CN103839073A - 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 - Google Patents
一种基于极化特征和近邻传播聚类的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN103839073A CN103839073A CN201410055001.6A CN201410055001A CN103839073A CN 103839073 A CN103839073 A CN 103839073A CN 201410055001 A CN201410055001 A CN 201410055001A CN 103839073 A CN103839073 A CN 103839073A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pixel
- rang
- lang
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于极化特征和近邻传播聚类的极化SAR图像分类方法,主要解决现有无监督极化SAR分类方法分类精度不高的问题。其实现步骤为:对每个像素点进行特征分解和Freeman分解,提取像素点的三种系数和四种散射功率;根据获得的系数和散射功率对图像进行划分,得到7种类别;对获得的每一类,利用数据分布特征将其分成3个小类;对得到的21个类别计算相似度矩阵,然后用近邻传播聚类对其聚类,得到图像的预分类结果;最后,对预分类得到的图像用Wishart分类器进行迭代分类,得到最终分类结果。本发明与经典分类方法相比,对极化SAR图像的划分更加严谨,分类效果更佳,计算复杂度相对较小,可用于对极化SAR图像的进行地物分类和目标识别。
Description
技术领域
本发明属于图像处理技术领域,涉及极化SAR图像地物分类领域的应用,具体的说是一种基于极化特征和近邻传播聚类的极化SAR图像分类方法。
背景技术
极化SAR雷达能够得到更丰富的目标信息,在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值,如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测,目标检测和海洋污染检测等。极化SAR图像分类的目的是利用机载或星载极化传感器获得的极化测量数据,确定每个像素所属的类别。经典的极化SAR分类方法包括:
Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法,见Cloude S R,Pottier E.An entropy based classification scheme for land applications ofpolarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997,35(1):549-557.该方法主要是通过Cloude分解提取两个表征极化数据的特征H和α,然后根据H/α平面将极化图像划分为9个区域,其中一个理论上不可能存在的区域,因此最终将图像划分为8类。H/α分类存在的两个缺陷:一个是区域的划分过于武断;另一个是当同一个区域里共存几种不同的地物时,将不能有效区分。
Lee等人提出了基于H/α目标分解和Wishart分类器的H/α-Wishart非监督分类方法,见Lee J S,Grunes M R,Ainsworth T L,eta1.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].IEEE Trans.Geosci.Remote Sensing.1999,37(5):2249-2258.该方法是在原始H/α分类基础上增加了Wishart迭代,主要是对H/α划分后的8类利用Wishart分类器对每一个像素进行重新划分,从而有效的提高了分类的精度,但是又存在不能很好的保持各类的极化散射特性的不足。
近邻传播聚类是近年出现的一种在数据挖掘领域极具竞争力的聚类算法,相比较于传统聚类算法,近邻传播聚类方法能够在较短时间内完成大规模多类别数据集的聚类,并且该算法能够很好地解决非欧空间问题。然而该算法在应用到图像分割领域时,计算量和存储量是难以承受的,严重阻碍了该算法的性能发挥。
上述图像处理方法未能体现极化SAR数据的分布特性;也没有减少了近邻传播聚类算法的计算量和存储量;且不能根据图像的具体情况对图像自适应的进行聚类。
发明内容
本发明的目的在于针对已有技术的不足,提出一种基于极化特征和近邻传播聚类的极化SAR图像分类方法,可用于对极化SAR图像的地物分类和目标识别分类效果进行提高。
为实现上述目的,本发明技术方案是:一种基于极化特征和近邻传播聚类的极化SAR图像分类方法,其特征是:包括如下步骤:
(1)对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解,得到每个像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr;
(2)对待分类的极化SAR图像中每个像素点进行Freeman分解,得到每个像素点的表面散射功率Ps,二面角散射功率Pd,体散射功率Pv;
(3)根据每个像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr,对待分类的极化SAR图像进行初始划分:根据max(ρs,ρd,ρv)的值的大小,将待分类的极化SAR图像数据初始划分为7类,即当max(ρs,ρd,ρv)=ρs时,认为只有一种主散射机制,将max(Ps,Pd,Pv)=Ps的对应像素点划分为Ps类,将max(Ps,Pd,Pv)=Pd的对应像素点划分为Pd类,将max(Ps,Pd,Pv)=Pv对应像素点划分为Pv类;当max(ρs,ρd,ρv)=ρd时,认为同时存在两种主散射机制,将min(Ps,Pd,Pv)=Ps的对应像素点划分为PdPv类,将min(Ps,Pd,Pv)=Pd的对应像素点划分为PsPv类,将min(Ps,Pd,Pv)=Pv对应像素点划分为PsPd类;当max(ρs,ρd,ρv)=ρv时,认为三种散射同时存在,将对应的像素点划分为PsPdPv类;
(4)对得到的7类初始划分结果,计算每一类中每个像素点的分布特征参数χL:
(4a)将每个像素点及其周围的像素点总共九个像素点作为一个小区域,计算该区域的相对峰值RK:
其中,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,|·|表示取这个数的模值,E{·}表示取这个数的均值;
(4b)根据相对峰值RK,计算分布特征参数χL:
其中,L为极化SAR图像的视数,d为向量维数,取d=3;
(5)根据分布特征参数χL的值进一步将每一类划分结果划分为三类:如果χL<25,将其对应的像素点划分为一类,如果25<χL<75,将其对应的像素点划分为一类,如果χL>75,将其对应的像素点划分为一类,从而将整个极化SAR图像划分为21类别;
(6)利用划分后得到的21个类别,计算每一个小类别的平均聚类中心Vu:
其中Tκ是第u个小类别中各像素点的相干矩阵,mu是属于第u个小类别中像素点的个数;
(7)对极化SAR图像每个像素点的相干矩阵T进行四分量分解,得到整幅图像的特征空间F;
(8)根据每一类得到的平均聚类中心Vu,构造每一类的相似度矩阵W,新相似度矩阵W中的每一个元素W(i,j)为:
其中,
dij是平均聚类中心Vi和Vj坐标的欧式距离,t1t2为常数,dF(Fi,Fj)是特征向量Fi和Fj坐标的欧式距离, Tr(·)是矩阵的迹,(·)-1是矩阵的逆,i=1,...,21,j=1,...,21;
(9)根据相似度矩阵W,构造拉普拉斯矩阵L:
其中D是对角矩阵,对角矩阵D上的每一个元素Dij为:
(10)对拉普拉斯矩阵L进行特征值分解,得到前k个最大特征值对应的特征向量x1,x2,...,xk,形成特征向量矩阵X=[x1,x2,...,xk];
(11)用近邻传播聚类对特征向量矩阵X进行聚类,得到整幅图像的预分类结果;
(12)对预分类得到的整幅图像用K-Wishart分类器进行迭代分类,得到最终的分类结果。
上述发明方法中,步骤(1)所述的对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解,按如下步骤进行:
(1a)读入图像的每个像素点,这些像素点为一个含有9个元素的3×3相干矩阵T;
其中,H表示水平极化,V表示垂直极化,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,()*表示这个数据的共轭,〈·〉表示按视数平均;
(1b)将相干矩阵T进行特征值分解,由于相干矩阵T是一个3×3的矩阵,故分解后得到相干矩阵T的特征值为λ1,λ2,λ3;
(1c)根据获得的特征值λ1,λ2,λ3,计算像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr:
ρs=p1-p2
ρd=2(p2-p3),
ρr=3p3
其中,
其中:步骤(2)所述的对每个像素点进行Freeman分解,按如下步骤进行:
(2a)读入图像的每个像素点,该像素点为一个3×3的相干矩阵T,根据相干矩阵T得到协方差矩阵C;
其中,U是中间变量, H表示水平极化,V表示垂直极化,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,()*表示这个数据的共轭,〈·〉表示按视数平均;
(2b)将协方差矩阵C分解成如下表示:
其中,Fs为平面散射分量的分解系数,Fd为二面角散射分量的分解系数,Fv为体散射分量的分解系数,β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值,α被定义为α=IHIVH/IVIVV,IH和IV分别表示地表的水平及垂直反射系数,IVH和IVV分别表示竖直墙体的水平及垂直反射系数;
(2c)将式2)中矩阵的元素与式1)中协方差矩阵C的元素相对应,获得一个具有五个未知数Fs,Fv,Fd,α,β和四个方程的方程组如下:
(2e)根据求解出的Fs,Fv,Fd,α,β,求解出体散射功率Pv、二面角散射功率Pd和表面散射功率Ps:
其中:步骤(11)所述的用近邻传播聚类对特征向量矩阵X进行聚类,得到整幅图像的预分类结果,按如下步骤进行:
(11a)根据特征向量矩阵X计算新相似矩阵S,
S(i,j)=-||xi-xj||2
(11b)将新相似矩阵S的对角线上的值都设为I,I取值为-1000,将归属度矩阵AS和吸引度矩阵LS初始值设置为0;
(11b)将归属度矩阵AS和吸引度矩阵LS分别赋值给中间变量a和b,即a=AS,b=LS;
(11c)根据新相似度矩阵S和归属度矩阵AS,计算吸引度矩阵LS,吸引度矩阵LS中的每一个元素LSiu:
其中,i=1,...,21,u=1,...,21,φ=1,...,21;
(11d)根据新相似度矩阵S和吸引度矩阵LS,计算归属度矩阵AS,归属度矩阵AS中每一个元素ASiu为;
其中,i=1,...,21,u=1,...,21,φ=1,...,21;
(11e)更新归属度矩阵AS和吸引度矩阵LS:根据已获得的归属度矩阵AS和吸引度矩阵LS,则中间变量g=(1-λ)×AS+λ×a,中间变量f=(1-λ)×LS+λ×b,再令AS=g,LS=f,更新归属度矩阵AS和吸引度矩阵LS,其中,λ是收敛系数,λ∈[0.5,1);
(11g)重复步骤(11b)-(11e),直到迭代次数等于给定的迭代次数n,其中n=1000,根据LS(u,u)+AS(u,u)的值判断u是否为聚类中心,如果LS(u,u)+AS(u,u)>0,则u是聚类中心,反之,u不是聚类中心,u=1,...,21,从而获得预分类结果。
其中:步骤(12)所述的对预分类得到的整幅图像用Wishart分类器进行迭代分类,按如下步骤进行:
(12a)对整幅图像预分类得到的结果,计算每一类的聚类中心Bc:
其中Tρ是第c类中各像素点的相干矩阵,nc是属于第c类的像素点的个数,k为预分类得到的类别数;
(12b)根据下式计算每个像素点的分布特征参数χL:
其中,L为极化SAR图像的视数,q为向量维数,取q=3,RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值,RK定义如下:
其中,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,|·|表示取这个数的模值,E{·}表示取这个数的均值;
(12c)根据每个像素点的分布特征参数χL,计算每个像素点到第i类聚类中心Vi的距离d(〈C〉,Vi):
其中C是像素点的协方差矩阵,〈·〉表示按视数平均,[·]表示矩阵的行列式,Tr(·)表示矩阵的迹,Vi -1表示对聚类中心Vi求逆,Γ(·)表示Gamma函数,表示(χL-qL)阶的第二类修正贝塞尔函数,L为图像的视数,q为向量维数,取q=3;
(12e)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分:如果d(〈C〉,Bτ)≤d(〈C〉,Bψ),则将该像素点划分为第τ类,如果d(〈C〉,Bτ)>d(〈C〉,Bψ),则将该像素点划分为第ψ类,其中d(〈C〉,Bτ)是像素点到第τ类聚类中心的距离,d(〈C〉,Bψ)是像素点到第ψ类聚类中心的距离,τ,ψ=1,...,8,τ≠ψ;
(12f)重复步骤(12a)-(12e)直到迭代次数等于给定的迭代次数μ,其中μ=3,得到更为准确的分类结果。
本发明技术效果和优点如下:本发明采用对每个像素点进行特征分解和Freeman分解,提取像素点的三种系数和三种散射功率;根据获得的系数和散射功率对图像进行划分,得到7种类别;对获得的每一类,利用数据分布特征将其分成3个小类;对得到的21个类别计算相似度矩阵,然后用近邻传播聚类对其聚类,得到图像的预分类结果;最后,对预分类得到的图像用Wishart分类器进行迭代分类,得到最终分类结果;并且具有以下优点:
1.本发明用改进的Wishart距离代替传统的欧式距离计算像素点的相似性,更能体现极化SAR数据的分布特性;
2.本发明先对极化SAR图像划分成7类,将划分得到的区域,作为近邻传播聚类的输入数据点,减少了近邻传播聚类算法的计算量和存储量;
3.本发明由于采用了近邻传播聚类算法,因此可根据图像的具体情况对图像自适应的进行聚类。
4.对极化SAR图像的划分更加严谨,分类效果更佳,计算复杂度相对较小,可用于对极化SAR图像的进行地物分类和目标识别。
附图说明
下面结合实施例附图对本发明的具体实施方式予以详细描述。
图1是本发明的总流程图;
图2是本发明仿真使用的旧金山极化SAR数据的PauliRGB合成图;
图3是用现有H/α分类方法对图3的分类结果图;
图4是用现有H/α/wishart分类方法对图3的分类结果;
图5是用本发明对图3的分类结果。
具体实施方式
实施例1,参照附图1描述,具体实现步骤如下:
一种基于极化特征和近邻传播聚类的极化SAR图像分类方法,包括如下步骤:
(1)对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解,得到每个像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr;
(2)对待分类的极化SAR图像中每个像素点进行Freeman分解,得到每个像素点的表面散射功率Ps,二面角散射功率Pd,体散射功率Pv;
(3)根据每个像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr,对待分类的极化SAR图像进行初始划分:根据max(ρs,ρd,ρv)的值的大小,将待分类的极化SAR图像数据初始划分为7类,即当max(ρs,ρd,ρv)=ρs时,认为只有一种主散射机制,将max(Ps,Pd,Pv)=Ps的对应像素点划分为Ps类,将max(Ps,Pd,Pv)=Pd的对应像素点划分为Pd类,将max(Ps,Pd,Pv)=Pv对应像素点划分为Pv类;当max(ρs,ρd,ρv)=ρd时,认为同时存在两种主散射机制,将min(Ps,Pd,Pv)=Ps的对应像素点划分为PdPv类,将min(Ps,Pd,Pv)=Pd的对应像素点划分为PsPv类,将min(Ps,Pd,Pv)=Pv对应像素点划分为PsPd类;当max(ρs,ρd,ρv)=ρv时,认为三种散射同时存在,将对应的像素点划分为PsPdPv类;
(4)对得到的7类初始划分结果,计算每一类中每个像素点的分布特征参数χL:
(4a)将每个像素点及其周围的像素点总共九个像素点作为一个小区域,计算该区域的相对峰值RK:
其中,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,|·|表示取这个数的模值,E{·}表示取这个数的均值;
(4b)根据相对峰值RK,计算分布特征参数χL:
其中,L为极化SAR图像的视数,d为向量维数,取d=3;
(5)根据分布特征参数χL的值进一步将每一类划分结果划分为三类:如果χL<25,将其对应的像素点划分为一类,如果25<χL<75,将其对应的像素点划分为一类,如果χL>75,将其对应的像素点划分为一类,从而将整个极化SAR图像划分为21类别。
(6)利用划分后得到的21个类别,计算每一个小类别的平均聚类中心Vu:
其中Tκ是第u个小类别中各像素点的相干矩阵,mu是属于第u个小类别中像素点的个数;
(7)对极化SAR图像每个像素点的相干矩阵T进行四分量分解,得到整幅图像的特征空间F;
(8)根据每一类得到的平均聚类中心Vu,构造每一类的相似度矩阵W,新相似度矩阵W中的每一个元素W(i,j)为:
其中,
dij是平均聚类中心Vi和Vj坐标的欧式距离,t1t2为常数,dF(Fi,Fj)是特征向量Fi和Fj坐标的欧式距离, Tr(·)是矩阵的迹,(·)-1是矩阵的逆,i=1,...,21,j=1,...,21;
(9)根据相似度矩阵W,构造拉普拉斯矩阵L:
其中D是对角矩阵,对角矩阵D上的每一个元素Dij为:
(10)对拉普拉斯矩阵L进行特征值分解,得到前k个最大特征值对应的特征向量x1,x2,...,xk,形成特征向量矩阵X=[x1,x2,...,xk];
(11)用近邻传播聚类对特征向量矩阵X进行聚类,得到整幅图像的预分类结果;
(12)对预分类得到的整幅图像用K-Wishart分类器进行迭代分类,得到最终的分类结果。
上述图像处理方法体现了极化SAR数据的分布特性;也减少了近邻传播聚类算法的计算量和存储量;且能根据图像的具体情况对图像自适应的进行聚类。
实施例2,结合附图1至5描述。
在实施例1的基础上,对该极化SAR图像分类方法进行细化,其中:
步骤(1)所述的对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解,按如下步骤进行:
(1a)读入图像的每个像素点,这些像素点为一个含有9个元素的3×3相干矩阵T;
其中,H表示水平极化,V表示垂直极化,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,()*表示这个数据的共轭,〈·〉表示按视数平均;
(1b)将相干矩阵T进行特征值分解,由于相干矩阵T是一个3×3的矩阵,故分解后得到相干矩阵T的特征值为λ1,λ2,λ3;
(1c)根据获得的特征值λ1,λ2,λ3,计算像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr:
ρs=p1-p2
ρd=2(p2-p3),
ρr=3p3
其中,
其中:步骤(2)所述的对每个像素点进行Freeman分解,按如下步骤进行:
(2a)读入图像的每个像素点,该像素点为一个3×3的相干矩阵T,根据相干矩阵T得到协方差矩阵C;
其中,U是中间变量, H表示水平极化,V表示垂直极化,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,()*表示这个数据的共轭,〈·〉表示按视数平均;
(2b)将协方差矩阵C分解成如下表示:
其中,Fs为平面散射分量的分解系数,Fd为二面角散射分量的分解系数,Fv为体散射分量的分解系数,β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值,α被定义为α=IHIVH/IVIVV,IH和IV分别表示地表的水平及垂直反射系数,IVH和IVV分别表示竖直墙体的水平及垂直反射系数;
(2c)将式2)中矩阵的元素与式1)中协方差矩阵C的元素相对应,获得一个具有五个未知数Fs,Fv,Fd,α,β和四个方程的方程组如下:
(2e)根据求解出的Fs,Fv,Fd,α,β,求解出体散射功率Pv、二面角散射功率Pd和表面散射功率Ps:
其中:步骤(11)所述的用近邻传播聚类对特征向量矩阵X进行聚类,得到整幅图像的预分类结果,按如下步骤进行:
(11a)根据特征向量矩阵X计算新相似矩阵S,
S(i,j)=-||xi-xj||2
(11b)将新相似矩阵S的对角线上的值都设为I,I取值为-1000,将归属度矩阵AS和吸引度矩阵LS初始值设置为0;
(11b)将归属度矩阵AS和吸引度矩阵LS分别赋值给中间变量a和b,即a=AS,b=LS;
(11c)根据新相似度矩阵S和归属度矩阵AS,计算吸引度矩阵LS,吸引度矩阵LS中的每一个元素LSiu:
其中,i=1,...,21,u=1,...,21,φ=1,...,21;
(11d)根据新相似度矩阵S和吸引度矩阵LS,计算归属度矩阵AS,归属度矩阵AS中每一个元素ASiu为;
其中,i=1,...,21,u=1,...,21,φ=1,...,21;
(11e)更新归属度矩阵AS和吸引度矩阵LS:根据已获得的归属度矩阵AS和吸引度矩阵LS,则中间变量g=(1-λ)×AS+λ×a,中间变量f=(1-λ)×LS+λ×b,再令AS=g,LS=f,更新归属度矩阵AS和吸引度矩阵LS,其中,λ是收敛系数,λ∈[0.5,1);
(11g)重复步骤(11b)-(11e),直到迭代次数等于给定的迭代次数n,其中n=1000,根据LS(u,u)+AS(u,u)的值判断u是否为聚类中心,如果LS(u,u)+AS(u,u)>0,则u是聚类中心,反之,u不是聚类中心,u=1,...,21,从而获得预分类结果。
其中:步骤(12)所述的对预分类得到的整幅图像用Wishart分类器进行迭代分类,按如下步骤进行:
(12a)对整幅图像预分类得到的结果,计算每一类的聚类中心Bc:
其中Tρ是第c类中各像素点的相干矩阵,nc是属于第c类的像素点的个数,k为预分类得到的类别数;
(12b)根据下式计算每个像素点的分布特征参数χL:
其中,L为极化SAR图像的视数,q为向量维数,取q=3,RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值,RK定义如下:
其中,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,|·|表示取这个数的模值,E{·}表示取这个数的均值;
(12c)根据每个像素点的分布特征参数χL,计算每个像素点到第i类聚类中心Vi的距离d(〈C〉,Vi):
其中C是像素点的协方差矩阵,〈·〉表示按视数平均,[·]表示矩阵的行列式,Tr(·)表示矩阵的迹,Vi -1表示对聚类中心Vi求逆,Γ(·)表示Gamma函数,表示(χL-qL)阶的第二类修正贝塞尔函数,L为图像的视数,q为向量维数,取q=3;
(12e)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分:如果d(〈C〉,Bτ)≤d(〈C〉,Bψ),则将该像素点划分为第τ类,如果d(〈C〉,Bτ)>d(〈C〉,Bψ),则将该像素点划分为第ψ类,其中d(〈C〉,Bτ)是像素点到第τ类聚类中心的距离,d(〈C〉,Bψ)是像素点到第ψ类聚类中心的距离,τ,ψ=1,...,8,τ≠ψ;
(12f)重复步骤(12a)-(12e)直到迭代次数等于给定的迭代次数μ,其中μ=3,得到更为准确的分类结果。
该实施例中对极化SAR图像的划分更加严谨,分类效果更佳,计算复杂度相对较小,可用于对极化SAR图像的进行地物分类和目标识别。凡实施例1中未展开描述的步骤均属于现有技术或公知常识,通常通过网络便可得知。
本发明的极化SAR图像分类方法还可以通过下面的实验仿真进一步说明处理效果:
1、实验条件与方法
硬件平台为:IntelCore2DuoCPUE65502.33GHZ、2GBRAM;
软件平台为:MATLABR2011a;
实验方法:分别为本发明和现有的H/α方法以及H/α/wishart的方法,其中现有的这两种方法都是极化SAR图像分类中引用较多的经典方法。
2、仿真内容与结果
本发明将图2所示的旧金山极化SAR图像作为测试图像,大小为900×700。
仿真一,用现有的H/α分类方法对图2进行分类,分类结果见图3。
由图3可见,地物类别可以大致得到划分,但由于分类类别数的限制,还有较多区域划分不清楚,且对于区域边界的划分过于武断。
仿真二,用现有的基H/α/wishart分类方法对图2进行分类,分类结果见图4。
由图4可见,分类效果与图3相比,类别区分更合理,类别区分也较为合理,但由于类别数的限制,还有较多区域划分不清楚,且分类是对于区域边界的也过于武断。
仿真三,用本发明对图2进行分类,分类结果见图5。
由图5可见,本发明得到的分类结果与图3和图4相比,植被和城区更易区分,地物细节信息体现得更加精细,其中高尔夫球场、跑马场等均可辨识出来。
综上所述,本发明的方法对极化SAR图像的无监督分类能取得更好的分类结果。
以上例举仅仅是对本发明的举例说明,并不构成对本发明保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (5)
1.一种基于极化特征和近邻传播聚类的极化SAR图像分类方法,其特征是:包括如下步骤:
(1)对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解,得到每个像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr;
(2)对待分类的极化SAR图像中每个像素点进行Freeman分解,得到每个像素点的表面散射功率Ps,二面角散射功率Pd,体散射功率Pv;
(3)根据每个像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr,对待分类的极化SAR图像进行初始划分:根据max(ρs,ρd,ρv)的值的大小,将待分类的极化SAR图像数据初始划分为7类,即当max(ρs,ρd,ρv)=ρs时,认为只有一种主散射机制,将max(Ps,Pd,Pv)=Ps的对应像素点划分为Ps类,将max(Ps,Pd,Pv)=Pd的对应像素点划分为Pd类,将max(Ps,Pd,Pv)=Pv对应像素点划分为Pv类;当max(ρs,ρd,ρv)=ρd时,认为同时存在两种主散射机制,将min(Ps,Pd,Pv)=Ps的对应像素点划分为PdPv类,将min(Ps,Pd,Pv)=Pd的对应像素点划分为PsPv类,将min(Ps,Pd,Pv)=Pv对应像素点划分为PsPd类;当max(ρs,ρd,ρv)=ρv时,认为三种散射同时存在,将对应的像素点划分为PsPdPv类;
(4)对得到的7类初始划分结果,计算每一类中每个像素点的分布特征参数χL:
(4a)将每个像素点及其周围的像素点总共九个像素点作为一个小区域,计算该区域的相对峰值RK:
其中,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,|·|表示取这个数的模值,E{·}表示取这个数的均值;
(4b)根据相对峰值RK,计算分布特征参数χL:
其中,L为极化SAR图像的视数,d为向量维数,取d=3;
(5)根据分布特征参数χL的值进一步将每一类划分结果划分为三类:如果χL<25,将其对应的像素点划分为一类,如果25<χL<75,将其对应的像素点划分为一类,如果χL>75,将其对应的像素点划分为一类,从而将整个极化SAR图像划分为21类别。
(6)利用划分后得到的21个类别,计算每一个小类别的平均聚类中心Vu:
其中Tκ是第u个小类别中各像素点的相干矩阵,mu是属于第u个小类别中像素点的个数;
(7)对极化SAR图像每个像素点的相干矩阵T进行四分量分解,得到整幅图像的特征空间F;
(8)根据每一类得到的平均聚类中心Vu,构造每一类的相似度矩阵W,相似度矩阵W中的每一个元素W(i,j)为:
其中,
dij是平均聚类中心Vi和Vj坐标的欧式距离,t1t2为常数,dF(Fi,Fj)是特征向量Fi和Fj坐标的欧式距离, Tr(·)是矩阵的迹,(·)-1是矩阵的逆,i=1,...,21,j=1,...,21;
(9)根据相似度矩阵W,构造拉普拉斯矩阵L:
其中D是对角矩阵,对角矩阵D上的每一个元素Dij为:
(10)对拉普拉斯矩阵L进行特征值分解,得到前k个最大特征值对应的特征向量x1,x2,...,xk,形成特征向量矩阵X=[x1,x2,...,xk];
(11)用近邻传播聚类对特征向量矩阵X进行聚类,得到整幅图像的预分类结果;
(12)对预分类得到的整幅图像用K-Wishart分类器进行迭代分类,得到最终的分类结果。
2.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法,其特征是和:其中步骤(1)所述的对待分类的极化SAR图像中每个像素点的相干矩阵T进行特征分解,按如下步骤进行:
(1a)读入图像的每个像素点,这些像素点为一个含有9个元素的3×3相干矩阵T;
其中,H表示水平极化,V表示垂直极化,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,()*表示这个数据的共轭,〈·〉表示按视数平均;
(1b)将相干矩阵T进行特征值分解,由于相干矩阵T是一个3×3的矩阵,故分解后得到相干矩阵T的特征值为λ1,λ2,λ3;
(1c)根据获得的特征值λ1,λ2,λ3,计算像素点的单一散射机制系数ρs,双散射机制系数ρd和三种散射机制系数ρr:
ρs=p1-p2
ρd=2(p2-p3),
ρr=3p3
其中,
3.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法,其特征是:其中步骤(2)所述的对每个像素点进行Freeman分解,按如下步骤进行:
(2a)读入图像的每个像素点,该像素点为一个3×3的相干矩阵T,根据相干矩阵T得到协方差矩阵C;
其中,U是中间变量, H表示水平极化,V表示垂直极化,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,()*表示这个数据的共轭,〈·〉表示按视数平均;
(2b)将协方差矩阵C分解成如下表示:
其中,Fs为平面散射分量的分解系数,Fd为二面角散射分量的分解系数,Fv为体散射分量的分解系数,β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值,α被定义为α=IHIVH/IVIVV,IH和IP分别表示地表的水平及垂直反射系数,IVH和IVV分别表示竖直墙体的水平及垂直反射系数;
(2c)将式2)中矩阵的元素与式1)中协方差矩阵C的元素相对应,获得一个具有五个未知数Fs,Fv,Fd,α,β和四个方程的方程组如下:
(2e)根据求解出的Fs,Fv,Fd,α,β,求解出体散射功率Pv、二面角散射功率Pd和表面散射功率Ps:
4.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法,其特征是:其中步骤(11)所述的用近邻传播聚类对特征向量矩阵X进行聚类,得到整幅图像的预分类结果,按如下步骤进行:
(11a)根据特征向量矩阵X计算新相似矩阵S,
S(i,j)=-||xi-xj||2
(11b)将新相似矩阵S的对角线上的值都设为I,I取值为-1000,将归属度矩阵AS和吸引度矩阵LS初始值设置为0;
(11b)将归属度矩阵AS和吸引度矩阵LS分别赋值给中间变量a和b,即a=AS,b=LS;
(11c)根据新相似度矩阵S和归属度矩阵AS,计算吸引度矩阵LS,吸引度矩阵LS中的每一个元素LSiu:
其中,i=1,...,21,u=1,...,21,φ=1,...,21;
(11d)根据新相似度矩阵S和吸引度矩阵LS,计算归属度矩阵AS,归属度矩阵AS中每一个元素ASiu为;
其中,i=1,...,21,u=1,...,21,φ=1,...,21;
(11e)更新归属度矩阵AS和吸引度矩阵LS:根据已获得的归属度矩阵AS和吸引度矩阵LS,则中间变量g=(1-λ)×AS+λ×a,中间变量f=(1-λ)×LS+λ×b,再令AS=g,LS=f,更新归属度矩阵AS和吸引度矩阵LS,其中,λ是收敛系数,λ∈[0.5,1);
(11g)重复步骤(11b)-(11e),直到迭代次数等于给定的迭代次数n,其中n=1000,根据LS(u,u)+AS(u,u)的值判断u是否为聚类中心,如果LS(u,u)+AS(u,u)>0,则u是聚类中心,反之,u不是聚类中心,u=1,...,21,从而获得预分类结果。
5.根据权利要求1所述的基于极化特征和近邻传播聚类的极化SAR图像分类方法,其特征是:其中步骤(12)所述的对预分类得到的整幅图像用Wishart分类器进行迭代分类,按如下步骤进行:
(12a)对整幅图像预分类得到的结果,计算每一类的聚类中心Bc:
其中Tρ是第c类中各像素点的相干矩阵,nc是属于第c类的像素点的个数,k为预分类得到的类别数;
(12b)根据下式计算每个像素点的分布特征参数χL:
其中,L为极化SAR图像的视数,q为向量维数,取q=3,RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值,RK定义如下:
其中,SHH表示水平向发射和水平向接收的回波数据,SVV表示垂直向发射和垂直向接收的回波数据,SHV表示水平向发射垂直向接收的回波数据,|·|表示取这个数的模值,E{·}表示取这个数的均值;
(12c)根据每个像素点的分布特征参数χL,计算每个像素点到第i类聚类中心Vi的距离d(〈C〉,Vi):
其中C是像素点的协方差矩阵,〈·〉表示按视数平均,[·]表示矩阵的行列式,Tr(·)表示矩阵的迹,Vi -1表示对聚类中心Vi求逆,Γ(·)表示Gamma函数,表示(χL-qL)阶的第二类修正贝塞尔函数,L为图像的视数,q为向量维数,取q=3;
(12e)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分:如果d(〈C〉,Bτ)≤d(〈C〉,Bψ),则将该像素点划分为第τ类,如果d(〈C〉,Bτ)>d(〈C〉,Bψ),则将该像素点划分为第ψ类,其中d(〈C〉,Bτ)是像素点到第τ类聚类中心的距离,d(〈C〉,Bψ)是像素点到第ψ类聚类中心的距离,τ,ψ=1,...,8,τ≠ψ;
(12f)重复步骤(12a)-(12e)直到迭代次数等于给定的迭代次数μ,其中μ=3,得到更为准确的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410055001.6A CN103839073B (zh) | 2014-02-18 | 2014-02-18 | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410055001.6A CN103839073B (zh) | 2014-02-18 | 2014-02-18 | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839073A true CN103839073A (zh) | 2014-06-04 |
CN103839073B CN103839073B (zh) | 2017-02-08 |
Family
ID=50802551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410055001.6A Expired - Fee Related CN103839073B (zh) | 2014-02-18 | 2014-02-18 | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839073B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156728A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 一种基于栈式编码和softmax的极化SAR图像分类方法 |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104239901A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
CN104463222A (zh) * | 2014-12-20 | 2015-03-25 | 西安电子科技大学 | 基于特征向量分布特性的极化sar图像分类方法 |
CN104459654A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军国防科学技术大学 | 基于逆变换法的空间相关极化sar杂波图像仿真方法 |
CN105259538A (zh) * | 2015-10-28 | 2016-01-20 | 中国电子科技集团公司第二十九研究所 | 一种基于信号特征收敛的信号质量评估方法及装置 |
CN105550715A (zh) * | 2016-01-22 | 2016-05-04 | 大连理工大学 | 一种基于近邻传播聚类的集成分类器构建方法 |
CN106291554A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 基于k‑wishart分布的极化sar舰船检测方法 |
CN107194336A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于半监督深度距离度量网络的极化sar图像分类方法 |
CN107646090A (zh) * | 2015-04-30 | 2018-01-30 | 欧瓦力创新公司 | 用于估计耕地的产量的***和方法 |
CN108414905A (zh) * | 2018-04-08 | 2018-08-17 | 国网上海市电力公司 | 基于流形距离近邻传播聚类的变压器局部放电识别方法 |
CN108491753A (zh) * | 2018-01-26 | 2018-09-04 | 西安电子科技大学 | 极化散射非平稳性建模的极化sar图像分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN103186794A (zh) * | 2013-03-27 | 2013-07-03 | 西安电子科技大学 | 基于改进的近邻传播聚类的极化sar图像分类方法 |
-
2014
- 2014-02-18 CN CN201410055001.6A patent/CN103839073B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5057843A (en) * | 1990-06-25 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for providing a polarization filter for processing synthetic aperture radar image data |
CN103186794A (zh) * | 2013-03-27 | 2013-07-03 | 西安电子科技大学 | 基于改进的近邻传播聚类的极化sar图像分类方法 |
Non-Patent Citations (3)
Title |
---|
AKINOBU SATO ET AL.: "Four-Componet Scattering Power Decomposition With Extended Volume Scattering Model", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
张海剑 等: "基于四分量散射模型的多极化SAR图像分类", 《武汉大学学报·信息科学版》 * |
李崇谦: "基于K-wishart分布的极化SAR图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑 》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156728A (zh) * | 2014-07-14 | 2014-11-19 | 西安电子科技大学 | 一种基于栈式编码和softmax的极化SAR图像分类方法 |
CN104156728B (zh) * | 2014-07-14 | 2017-05-24 | 西安电子科技大学 | 一种基于栈式编码和softmax的极化SAR图像分类方法 |
CN104166856A (zh) * | 2014-07-30 | 2014-11-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104166856B (zh) * | 2014-07-30 | 2017-09-26 | 西安电子科技大学 | 基于近邻传播聚类与区域增长的极化sar图像分类方法 |
CN104239901B (zh) * | 2014-09-11 | 2017-03-29 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
CN104239901A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于模糊粒子群和目标分解的极化sar图像分类方法 |
CN104459654A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军国防科学技术大学 | 基于逆变换法的空间相关极化sar杂波图像仿真方法 |
CN104463222A (zh) * | 2014-12-20 | 2015-03-25 | 西安电子科技大学 | 基于特征向量分布特性的极化sar图像分类方法 |
CN107646090A (zh) * | 2015-04-30 | 2018-01-30 | 欧瓦力创新公司 | 用于估计耕地的产量的***和方法 |
CN107646090B (zh) * | 2015-04-30 | 2021-07-27 | 欧瓦力创新公司 | 用于估计耕地的产量的***和方法 |
CN105259538A (zh) * | 2015-10-28 | 2016-01-20 | 中国电子科技集团公司第二十九研究所 | 一种基于信号特征收敛的信号质量评估方法及装置 |
CN105259538B (zh) * | 2015-10-28 | 2018-02-02 | 中国电子科技集团公司第二十九研究所 | 一种基于信号特征收敛的信号质量评估方法及装置 |
CN105550715A (zh) * | 2016-01-22 | 2016-05-04 | 大连理工大学 | 一种基于近邻传播聚类的集成分类器构建方法 |
CN106291554A (zh) * | 2016-07-29 | 2017-01-04 | 西安电子科技大学 | 基于k‑wishart分布的极化sar舰船检测方法 |
CN106291554B (zh) * | 2016-07-29 | 2019-02-19 | 西安电子科技大学 | 基于k-wishart分布的极化sar舰船检测方法 |
CN107194336A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于半监督深度距离度量网络的极化sar图像分类方法 |
CN108491753A (zh) * | 2018-01-26 | 2018-09-04 | 西安电子科技大学 | 极化散射非平稳性建模的极化sar图像分类方法 |
CN108491753B (zh) * | 2018-01-26 | 2021-06-01 | 西安电子科技大学 | 极化散射非平稳性建模的极化sar图像分类方法 |
CN108414905A (zh) * | 2018-04-08 | 2018-08-17 | 国网上海市电力公司 | 基于流形距离近邻传播聚类的变压器局部放电识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103839073B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839073A (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN102208031B (zh) | 基于Freeman分解和同极化比的极化SAR图像分类方法 | |
CN103186794B (zh) | 基于改进的近邻传播聚类的极化sar图像分类方法 | |
Bi et al. | Unsupervised PolSAR image classification using discriminative clustering | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN102968640B (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
CN102999762B (zh) | 基于Freeman分解和谱聚类的极化SAR图像分类方法 | |
CN105069796B (zh) | 基于小波散射网络的sar图像分割方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN106778884A (zh) | 基于散射熵和三分量分解平面的极化sar图像分类方法 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN109840542B (zh) | 基于极化特征的自适应维度决策树分类方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN103366184B (zh) | 基于混合分类器的极化sar数据分类方法及*** | |
CN104318246A (zh) | 基于深度自适应脊波网络的极化sar图像分类 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN107203791B (zh) | 基于异极化比和散射功率熵的极化sar图像分类方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN105138966B (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN104700116B (zh) | 基于多层量子脊波表示的极化sar图像地物的分类方法 | |
CN102999761A (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
CN103714353B (zh) | 基于视觉先验模型的极化sar图像分类方法 | |
CN104463227B (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
CN103365985A (zh) | 一种类别自适应的极化sar分类方法 | |
CN104751173A (zh) | 基于协同表示和深度学习的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20220218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |