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)(SyntheticApertureRadar,SAR)圖像分類技術(shù)領(lǐng)域中的一種結(jié)合極化特征和分水嶺的極化合成孔徑雷達(dá)SAR圖像分類方法。本發(fā)明可應(yīng)用于對(duì)極化合成孔徑雷達(dá)SAR圖像的不同區(qū)域準(zhǔn)確地進(jìn)行分類、目標(biāo)識(shí)別。

背景技術(shù)：
合成孔徑雷達(dá)SAR圖像分類是通過對(duì)極化數(shù)據(jù)的分析，劃分出感興趣的目標(biāo)或區(qū)域的過程。合成孔徑雷達(dá)SAR圖像分類是遙感圖像分類的主要組成部分，隨著雷達(dá)技術(shù)的發(fā)展，利用極化合成孔徑雷達(dá)SAR圖像分類的研究日益受到人們的重視。極化合成孔徑雷達(dá)SAR圖像分類技術(shù)在地質(zhì)勘探、森林狀態(tài)監(jiān)控、海冰分布監(jiān)視以及農(nóng)作物生長狀況評(píng)估等多個(gè)領(lǐng)域得到廣泛的應(yīng)用。由于雷達(dá)圖像在成像過程中不可避免地會(huì)產(chǎn)生相干斑，從分類的角度看，相干斑可被認(rèn)為是噪聲，而基于像素的分類方法對(duì)噪聲的敏感度很高，所以極化合成孔徑雷達(dá)SAR圖像的分類方法經(jīng)常是基于目標(biāo)或?qū)ο蟮膮^(qū)域處理方式。基于區(qū)域處理的方法主要為基于圖像分割的方法，例如：W.Yonghui等發(fā)表的論文“RegionbasedclassificationofpolarimetricSARimagesusingWishartMRF”(IEEETransonGeoscienceandRemoteSensingLetters,2008,5(4):668-672)提出了一種基于區(qū)域的WishartMRF(Region-based-WMRF)估計(jì)的方法。該方法先利用MRF過分割算法得到劃分的子區(qū)域，再利用Wishart分類器對(duì)每一個(gè)區(qū)域重新標(biāo)記，從而有效地提高了分類的精度，但是該方法仍然存在的不足是，該方法屬于閾值劃分方法，分類結(jié)果中明顯地出現(xiàn)了塊效應(yīng)，不能很好地保持各類的區(qū)域完整性。上海交通大學(xué)在其專利申請(qǐng)“一種具有空間自適應(yīng)性的極化SAR圖像分割方法”(專利申請(qǐng)?zhí)枺?0121011531.9，公開號(hào)：CN102722883A)中提出一種具有空間自適應(yīng)性的極化SAR圖像分割方法。該方法首先對(duì)極化數(shù)據(jù)進(jìn)行Cloude分解處理，對(duì)處理結(jié)果進(jìn)行基于像素的最大似然分類，然后對(duì)分類結(jié)果進(jìn)行四叉樹分解得到初始分割區(qū)域，最后利用Wishart分布和馬爾科夫隨機(jī)場對(duì)初始分割區(qū)域的大小和形狀進(jìn)行調(diào)整，得到最終的分割結(jié)果。但是這種方法存在的不足是，Cloude分解只能將圖像劃分為8類且四叉樹分解采用閾值來設(shè)定區(qū)域大小，這樣會(huì)與真實(shí)目標(biāo)產(chǎn)生偏差。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種結(jié)合極化特征和分水嶺的極化合成孔徑雷達(dá)SAR圖像分類方法。本發(fā)明相比基于閾值劃分區(qū)域的方法提高了目標(biāo)保持的準(zhǔn)確性，充分利用了極化合成孔徑雷達(dá)SAR圖像的極化特征和分水嶺區(qū)域劃分算法，在保證圖像分類信息的完整性的同時(shí)，提高了極化合成孔徑雷達(dá)SAR圖像分類的質(zhì)量。本發(fā)明實(shí)現(xiàn)上述目的的思路是：先對(duì)待分類極化合成孔徑雷達(dá)SAR圖像進(jìn)行散射角和功率圖的聯(lián)合似然概率計(jì)算像素的最大似然標(biāo)記，然后對(duì)待分類圖像進(jìn)行修正的分水嶺算法劃分區(qū)域，再對(duì)劃分的區(qū)域標(biāo)定區(qū)域的標(biāo)記和標(biāo)定區(qū)域的大小，最后采用兩種不同的策略分別對(duì)大小區(qū)域進(jìn)行區(qū)域標(biāo)記的更新，得到最終的分類結(jié)果。本發(fā)明的步驟包括如下：(1)讀入一幅待分類的極化合成孔徑雷達(dá)SAR圖像中相干矩陣T。(2)計(jì)算像素的標(biāo)記；(2a)提取待分類的極化合成孔徑雷達(dá)SAR圖像中相干矩陣T的對(duì)角線元素T11,T22,T33，用0.4，0.2，0.4分別依次對(duì)對(duì)角線元素T11,T22,T33進(jìn)行加權(quán)處理，將加權(quán)處理后的對(duì)角線元素相加，對(duì)相加的結(jié)果進(jìn)行歸一化處理至0到255之間，得到功率值；(2b)對(duì)待分類的極化合成孔徑雷達(dá)SAR圖像中相干矩陣T，進(jìn)行Cloude分解，得到散射角α；(2c)在待分類的極化合成孔徑雷達(dá)SAR圖像中每一類地物上，按照SAR圖像總像素點(diǎn)的0.5％隨機(jī)取像素點(diǎn)，分別提取每一類地物選取像素點(diǎn)所對(duì)應(yīng)的功率值和散射角，將提取的功率值和散射角作為訓(xùn)練數(shù)據(jù)；(2d)計(jì)算待分類的極化合成孔徑雷達(dá)SAR圖像中每一個(gè)像素點(diǎn)的聯(lián)合似然概率，得到各像素點(diǎn)的最大似然標(biāo)記。(3)劃分區(qū)域；(3a)將像素的最大似然標(biāo)記與待分類的極化合成孔徑雷達(dá)SAR圖像中功率值的梯度圖進(jìn)行疊加，得到修正后的梯度圖；(3b)對(duì)修正后的梯度圖進(jìn)行分水嶺劃分，得到劃分的區(qū)域。(4)標(biāo)定區(qū)域標(biāo)記；(4a)如果劃分區(qū)域中存在像素標(biāo)記相同的像素個(gè)數(shù)達(dá)到二分之一以上，將該像素標(biāo)記標(biāo)定為劃分區(qū)域的標(biāo)記，若劃分區(qū)域中不存在像素標(biāo)記相同的像素個(gè)數(shù)達(dá)到二分之一以上，則執(zhí)行步驟(4b)，否則，執(zhí)行步驟(4c)；(4b)找出劃分區(qū)域中相鄰區(qū)域的標(biāo)記最多的類別，將該類別標(biāo)定為劃分區(qū)域的標(biāo)記；(4c)判斷待分類的極化合成孔徑雷達(dá)SAR圖像劃分區(qū)域的標(biāo)記是否全部完成，若否，重復(fù)步驟(4a)、步驟(4b)，若是，執(zhí)行步驟(5)。(5)標(biāo)定區(qū)域大?。?5a)依次讀入待分類的極化合成孔徑雷達(dá)SAR圖像中劃分區(qū)域，判斷讀入的劃分區(qū)域的像素個(gè)數(shù)是否大于100，若大于，執(zhí)行步驟(5b)，否則，執(zhí)行步驟(5c)；(5b)將讀入的劃分區(qū)域標(biāo)定為大區(qū)域，(5c)將讀入的劃分區(qū)域標(biāo)定為小區(qū)域；(5d)判斷待分類的極化合成孔徑雷達(dá)SAR圖像中劃分區(qū)域的大小標(biāo)記是否全部完成，若否，重復(fù)步驟(5a)、步驟(5b)、步驟(5c)，若是，執(zhí)行步驟(6)。(6)更新區(qū)域標(biāo)記；(6a)用聚類中心公式，計(jì)算每一類的聚類中心；(6b)依次讀取極化合成孔徑雷達(dá)SAR圖像標(biāo)定的區(qū)域大小，若為小區(qū)域，執(zhí)行步驟(6c)，否則，執(zhí)行步驟(6d)；(6c)對(duì)小區(qū)域，用以下最大后驗(yàn)概率公式，得到更新的區(qū)域標(biāo)記：其中，表示小區(qū)域r更新后的區(qū)域標(biāo)記，arg表示求取滿足條件的參數(shù)操作，max表示求解參數(shù)最大值的操作，xr表示小區(qū)域r當(dāng)前的區(qū)域標(biāo)記，xr的取值范圍為1,2,…K，K表示極化合成孔徑雷達(dá)SAR圖像所劃分的類別數(shù)，r表示極化合成孔徑雷達(dá)SAR圖像中的小區(qū)域，yr表示小區(qū)域r的觀測數(shù)據(jù)，P(yr|xr)表示小區(qū)域的最大后驗(yàn)概率中的似然概率，表示小區(qū)域的最大后驗(yàn)概率中的背景先驗(yàn)概率，表示小區(qū)域r的相鄰區(qū)域；(6d)對(duì)大區(qū)域，用以下最大似然概率公式，得到更新的區(qū)域標(biāo)記：其中，表示大區(qū)域更新的區(qū)域標(biāo)記，arg表示求取滿足條件的參數(shù)操作，max表示求解參數(shù)最大值的操作，表示大區(qū)域當(dāng)前的區(qū)域標(biāo)記，的取值范圍為1,2,…K，K表示極化合成孔徑雷達(dá)SAR圖像所劃分的類別數(shù)，表示極化合成孔徑雷達(dá)SAR圖像中大區(qū)域，表示大區(qū)域的最大似然概率中的似然概率，表示大區(qū)域的觀測數(shù)據(jù)；(6e)判斷讀取的極化合成孔徑雷達(dá)SAR圖像區(qū)域是否完成，若否，重復(fù)步驟(6b)、步驟(6c)、步驟(6d)，若是，執(zhí)行步驟(6f)；(6f)判斷更新的區(qū)域標(biāo)記迭代次數(shù)是否達(dá)到20次，若否，重復(fù)步驟(6a)、步驟(6b)、步驟(6c)、步驟(6d)、步驟(6e)，若是，執(zhí)行步驟(7)。(7)用紅色R、綠色G、藍(lán)色B三個(gè)顏色分量作為三基色，根據(jù)三基色原理給步驟(6)中的區(qū)域標(biāo)記結(jié)果分配顏色，得到彩色分類結(jié)果圖。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：第一，由于本發(fā)明采用散射角和功率圖的聯(lián)合似然概率計(jì)算像素的最大似然標(biāo)記，克服了現(xiàn)有技術(shù)極化目標(biāo)分解方法所帶來的像素標(biāo)記結(jié)果中像素類別不準(zhǔn)確的不足，使得本發(fā)明所標(biāo)定的像素標(biāo)記能夠?qū)O化協(xié)方差數(shù)據(jù)進(jìn)行有效的信息提取，保證了像素標(biāo)記的準(zhǔn)確性和極化散射特性的完整性。第二，由于本發(fā)明采用修正的分水嶺算法劃分區(qū)域，克服了現(xiàn)有技術(shù)閾值方法所帶來的劃分結(jié)果中區(qū)域邊緣不準(zhǔn)確的不足，使得本發(fā)明所劃分的區(qū)域更符合實(shí)際地物的邊緣分布。第三，由于本發(fā)明采用兩種不同的策略分別對(duì)大小區(qū)域進(jìn)行區(qū)域標(biāo)記的更新，克服了現(xiàn)有技術(shù)對(duì)相干斑噪聲敏感的不足，使得本發(fā)明提高了抗噪聲的性能，有效地保持了同質(zhì)區(qū)域，也得到了理想的分類邊緣。附圖說明圖1為本發(fā)明的流程圖；圖2為本發(fā)明和現(xiàn)有的Region-based-WMRF分類方法，在Flevoland極化合成孔徑雷達(dá)SAR測試圖像上的仿真示意圖；圖3為本發(fā)明和現(xiàn)有的Region-based-WMRF分類方法，在SanFranciscobay極化合成孔徑雷達(dá)SAR測試上的圖像仿真示意圖。具體實(shí)施方式下面結(jié)合附圖1對(duì)本發(fā)明的步驟做進(jìn)一步的詳細(xì)描述。步驟1.讀入一幅待分類極化合成孔徑雷達(dá)SAR圖像的相干矩陣T。讀入極化合成孔徑雷達(dá)SAR圖像的每個(gè)像素點(diǎn)，每個(gè)像素點(diǎn)為一個(gè)含有9個(gè)元素的極化相干矩陣T：其中，SEE表示水平向發(fā)射和水平向接收的回波數(shù)據(jù)，E表示水平極化，SVV表示垂直向發(fā)射和垂直向接收的回波數(shù)據(jù)，V表示垂直極化，SEV表示水平向發(fā)射和垂直向接收的回波數(shù)據(jù)，*表示共軛轉(zhuǎn)置操作，<·>表示按雷達(dá)的多視參數(shù)求取平均值的操作，|·|表示求取模值操作。步驟2.計(jì)算像素的標(biāo)記。提取待分類極化合成孔徑雷達(dá)SAR圖像中相干矩陣T的對(duì)角線元素T11,T22,T33，用0.4，0.2，0.4分別依次對(duì)對(duì)角線元素T11,T22,T33進(jìn)行加權(quán)處理，將加權(quán)處理后的對(duì)角線元素相加，對(duì)相加的結(jié)果進(jìn)行歸一化處理至0到255之間，得到功率圖，并對(duì)待分類極化合成孔徑雷達(dá)SAR圖像的相干矩陣T進(jìn)行Cloude分解得到散射角α。所述Cloude分解步驟如下：按照下式，對(duì)相干矩陣T進(jìn)行特征分解：其中，T表示相干矩陣，[U3]表示酉矩陣，[U3]＝[u1u2u3]，u1,u2,u3分別表示相干矩陣T的正交特征向量，λ1,λ2,λ3表示相干矩陣T的特征值，*表示共軛轉(zhuǎn)置操作。計(jì)算每個(gè)像素點(diǎn)的散射隨機(jī)程度概率：其中，Gφ表示每個(gè)像素點(diǎn)的散射隨機(jī)程度概率，φ表示相干矩陣T的特征值的個(gè)數(shù)，φ＝1,2,3，λφ和λj均表示相干矩陣T的特征值。計(jì)算每個(gè)像素點(diǎn)的散射熵：其中，H表示每個(gè)像素點(diǎn)的散射熵，Gφ表示每個(gè)像素點(diǎn)的散射隨機(jī)程度概率，φ表示特征值的個(gè)數(shù)。計(jì)算每個(gè)像素點(diǎn)的目標(biāo)散射類型參量：αφ＝acos(abs(uφ))×180/π其中，αφ表示每個(gè)像素點(diǎn)的目標(biāo)散射類型參量，uφ表示相干矩陣T的正交特征向量，φ表示特征值的個(gè)數(shù)，φ＝1,2,3。計(jì)算每個(gè)像素點(diǎn)的散射角：其中，α表示每個(gè)像素點(diǎn)表征目標(biāo)散射機(jī)制的散射角，Gφ表示每個(gè)像素點(diǎn)的散射隨機(jī)程度概率，αφ表示目標(biāo)散射類型參量，φ表示特征值的個(gè)數(shù)，φ＝1,2,3。在待分類極化合成孔徑雷達(dá)SAR圖像的每一類地物的上隨機(jī)取像素點(diǎn)，其數(shù)目是圖像總像素點(diǎn)的0.5％，將每一類地物所取像素點(diǎn)所對(duì)應(yīng)的功率圖和散射角分別提取出來，作為訓(xùn)練數(shù)據(jù)，利用訓(xùn)練數(shù)據(jù)計(jì)算散射角和功率圖的聯(lián)合似然概率，得到各像素點(diǎn)的最大似然標(biāo)記，聯(lián)合似然概率公式如下：其中，P(·)表示待分類的極化合成孔徑雷達(dá)SAR圖像中像素的聯(lián)合似然概率，N表示像素s的功率值，G表示像素s的散射角，xs表示像素s的類別標(biāo)記，s表示極化合成孔徑雷達(dá)SAR圖像的像素點(diǎn)，m表示待分類的極化合成孔徑雷達(dá)SAR圖像的類別，m的取值范圍為1,2,…,K，K表示待分類的極化合成孔徑雷達(dá)SAR圖像的總類別數(shù)，σ1m表示第m類的功率值方差，σ2m表示第m類的散射角方差，exp{·}表示求取指數(shù)操作，μ1m表示第m類的功率值均值，μ2m表示第m類的散射角均值。步驟3.劃分區(qū)域。將像素的最大似然標(biāo)記與待分類的極化合成孔徑雷達(dá)SAR圖像中功率值的梯度圖進(jìn)行疊加，得到修正后的梯度圖，對(duì)修正后的梯度圖進(jìn)行分水嶺劃分，得到劃分的區(qū)域。步驟4.標(biāo)定區(qū)域標(biāo)記。第一步，如果劃分區(qū)域中存在像素標(biāo)記相同的像素個(gè)數(shù)達(dá)到二分之一以上，將該像素標(biāo)記標(biāo)定為劃分區(qū)域的標(biāo)記，若劃分區(qū)域中不存在像素標(biāo)記相同的像素個(gè)數(shù)達(dá)到二分之一以上，則執(zhí)行步驟4的第二步，否則，執(zhí)行步驟4的第三步。第二步，找出劃分區(qū)域中相鄰區(qū)域的標(biāo)記最多的類別，將該類別標(biāo)定為劃分區(qū)域的標(biāo)記。第三步，判斷待分類的極化合成孔徑雷達(dá)SAR圖像劃分區(qū)域的標(biāo)記是否全部完成，若否，重復(fù)步驟4的第一步、步驟4的第二步，若是，執(zhí)行步驟5。步驟5.標(biāo)定區(qū)域大小。第一步，依次讀入待分類的極化合成孔徑雷達(dá)SAR圖像中劃分區(qū)域，判斷讀入的劃分區(qū)域的像素個(gè)數(shù)是否大于100，若大于，執(zhí)行步驟5的第二步，否則，執(zhí)行步驟5的第三步。第二步，將讀入的劃分區(qū)域標(biāo)定為大區(qū)域。第三步，將讀入的劃分區(qū)域標(biāo)定為小區(qū)域。第四步，判斷待分類的極化合成孔徑雷達(dá)SAR圖像中劃分區(qū)域的大小標(biāo)記是否全部完成，若否，重復(fù)步驟5的第一步、步驟5的第二步、步驟5的第三步，若是，執(zhí)行步驟6。步驟6.更新區(qū)域標(biāo)記。第一步，用聚類中心公式，計(jì)算每一類的聚類中心：其中，Σi表示極化合成孔徑雷達(dá)SAR圖像中第i類的聚類中心，Ni表示極化合成孔徑雷達(dá)SAR圖像中屬于第i類像素點(diǎn)的總個(gè)數(shù)，Tf表示極化合成孔徑雷達(dá)SAR圖像中屬于第i類像素點(diǎn)的相干矩陣，i表示極化合成孔徑雷達(dá)SAR圖像分類的類別。第二步，依次讀取極化合成孔徑雷達(dá)SAR圖像標(biāo)定的區(qū)域大小，若為小區(qū)域，執(zhí)行步驟6的第三步，否則，執(zhí)行步驟6的第四步。第三步，對(duì)小區(qū)域，用以下最大后驗(yàn)概率公式，得到更新的區(qū)域標(biāo)記：其中，表示小區(qū)域r更新的區(qū)域標(biāo)記，arg表示求取滿足條件的參數(shù)操作，max表示求解參數(shù)最大值的操作，xr表示小區(qū)域r當(dāng)前的區(qū)域標(biāo)記，xr的取值范圍為1,2,…K，K表示極化合成孔徑雷達(dá)SAR圖像所劃分的類別數(shù)，P(yr|xr)表示小區(qū)域的最大后驗(yàn)概率中的似然概率，yr表示小區(qū)域r的觀測數(shù)據(jù)，表示小區(qū)域的最大后驗(yàn)概率中的背景先驗(yàn)概率，表示小區(qū)域r的相鄰區(qū)域，β表示空間平滑參數(shù)，u(xr)表示階躍函數(shù)，L為雷達(dá)的多視參數(shù)，Tr(·)表示矩陣的跡，為第xr類的聚類中心，Tr為區(qū)域r的相干矩陣。第四步，對(duì)大區(qū)域，用以下最大似然概率公式，得到更新的區(qū)域標(biāo)記：其中，表示大區(qū)域更新的區(qū)域標(biāo)記，arg表示求取滿足條件的參數(shù)操作，max表示求解參數(shù)最大值的操作，表示大區(qū)域當(dāng)前的區(qū)域標(biāo)記，的取值范圍為1,2,…K，K表示極化合成孔徑雷達(dá)SAR圖像所劃分的類別數(shù)，表示極化合成孔徑雷達(dá)SAR圖像中大區(qū)域，表示大區(qū)域的最大似然概率中的似然概率，表示大區(qū)域的觀測數(shù)據(jù)。第五步，判斷讀取的極化合成孔徑雷達(dá)SAR圖像區(qū)域是否完成，若否，重復(fù)步驟6的第二步、步驟6的第三步、步驟6的第四步，若是，若是，執(zhí)行步驟6的第六步。第六步，判斷更新的區(qū)域標(biāo)記迭代次數(shù)是否達(dá)到20次，若否，重復(fù)步驟6的第一步、步驟6的第二步、步驟6的第三步、步驟6的第四步、步驟6的第五步，若是，執(zhí)行步驟7。步驟7.用紅色R、綠色G、藍(lán)色B三個(gè)顏色分量作為三基色，根據(jù)三基色原理給步驟6中的區(qū)域標(biāo)記結(jié)果分配顏色，得到彩色分類結(jié)果圖。本發(fā)明的效果可通過以下仿真進(jìn)一步說明。1仿真條件：本發(fā)明的仿真是在主頻2.5GHZ的PentiumDual_CoreCPUE5200、內(nèi)存1.98GB的硬件環(huán)境和MATLABR2010a的軟件環(huán)境下進(jìn)行的。2仿真內(nèi)容：圖2為本發(fā)明和現(xiàn)有的Region-based-WMRF分類方法，在Flevoland極化合成孔徑雷達(dá)SAR測試圖像上的仿真示意圖，其中，圖2(a)為仿真中使用的原始Flevoland極化合成孔徑雷達(dá)SAR測試圖像，于1989年8月16日由NASA/JPLAIRSAR雷達(dá)系統(tǒng)獲取，大小為750×1024，雷達(dá)的多視參數(shù)L為4。圖2(b)為用現(xiàn)有的Region-based-WMRF分類方法對(duì)圖2(a)測試圖像的分類仿真結(jié)果圖，圖2(c)為用本發(fā)明對(duì)圖2(a)測試圖像的分類仿真結(jié)果圖。圖3為本發(fā)明和現(xiàn)有的Region-based-WMRF分類方法，在SanFranciscobay極化合成孔徑雷達(dá)SAR測試上的圖像仿真示意圖，其中，圖3(a)為仿真中使用的原始SanFranciscobay極化合成孔徑雷達(dá)SAR測試圖像，于1994年10月3日由NASA/JPLARISAR雷達(dá)系統(tǒng)獲取，大小為900×1024，雷達(dá)的多視參數(shù)L為4。圖3(b)為用現(xiàn)有的Region-based-WMRF分類方法對(duì)圖3(a)測試圖像的分類仿真結(jié)果圖，圖3(c)為用本發(fā)明對(duì)圖3(a)測試圖像的分類仿真結(jié)果圖。3仿真效果分析：圖2(b)為用現(xiàn)有的Region-based-WMRF分類方法對(duì)圖2(a)測試圖像的分類仿真結(jié)果圖。由圖2(b)的仿真結(jié)果可以看到，對(duì)于同質(zhì)區(qū)域保持有一定的改善，但塊效應(yīng)明顯，孤立小區(qū)域多，邊緣邊界的清晰性和細(xì)節(jié)完整性都比較差。圖2(c)為用本發(fā)明對(duì)圖2(a)測試圖像的分類仿真結(jié)果圖。由圖2(c)的仿真結(jié)果可以看到，本發(fā)明的分類結(jié)果從視覺上具有更好地分類性能，能有效區(qū)分各類地物，區(qū)域一致性明顯改善，不同區(qū)域之間分類后的邊緣更加平滑清晰，細(xì)節(jié)信息完整。圖3(b)為用現(xiàn)有的Region-based-WMRF分類方法對(duì)圖3(a)測試圖像的分類仿真結(jié)果圖，由圖3(b)的仿真結(jié)果可以看到，有明顯的小區(qū)域存在，并且地物邊緣不平滑；圖3(c)為用本發(fā)明對(duì)圖3(a)測試圖像的分類仿真結(jié)果圖，由圖3(c)的仿真結(jié)果可以看到，本發(fā)明的結(jié)果明顯好于現(xiàn)有的Region-based-WMRF分類的結(jié)果，分類圖中地物細(xì)節(jié)保留完整，圖像視覺效果較好，區(qū)域的保持更加完整且更加精確。