù)據(jù)的所有樣本，得到極化合成孔徑雷達(dá)SAR數(shù)據(jù)的初始分類結(jié) 果；
[0025] (6b)使用Wishart分類方法，迭代分類極化合成孔徑雷達(dá)SAR數(shù)據(jù)的初始分類結(jié) 果，直到滿足迭代終止條件，得到極化合成孔徑雷達(dá)SAR數(shù)據(jù)的最終分類結(jié)果；
[0026] (7)輸出結(jié)果：
[0027] 用不同的顏色標(biāo)識極化合成孔徑雷達(dá)SAR數(shù)據(jù)的最終分類結(jié)果中的每一類樣本， 得到極化合成孔徑雷達(dá)SAR數(shù)據(jù)的分類結(jié)果彩圖，輸出極化合成孔徑雷達(dá)SAR數(shù)據(jù)的分類 結(jié)果彩圖。
[0028] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：
[0029] 第一，本發(fā)明采用兩個(gè)特征提取方法，提取了極化合成孔徑雷達(dá)SAR數(shù)據(jù)的兩個(gè) 不相關(guān)特征集，克服了現(xiàn)有技術(shù)極化目標(biāo)分解方法所帶來的單一特征集的可分性有限的不 足，使得本發(fā)明能夠利用兩個(gè)不相關(guān)特征集的可分性不同的特性，為Wishart分類方法找 到更高質(zhì)量的訓(xùn)練樣本集。
[0030] 第二，本發(fā)明采用可分度高的樣本集作為Wishart分類方法的訓(xùn)練樣本集，克服 了現(xiàn)有技術(shù)直接使用初始分類結(jié)果對應(yīng)的樣本集作為Wishart分類方法的訓(xùn)練樣本集所 帶來的最終分類結(jié)果不準(zhǔn)確的不足，使得本發(fā)明能夠提高使用Wishart分類方法分類極化 合成孔徑雷達(dá)SAR數(shù)據(jù)的分類精度。
[0031] 第三，本發(fā)明采用比較多特征集上的聚類結(jié)果的策略將整個(gè)極化合成孔徑雷達(dá) SAR數(shù)據(jù)樣本集分成兩個(gè)樣本子集--可分度高的樣本集和可分度低的樣本集，克服了現(xiàn) 有技術(shù)在分類過程中一直使用整個(gè)極化合成孔徑雷達(dá)SAR數(shù)據(jù)樣本集所帶來的計(jì)算復(fù)雜 度高、算法收斂慢的不足，使得本發(fā)明能夠減少Wishart分類方法的迭代次數(shù)，快速分類極 化合成孔徑雷達(dá)SAR數(shù)據(jù)。
【附圖說明】
[0032] 圖1為本發(fā)明的流程圖；
[0033] 圖2為本發(fā)明輸入的極化合成孔徑雷達(dá)SAR數(shù)據(jù)的PauliRGB合成圖；
[0034] 圖3為本發(fā)明的極化合成孔徑雷達(dá)SAR數(shù)據(jù)真實(shí)的地物標(biāo)記圖；
[0035] 圖4為本發(fā)明的兩個(gè)特征集中各分量之間的相關(guān)系數(shù)圖；
[0036] 圖5為本發(fā)明的極化合成孔徑雷達(dá)SAR數(shù)據(jù)的分類結(jié)果圖。
【具體實(shí)施方式】
[0037] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)描述。
[0038] 參照附圖1，對本發(fā)明的步驟做進(jìn)一步的詳細(xì)描述。
[0039] 步驟1.輸入數(shù)據(jù)。
[0040] 輸入一幅待分類的極化合成孔徑雷達(dá)SAR數(shù)據(jù)。
[0041 ] 步驟2.精致Lee濾波。
[0042] 由于極化合成孔徑雷達(dá)SAR數(shù)據(jù)本身含有大量的斑點(diǎn)噪聲，所以選用精致極化 Lee濾波方法，對待分類的極化合成孔徑雷達(dá)SAR數(shù)據(jù)進(jìn)行濾波，得到濾波后的極化合成孔 徑雷達(dá)SAR數(shù)據(jù)。
[0043] 設(shè)定用于極化合成孔徑雷達(dá)SAR數(shù)據(jù)的精致極化Lee濾波的滑動窗口，該滑動窗 口是7 X 7像素塊的子窗。
[0044] 在輸入的極化合成孔徑雷達(dá)SAR數(shù)據(jù)上將滑動窗口，從左到右、從上到下滑動滑 窗，每次滑窗時(shí)，將滑動窗口按照極化合成孔徑雷達(dá)SAR數(shù)據(jù)中像素的空間位置，從左到 右、從上到下依次分成9個(gè)子窗口，每個(gè)子窗口的大小是3X3像素，子窗口之間有重疊。
[0045] 將9個(gè)子窗口對應(yīng)位置的數(shù)據(jù)求均值，將所得到的均值構(gòu)成3 X 3像素的均值窗 □ 〇
[0046] 分別選擇水平、垂直、45度和135度的四個(gè)方向的梯度模板，模板大小為3X3像 素，將均值窗口分別與四個(gè)模板進(jìn)行加權(quán)，對所得到的加權(quán)結(jié)果求絕對值，選出所有絕對值 中的最大值，將該最大值對應(yīng)的方向作為邊緣方向。
[0047] 取邊緣方向的左右2個(gè)子窗口，分別對2個(gè)窗口內(nèi)的所有樣本求均值，用得到的兩 個(gè)均值分別減去中心窗口所有樣本的均值，將均值差值中小的值所對應(yīng)的子窗口作為方向 窗口。
[0048] 按照下式，計(jì)算精致極化Lee濾波的權(quán)值；
[0049]
[0050] 其中，b表示精致極化Lee濾波的權(quán)值，var (y)表示方向窗口內(nèi)極化合成孔徑雷 達(dá)SAR數(shù)據(jù)總功率圖的方差值，y表示方向窗