本發(fā)明涉及一種非監(jiān)督分類方法，具體地，涉及一種基于相干譜參數(shù)的極化干涉SAR圖像非監(jiān)督分類方法。

背景技術(shù)：

全極化SAR(PolSAR)圖像分類所面臨的最重要的問題是：如何根據(jù)目標(biāo)散射機(jī)理，非監(jiān)督地將全極化SAR圖像快速準(zhǔn)確的分為不同的類別。

目前，工程上普遍采用的方法包括：基于Cloude-pottier分解與Wishart最大似然聚類相結(jié)合的方法和基于Freeman-Durden分解與Wishart最大似然聚類相結(jié)合的方法。其中，Cloude-pottier分解與Wishart最大似然聚類相結(jié)合的方法首先利用特征值分解計算三個參數(shù)，計算速度慢；另外在分類過程中根據(jù)特征參數(shù)的經(jīng)驗門限將數(shù)據(jù)分類，分類性能受到了硬門限設(shè)置值的影響?；贔reeman-Durden分解與Wishart最大似然聚類相結(jié)合的方法廣泛適用于對稱性反射條件分解多波段自然分布目標(biāo)區(qū)域的PolSAR圖像，計算速度快，但算法假設(shè)極化后向散射必須滿足互易對稱條件，這種假設(shè)會造成植被過估計現(xiàn)象，如城市地區(qū)傾斜45°的人造建筑物將被識別為森林。

綜上所示，正確的區(qū)分有向性傾斜的建筑物和森林，解決植被估計現(xiàn)象成為基于Freeman分解的分類方法的重要問題。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于相干譜參數(shù)的極化干涉SAR圖像非監(jiān)督分類方法，其可以區(qū)分有向性傾斜的建筑物和森林，解決植被過估計問題，實現(xiàn)極化圖像的快速準(zhǔn)確分類。

根據(jù)本發(fā)明的一個方面，提供一種基于相干譜參數(shù)的極化干涉SAR圖像非監(jiān)督分類方法，其特征在于，包括以下步驟：

步驟一：對干涉得到的主輔兩幅極化SAR圖像進(jìn)行去取向和相干斑抑制；

步驟二：對極化SAR圖像進(jìn)行Freeman分解，計算表面散射P_s、偶次散射P_d和體散射功率P_v，根據(jù)P_s、P_d和P_v的大小，對目標(biāo)進(jìn)行預(yù)分類，將目標(biāo)像素劃分到表面散射、偶次散射和體散射三個大類中；

步驟三：由極化干涉SAR相干矩陣計算最優(yōu)相干系數(shù)γ_opt1、γ_opt2和γ_opt3，進(jìn)而計算需要的極化干涉相干譜參數(shù)；根據(jù)極化干涉相干譜參數(shù)的取值，將每大類進(jìn)行細(xì)分為9類，整幅圖像被分為27類；

步驟四：根據(jù)每個像素主導(dǎo)散射機(jī)制的個數(shù)，將整幅圖像合并為16類；

步驟五：基于Wishart距離對像素進(jìn)行最大似然分類，同時進(jìn)行類的聚合，直到達(dá)到迭代終止條件；

步驟六：對分類結(jié)果進(jìn)行配色，配色采用相同散射機(jī)制用同色系的不同顏色表示。

優(yōu)選地，所述步驟二利用極化干涉最優(yōu)譜參數(shù)對極化SAR圖像進(jìn)行Freeman分解。

優(yōu)選地，所述步驟六利用Wishart聚類得到最終的分類結(jié)果。

優(yōu)選地，所述步驟五基于Wishart距離對像素進(jìn)行最大似然分類，同時進(jìn)行類的聚合，直到達(dá)到迭代終止條件；對分類結(jié)果進(jìn)行配色，配色采用相同散射機(jī)制用同色系的不同顏色表示。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：本發(fā)明提供的極化干涉SAR圖像分類方法，首先利用Freeman分解得到初始分類結(jié)果，整幅圖像被分為體散射、偶次散射和Bragg散射三大類。然后引入極化干涉信息計算極化相干最優(yōu)譜參數(shù)，該參數(shù)能夠估計獨立相干散射機(jī)制的數(shù)目，根據(jù)該參數(shù)將每個大類的細(xì)分為9類，整幅圖像被分為27類。最后根據(jù)每類的散射機(jī)制的特性將將整幅圖像合并為16類，得到了初始分類結(jié)果。計算初始類的類中心后利用Wishart最大似然聚類，得到最后的分類結(jié)果。

附圖說明

通過閱讀參照以下附圖對非限制性實施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯：

圖1為本發(fā)明總體流程的示意圖；

圖2為A₁/A₂平面劃分示意圖；

圖3為基于極化干涉最優(yōu)熵的POLINSAR分類流程圖；

圖4(a)、圖4(b)、圖4(c)、圖4(d)為實施示例Oberpfafenhoffen地區(qū)的參考圖像示意圖，圖4(a)采用光學(xué)圖像，圖4(b)為Pauli基合成圖，圖4(c)采用單通道極化圖像，圖4(d)選取的不同地物類型分布；

圖5(a)、圖5(b)為實施示例初始分類結(jié)果示意圖，圖5(a)為初始三大類結(jié)果，圖5(b)采用A1/A2格式；

圖6(a)、圖6(b)、圖6(c)、圖6(d)為實施示例分類結(jié)果對比圖，圖6(a)為基于能量的初始分類結(jié)果，圖6(b)為本文算法的初始分類結(jié)果，圖6(c)為基于能量的分類結(jié)果，圖6(d)為本發(fā)明算法的分類結(jié)果；

圖7(a)、圖7(b)、圖7(c)為實施示例分類結(jié)果細(xì)節(jié)對比圖，圖7(a)采用光學(xué)對比圖像，圖7(b)采用基于能量的方法，圖7(c)采用本發(fā)明的方法。

具體實施方式

下面結(jié)合具體實施例對本發(fā)明進(jìn)行詳細(xì)說明。以下實施例將有助于本領(lǐng)域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明的保護(hù)范圍。

如圖1所示，本發(fā)明包括以下步驟：

步驟101：對干涉得到的主輔兩幅極化SAR圖像進(jìn)行去取向和相干斑抑制。

步驟102：對極化SAR圖像進(jìn)行Freeman分解，計算P_s、P_d和P_v，即表面散射、偶次散射和體散射功率，根據(jù)P_s、P_d和P_v的大小，對目標(biāo)進(jìn)行預(yù)分類，將目標(biāo)像素劃分到表面散射、偶次散射和體散射三個大類中。所述步驟二利用極化干涉最優(yōu)譜參數(shù)對極化SAR圖像進(jìn)行Freeman分解。

具體地，F(xiàn)reeman-Durden分解是一種以三分量散射機(jī)理模型為基礎(chǔ)的非相干目標(biāo)分解方法。該目標(biāo)分解方法將目標(biāo)極化協(xié)方差矩陣分解成三種散射機(jī)制的和，這三種散射機(jī)制分別為體散射、偶次散射和一階Bragg表面散射。為了更精確的計算三種散射機(jī)制的成分，首先對得到的全級化數(shù)據(jù)進(jìn)行去取向處理。假設(shè)散射體關(guān)于雷達(dá)視線的取向是隨機(jī)的，取向角為θ，通過基變換公式，可以得到散射體的散射矩陣為如下式(1)：

矢量化得到旋轉(zhuǎn)后的相干矩陣為如下式(2)：

先根據(jù)去取向理論，將目標(biāo)向量旋轉(zhuǎn)到最小交叉極化方向，此時如下式(3)：

將式(3)的結(jié)果帶入式(1)中得到去取向后的全級化散射矩陣。對體散射，假設(shè)雷達(dá)回波是由一些隨機(jī)取向的細(xì)長偶極子的粒子云反射得到，這種模型的典型地物是由大量枝葉組成的植被區(qū)域。體散射的協(xié)方差矩陣可以表示為如下式(4)：

其中，f_v對應(yīng)體散射分量的權(quán)重系數(shù)。偶次散射可建模成二面角反射器的散射，二面角反射器的兩個散射面可由不同的介質(zhì)構(gòu)成，這種散射模型的代表地物有：森林中樹干與地面之間的散射、城市中墻壁與地面間的散射。偶次散射的協(xié)方差矩陣可以表示為如下式(5)：

其中，α為代表偶次分量成分，f_d對應(yīng)偶次散射分量的權(quán)重系數(shù)。表面散射可建模成一階Bragg散射，表面散射模型的代表地物是微小擾動的粗糙表面和波浪的水面。表面散射的協(xié)方差矩陣可以表示為如下式(6)：

f_s對應(yīng)偶次散射分量的權(quán)重系數(shù)。假設(shè)滿足后向散射滿足互易條件，且同極化與交叉極化不相關(guān)，若進(jìn)一步假設(shè)體散射、偶次散射及表面散射互不相關(guān)，則總散射的協(xié)方差矩陣可被分解為如下式(7)：

<C>＝f_s<[C_s]>+f_d<[C_d]>+f_v<[C_v]> (7)

其中C是將式(1)矢量化后得到的協(xié)方差矩陣，將式(4)(5)和(6)帶入公式(7)中，可以得到四個方程，五個未知數(shù)(α、β、f_s、f_v和f_d)。根據(jù)Re([S_hhS_vv^*])的符號確定主導(dǎo)散射機(jī)制是偶次散射還是表面散射，從而求得五個未知數(shù)的值。求得參數(shù)后，可以計算三種散射機(jī)制的功率，如下式(8)：

P_s＝f_s(1+|β|²) (8)

P_d＝f_d(1+|β|²)

P_v＝8f_v/3

根據(jù)計算得到的P_s、P_d和P_v，比較三種散射機(jī)理對目標(biāo)貢獻(xiàn)量的大小，使用散射功率最大的散射機(jī)理作為當(dāng)前目標(biāo)的散射機(jī)理，這樣就可以將目標(biāo)分為體散射、偶次散射和表面散射三類。

步驟103：由極化干涉SAR相干矩陣計算最優(yōu)相干系數(shù)γ_opt1、γ_opt2和γ_opt3，進(jìn)而計算需要的極化干涉相干譜參數(shù)。根據(jù)極化干涉相干譜參數(shù)的取值，將每大類進(jìn)行細(xì)分為9類，整幅圖像被分為27類。

具體地，根據(jù)極化干涉幅度相干最優(yōu)理論得到的極化干涉最優(yōu)相干系數(shù)，可定義不同的極化干涉最優(yōu)相干譜參數(shù)。極化干涉最優(yōu)相干譜參數(shù)采用如下式(9)和(10)：

式中，p_opt,1、p_opt,2和p_opt,3由三個最優(yōu)相干系數(shù)γ_opt,1、γ_opt,2和γ_opt,3計算得到如下式(11)：

A₁和A₂表明不同的最優(yōu)化通道中的相干系數(shù)的相對幅度變化。A₁和A₂的取值能估計獨立相干散射機(jī)制的數(shù)目，根據(jù)A₁和A₂的取值，可將A₁/A₂平面劃分為9個區(qū)域，每個區(qū)域由不同數(shù)目的散射機(jī)制起主導(dǎo)作用，圖2給出了A₁/A₂平面劃分示意圖。

基于Freeman分解的全極化Wishart非監(jiān)督分類算法先根據(jù)式(8)確定每個像素點的主導(dǎo)散射機(jī)制，將圖像分為三大類，再根據(jù)能量將每大類進(jìn)行細(xì)分得到最終的分類結(jié)果。這種方法假定每個像素點至少有一種主導(dǎo)散射機(jī)制，并且不考慮其他散射機(jī)制對主導(dǎo)散射機(jī)制的影響。實際上，首先不同的地物的極化回波特征有可能相似，如建筑物和森林，所以在地物初始分類是有可能就是錯誤的；其次，像素點是有多種散射機(jī)制共同作用的結(jié)果，僅僅區(qū)分主導(dǎo)散射機(jī)制是不夠的；另外，地物回波的主導(dǎo)散射機(jī)制可能不只是一個，有必要對有兩種散射機(jī)制或存在三種散射機(jī)制的情況進(jìn)行考慮。極化干涉最優(yōu)相干譜參數(shù)能作為極化信息的有益補(bǔ)充，體現(xiàn)不同區(qū)域相干散射特性的特征，有助于我們理解地物散射機(jī)制。如，盡管森林和城市區(qū)域建筑物的極化回波相似但有效相干散射機(jī)制的個數(shù)不同，利用極化干涉SAR數(shù)據(jù)可以區(qū)分有向性傾斜的建筑物和森林，解決植被過估計問題。利用極化干涉最優(yōu)相干譜參數(shù)進(jìn)行地物分類，能夠在一定程度上解決初始分類錯誤的問題，而且充分利用主導(dǎo)散射機(jī)制的個數(shù)這一物理散射機(jī)理對圖像進(jìn)行細(xì)分，能得到較好的分類結(jié)果。

步驟104：根據(jù)每個像素主導(dǎo)散射機(jī)制的個數(shù)，按照圖3的流程將整幅圖像合并為16類。

具體地，利用極化干涉最優(yōu)相干譜參數(shù)進(jìn)行地物分類時，先根據(jù)Freeman 分解得到體散射、表面散射和偶次散射三大類，然后根據(jù)最優(yōu)相干譜參數(shù)將每個極化分解的大類分為如圖2所示的9類，整幅圖像共計被分為27類，這27類每一類都對應(yīng)著特定的物理散射機(jī)制。例如，表面散射的第一類表示該像素點只有表面散射一種主導(dǎo)散射機(jī)制，并且不受其他散射機(jī)制的影響。這27類中只有一種主導(dǎo)散射機(jī)制且不受其他兩種機(jī)制影響的類有3類，只有一種主導(dǎo)散射機(jī)制且受第二種散射機(jī)制影響的類有3類，只有一種主導(dǎo)散射機(jī)制且受其他兩種散射機(jī)制影響的類有3類。這9類不做合并處理。有兩種散射機(jī)制共同作用且不受其第三種散射機(jī)制影響的類有6類，將這六類6類按照主導(dǎo)的兩類散射機(jī)制合并為3類。有兩種散射機(jī)制共同作用且受其第三種散射機(jī)制影響的類有6類，將這六類6類按照主導(dǎo)的兩類散射機(jī)制合并為3類。有三種散射機(jī)制共同作用且作用相當(dāng)?shù)念愑?類，將這三類合并為1類，整幅圖像共合并為16類。具體流程如圖3所示。根據(jù)三大類中每小類的物理散射機(jī)制的意義對圖像的總的分類個數(shù)進(jìn)行合并。這種分類方法更符合物理意義，能得到更好的分類效果。

步驟105：基于Wishart距離對像素進(jìn)行最大似然分類，同時進(jìn)行類的聚合，直到達(dá)到迭代終止條件。所述步驟五基于Wishart距離對像素進(jìn)行最大似然分類，同時進(jìn)行類的聚合，直到達(dá)到迭代終止條件；對分類結(jié)果進(jìn)行配色，配色采用相同散射機(jī)制用同色系的不同顏色表示。

步驟106：對分類結(jié)果進(jìn)行配色，配色采用相同散射機(jī)制用同色系的不同顏色表示。所述步驟六利用Wishart聚類得到最終的分類結(jié)果。

下面結(jié)合實施例對本發(fā)明再作進(jìn)一步詳細(xì)的描述。

實施實例：利用實測數(shù)據(jù)進(jìn)行極化干涉分類及結(jié)果分析

采取ESAR在德國Oberpfafenhoffen地區(qū)獲取的L波段極化干涉數(shù)據(jù)進(jìn)行實驗?zāi)姆N極化方式獲得的干涉圖像，并給出該圖像作為參考。數(shù)據(jù)大小為1300×1200，該區(qū)域包含若干典型地物，如道路、建筑、森林和農(nóng)田，圖4所示的是實驗數(shù)據(jù)的光學(xué)圖像。

圖4(a)中紅框圈出區(qū)域一和區(qū)域二為傾斜的建筑物，圖4(b)和圖4(c)的全極化彩色合成圖像和單通道雷達(dá)圖像都無法區(qū)分森林和該區(qū)域的建筑物。紅框圈出的區(qū)域三為道路和道路兩旁的草地。通過對比這三個區(qū)域的分類結(jié)果可以有效評估本文算法的有效性。按照圖3所示的流程對極化干涉數(shù)據(jù)進(jìn)行初始分類，得到的初始三大類的結(jié)果如圖5所示。

按照圖3所示的流程對極化干涉數(shù)據(jù)進(jìn)行初始分類，得到的初始三大類的結(jié)果如圖5(a)所示。圖5(a)中藍(lán)色代表表面散射類，紅色代表偶次散射類和綠色表示體散射類。

可以看出，圖像左上角的森林區(qū)域顯示為綠色，說明體散射占主導(dǎo)地位，圖像中間部分顯示紅色的區(qū)域為偶次散射分量主導(dǎo)的城區(qū)，圖像下部分的跑道區(qū)域以表面散射為主，呈現(xiàn)藍(lán)色。對比光學(xué)圖像，區(qū)域一和區(qū)域二圈出的城區(qū)地區(qū)的建筑物被分為體散射類，植被存在過估計現(xiàn)象。根據(jù)式(9)和(10)計算的極化干涉最優(yōu)譜參數(shù)A1和A2，由最優(yōu)譜參數(shù)的密度分布情況自適應(yīng)的選擇門限值，可以將圖像劃分為9類，如圖5(b)所示。圖5(b)的每一類都代表不同散射機(jī)制的個數(shù)。由圖5(b)可以看出森林和區(qū)域一圈出的區(qū)域得到了有效的區(qū)分，另外道路和草地也可以得到明顯劃分。這一結(jié)果也驗證了利用極化干涉最優(yōu)相干譜參數(shù)可以解決植被過估計問題，也可以有效區(qū)分草地和道路。

對比2004年Lee提出的基于能量將每個初始分類各分為10類后合并到所需的類數(shù)，由于傾斜的偶次散射與植被的回波能量相近，所以很難區(qū)分植被與建筑物。本文基于極化干涉最優(yōu)譜參數(shù)對初始類進(jìn)行細(xì)分，城市和植被的相干散射機(jī)制的個數(shù)不同，所以在一定情況下可以抑制植被過估計現(xiàn)象，兩種算法的分類結(jié)果如圖6所示：

對比圖6(a)和圖6(b)可以看出，初始分類結(jié)果本文提出極化干涉分類算法好于基于能量的極化分類算法。首先紅色區(qū)域圈住的道路和草地得到了很好的區(qū)分，其次區(qū)域一和區(qū)域三圈出的建筑物不再被識別為森林?；跇O化干涉信息的初始分類結(jié)果在一定程度上可以有效抑制植被過估計現(xiàn)象。初始分類結(jié)果對最終分類結(jié)果有著決定性影響，因為優(yōu)化迭代的初始值為初始類的類中心。

對初始分類結(jié)果進(jìn)行類內(nèi)迭代，得到最后的分類結(jié)果如圖6(c)和圖6(d)所示。圖中整幅圖像被分為16類，4種預(yù)設(shè)的紅色表示偶次散射，4種預(yù)設(shè)的綠色表示體散射，7種預(yù)設(shè)的棕色表示表面散射，白色表示道路信息。圖中植被過估計現(xiàn)象得到明顯改善。為了定量的分析本文提出方法的有效性，本文選取了不同地物的區(qū)域分別計算Lee提出的基于能量的極化SAR分類精度和本文提出算法的分類精度。圖6(d)給出了選取的不同代表性區(qū)域的位置分布，不用代表性區(qū)域分別代表森林，城市，機(jī)場跑道，農(nóng)田及草地。

表1給出了本文提出的極化干涉SAR分類及基于極化SAR分類的精度，其中，分類精度的定義為如下式(12)：

總體精度的定義為如下式(13)：

式(13)中，N是選取的區(qū)域的個數(shù)，Acc_i是第i個區(qū)域的分類精度，p_i是第i個區(qū)域的總像素個數(shù)。

表1兩種分類方法的分類精度比較表

由表1可知，對各種類型的地物，本文提出方法的分類精度都比的Freeman-Wishart非監(jiān)督分類算法分類結(jié)果的精度高。綜上分析，文中提出基于極化干涉最優(yōu)譜參數(shù)的Freeman-Wishart非監(jiān)督分類算法能有效改善分類性能，得到較精確的分類結(jié)果。為了更好的分析，截取圖6(a)中紅色區(qū)域圈出的三個區(qū)域進(jìn)行兩種算法的對比分析，細(xì)節(jié)對比圖如圖7所示

對比光學(xué)圖像可以看出，基于能量的Freeman-Wishart非監(jiān)督分類算法的植被過估計現(xiàn)象嚴(yán)重。對比上圖可以看出，基于極化干涉最優(yōu)譜參數(shù)的Freeman-Wishart非監(jiān)督分類算法能有效抑制植被估計現(xiàn)象。另外，極化干涉最優(yōu)譜參數(shù)的Freeman-Wishart非監(jiān)督分類算法得到的高速路更清晰，不同散射機(jī)制的區(qū)分更加明顯。

本發(fā)明利用Freeman-Durden分解得到初始分類結(jié)果，整幅圖像被分為體散射、偶次散射和表面散射3大類；然后引入極化干涉信息計算極化相干最優(yōu)譜參數(shù)，該參數(shù)能夠估計獨立相干散射機(jī)制的數(shù)目，根據(jù)該參數(shù)將每個大類的細(xì)分為9類，整幅圖像被分為27類；根據(jù)每類的散射機(jī)制的特性將將整幅圖像合并為16類，得到了初始分類結(jié)果；計算初始類的類中心后利用Wishart最大似然聚類，得到最后的分類結(jié)果。采用本發(fā)明的方法，利用極化干涉SAR數(shù)據(jù)可以區(qū)分有向性傾斜的建筑物和森林，解決植被過估計問題，有效的區(qū)分城市地區(qū)的植被和建筑物。

以上對本發(fā)明的具體實施例進(jìn)行了描述。需要理解的是，本發(fā)明并不局限于上述特定實施方式，本領(lǐng)域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實質(zhì)內(nèi)容。