CN104598922A - 基于模糊c均值的全极化sar图像分类方法 - Google Patents

Abstract

本发明公开了一种基于模糊C均值的全极化SAR图像分类方法，针对传统的基于Cloude-Pottier分解的极化SAR图像分类方法中由于分割阈值固定导致的地类边界不准确的问题，采用Wishart距离取代传统模糊C均值聚类中的欧氏距离，并引入一个距离因子，使得分类结果与真实地表更加接近，准确度更高。本发明所达到的有益效果：本发明中基于改进的模糊C均值聚类方法采用Wishart距离取代传统的欧氏距离，更加符合全极化SAR图像中像素点的分布规律，同时还引入了一个距离因子来增加散射机制相似的地类之间的可分度。该方法有效解决了传统的基于Cloude-Pottier分解的极化SAR图像分类中由于分割阈值固定导致的地类边界不准确的问题，因此得到的分类结果与真实地表更加接近。

Description

基于模糊C均值的全极化SAR图像分类方法

技术领域

本发明涉及一种基于模糊C均值的全极化SAR图像分类方法，属于极化SAR数据处理技术领域。

背景技术

近些年，随着星载极化SAR***的陆续投入使用，极化SAR技术在遥感应用中占据越来越重要的位置。由于具有四个极化通道，全极化SAR数据获取的地物信息比单极化SAR更加丰富。如何有效地分析全极化SAR数据，提取全极化SAR数据中包含的散射体的特征一直是极化研究的难点。许多极化特征参数曾经被提出，如通道强度、通道强度比、通道相位差等，但这些特征参数只对特定的应用环境适用，受具体实验和需求的限制。

Cloude-Pottier算法作为一种典型的目标极化分解方法在解决以上难题中有绝对的优势。该算法不需要知道数据的概率分布状态就可以对分类结果进行合理的解译，但是由于散射机制与真实地表之间缺乏一一对应关系，所以每种地物的分类边界比较模糊。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于模糊C均值的全极化SAR图像分类方法，针对传统的基于Cloude-Pottier分解的极化SAR图像分类方法中由于分割阈值固定导致的地类边界不准确的问题，采用Wishart距离取代传统模糊C均值聚类中的欧氏距离，并引入一个距离因子，使得分类结果与真实地表更加接近，准确度更高。

为了实现上述目标，本发明采用如下的技术方案：

基于模糊C均值的全极化SAR图像分类方法，其特征在于：包括如下步骤：

1)对原始全极化SAR数据进行预处理，采用多视处理和Refined Lee滤波方法消除SAR图像中斑点噪声的影响；

2)对预处理后的图像进行Cloude-Pottier极化分解，得到散射熵H、散射角α、平均散射强度λ三个极化参数；

3)根据平均散射强度的值将图像分为三大类，分别为：高散射强度区域、中等散射强度区域和低散射强度区域，将每一大类利用H/α平面进一步分割，共得到24小类；

4)采用层次聚类算法将得到的24类合并为n(0<n≤24)类；

5)计算每个像素点与每一类聚类中心的距离，采用FCM算法调整每一类地物的边界，直至满足目标函数最小，迭代终止并输出分类结果；所述FCM算法中的像素点到聚类中心的距离d采用Wishart距离和一个距离因子W_ij重新定义：

$d^2(\&lang;T\&rang;,V_m)={\left(\frac{\ln \left|V_m\right|+\mathrm{Tr}(V_m^{-1}\&lang;T\&rang;)}{W_{\mathrm{ij}}}\right)}^2$

$W_{\mathrm{ij}}=\frac{{\mathrm{\&mu;}}_{\mathrm{ij}}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}}$

其中<T>为像素点的相干矩阵，V_m为每一类的平均相干矩阵，即聚类中心，μ_ij代表数据点x_i隶属于类别j的概率；所述距离因子W_ij表示的含义为W_ij越大，每个像素与类别中心V_m的距离越小，离聚类中心近的点变得更近，与聚类中心远的点变得更远。

前述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：所述步骤2)中，散射熵H、散射角α及平均散射强度λ三个极化参数采用Cloude-Pottier分解算法对预处理后的数据进行极化分解得到：

$H=-\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\log }_3{p}_i$

$\mathrm{\&alpha;}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\mathrm{\&alpha;}}_i$

λ＝λ₁p_l+λ₂p₂+λ₃p₃

其中λ_i为相干矩阵T的特征值，且∞＞λ₁≥λ₂≥λ₃＞0，p_i的表达式为：

前述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：所述步骤3)中，根据平均散射强度将极化数据分成三大类，每类的λ边界的确定采用取中值的方法，即根据λ值的动态范围将图像分成均匀的三部分，每部分分别对应高散射强度区域、中等散射强度区域和低散射强度区域。

前述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：所述步骤4)中，利用层次聚类算法合并过分割的类别，公式如下:

$D_{\mathrm{ij}}=\frac{1}{2}\{\ln \left(\right|T_i\left|\right)+\ln \left(\right|T_j\left|\right)+\mathrm{Tr}(T_i^{-1}{T}_j+T_j^{-1}{T}_i)\}$

其中T_i与T_j代表两个类别的类别中心，D_ij为Wishart距离，表示类别i与类别j之间的分离度；根据所选试验区域地物覆盖的真实情况，将图像分为n(0<n≤24)类。

前述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：所述步骤5)中模糊C均值聚类算法的目标函数为：

$J_m=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{C}{\mathrm{\&Sigma;}}}{{\mathrm{\&mu;}}_{\mathrm{ij}}}^m{d}^2(x_i,c_j)$

其中m为任意大于1的实数，C为类别数目，N为图像中像素点的个数，μ_ij代表数据点x_i隶属于类别j的概率，c_j为第j类的类别中心。d为像素点到聚类中心的距离。

本发明所达到的有益效果：本发明在传统Cloude-Pottier分解的基础上，利用平均散射熵将初始图像分为三大类，避免了散射机制相似但是散射强度不同的地物之间的混淆；在模糊C均值聚类的过程中，用Wishart距离取代传统的欧氏距离，与全极化SAR图像中像素点的分布更为吻合；引入了一个距离因子，在减小相同类别像素点之间距离的同时，增大不同类别像素点的距离。该方法有效解决了传统的基于Cloude-Pottier分解的极化SAR图像分类中由于分割阈值固定导致的地类边界不准确的问题，因此得到的分类结果与真实地表更加接近，对散射机制相似的地物类型的分类结果更准确。

附图说明

图1为本发明的流程图；

图2为本发明利用Cloude-Pottier分解提取的极化参数图像；

图3为利用本发明所提分类方法、以及现有的H/α/FCM、H/α/λ/FCM方法的最终结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示的基于模糊C均值的全极化SAR图像分类方法，包括以下步骤：

步骤1，对原始全极化SAR数据进行预处理，分别采用多视处理及RefinedLee滤波等消除SAR图像中斑点噪声的影响，增强图像的可读性。

为了定性和定量分析本发明方法的有效性，数据采用L波段ALOS PALSAR全极化数据，图像入射角度为23.858°，空间分辨率为9.37m×3.57m(距离向×方位向)。为了增强图像的可读性及减少相干斑噪声对实验结果的影响，首先对原始数据进行预处理。其中多视处理在方位向和距离向的比例为6:1，RefinedLee滤波器的窗口大小为3×3。

需要说明的是：本发明的方法不仅适用于该实验中选取的ALOS PALSAR数据，对其他星载及机载数据同样适用，只是在预处理的时候多视处理的比例和滤波处理的窗口大小会有不同，需要针对不同的数据源进行选择。

步骤2，对预处理后的图像进行Cloude-Pottier极化分解，得到散射熵H(图2b)、散射角α(图2c)、平均散射强度λ(图2a)等三个极化参数；

利用Cloude-Pottier分解算法对预处理后的数据进行极化分解的公式如下：

$H=-\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\log }_3{p}_i$

$\mathrm{\&alpha;}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\mathrm{\&alpha;}}_i$

λ＝λ₁p₁+λ₂p₂+λ₃p₃

其中λ_i为相干矩阵T的特征值，且∞＞λ₁≥λ₂≥λ₃＞0，p_i的表达式为：

步骤3，根据平均散射强度的值将图像分为三大类，每类的λ边界的确定采用取中值的方法，即根据λ值的动态范围将图像分成均匀的三部分，每部分分别对应：高散射强度区域、中等散射强度区域和低散射强度区域，在每一大类中，利用H/α平面进一步分割，共得到24小类；

步骤4，为了避免上一步骤中出现过分割，根据实验中选取试验区域的地物覆盖情况，采用层次聚类算法将以上得到的24类合并为7类。需要说明的是：聚合成多少类别是由所选区域的地表覆盖类型确定的，该参数可以根据选取的试验区域进行调整。

层次聚类算法的计算公式如下:

$D_{\mathrm{ij}}=\frac{1}{2}\{\ln \left(\right|T_i\left|\right)+\ln \left(\right|T_j\left|\right)+\mathrm{Tr}(T_i^{-1}{T}_j+T_j^{-1}{T}_i)\}$

其中T_i与T_j代表两个类别的类别中心，D_ij为Wishart距离，表示类别i与类别j之间的分离度。根据对图像覆盖区域进行野外调查及与高分辨率光学卫星图像进行对比分析，将图像分为7类。

步骤5，计算每个像素点与每一类聚类中心的距离，采用改进的FCM算法调整每一类地物的边界，直至满足目标函数最小，迭代终止并输出分类结果。

采用模糊C均值聚类算法的目标函数为：

$J_m=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{C}{\mathrm{\&Sigma;}}}{{\mathrm{\&mu;}}_{\mathrm{ij}}}^m{d}^2(x_i,c_j)$

其中m为任意大于1的实数，C为类别数目，N为图像中像素点的个数，μ_ij代表数据点x_i隶属于类别j的概率，c_j为第j类的类别中心。d为像素点到聚类中心的距离。本方法采用Wishart距离和一个距离因子W_ij重新定义距离d，来降低传统FCM算法中欧氏距离对极化SAR计算不准确的缺陷。

$d^2(\&lang;T\&rang;,V_m)={\left(\frac{\ln \left|V_m\right|+\mathrm{Tr}(V_m^{-1}\&lang;T\&rang;)}{W_{\mathrm{ij}}}\right)}^2$

$W_{\mathrm{ij}}=\frac{{\mathrm{\&mu;}}_{\mathrm{ij}}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}}$

其中<T>为像素点的相干矩阵，V_m为每类的平均相干矩阵，即聚类中心，μ_ij代表数据点x_i隶属于类别j的概率。W_ij越大，每个像素与类别中心V_m的距离越小，该因子使得离聚类中心近的点变得更近，与聚类中心远的点变得更远。

为了定量分析本发明全极化SAR图像分类方法的效果(图3c)，采用总体精度(OA)、生产者精度(PA)和用户精度(UA)评价该发明中分类结果的精度，并与H/α/FCM算法(图3a)和H/α/λ/FCM算法(图3b)进行比较(表1)。

需要说明的是：在H/α/FCM方法中对预处理后的图像在H/α平面分割，然后采用传统的模糊C均值算法进行聚类；在H/α/λ/FCM方法中，平均散射强度也参与了分类，但是聚类方法仍然采用传统的模糊C均值聚类算法。

表1 不同极化SAR图像分类方法的精度比较

从表1和图3可以看出，与H/α/FCM算法和H/α/λ/FCM算法相比具有更好的效果：利用本发明所提方法得到的分类结果中，地物的边界更清晰且连续，散射机制类似的区域得到了较好的区分，最终结果与真实地表更加接近。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.基于模糊C均值的全极化SAR图像分类方法，其特征在于：包括如下步骤：

1)对原始全极化SAR数据进行预处理，采用多视处理和Refined Lee滤波方法消除SAR图像中斑点噪声的影响；

2)对预处理后的图像进行Cloude-Pottier极化分解，得到散射熵H、散射角α、平均散射强度λ三个极化参数；

3)根据平均散射强度的值将图像分为三大类，分别为：高散射强度区域、中等散射强度区域和低散射强度区域，将每一大类利用H/α平面进一步分割，共得到24小类；

4)采用层次聚类算法将得到的24类合并为n(0<n≤24)类；

5)计算每个像素点与每一类聚类中心的距离，采用FCM算法调整每一类地物的边界，直至满足目标函数最小，迭代终止并输出分类结果；所述FCM算法中的像素点到聚类中心的距离d采用Wishart距离和一个距离因子W_ij重新定义：

$d^2(<T>,V_m)={\left(\frac{\ln \left|V_m\right|+\mathrm{Tr}(V_m^{-1}<T>)}{W_{\mathrm{ij}}}\right)}^2$

$W_{\mathrm{ij}}=\frac{{\mathrm{\&mu;}}_{\mathrm{ij}}}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}}$

其中<T>为像素点的相干矩阵，V_m为每一类的平均相干矩阵，即聚类中心，μ_ij代表数据点x_i隶属于类别j的概率；所述距离因子W_ij表示的含义为W_ij越大，每个像素与类别中心V_m的距离越小，离聚类中心近的点变得更近，与聚类中心远的点变得更远。

2.根据权利要求1所述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：

所述步骤2)中，散射熵H、散射角α及平均散射强度λ三个极化参数采用Cloude-Pott ier分解算法对预处理后的数据进行极化分解得到：

$H=-\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\log }_3{p}_i$

$\mathrm{\&alpha;}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{p}_i{\mathrm{\&alpha;}}_i$

λ＝λ₁p₁+λ₂p₂+λ₃p₃

其中λ_i为相干矩阵T的特征值，且∞＞λ₁≥λ₂≥λ₃＞0，p_i的表达式为：

3.根据权利要求1所述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：

所述步骤3)中，根据平均散射强度将极化数据分成三大类，每类的λ边界的确定采用取中值的方法，即根据λ值的动态范围将图像分成均匀的三部分，每部分分别对应高散射强度区域、中等散射强度区域和低散射强度区域。

4.根据权利要求1所述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：

所述步骤4)中，利用层次聚类算法合并过分割的类别，公式如下:

$D_{\mathrm{ij}}=\frac{1}{2}\{\ln \left(\right|T_i\left|\right)+\ln \left(\right|T_j\left|\right)+\mathrm{Tr}(T_i^{-1}{T}_j+T_j^{-1}{T}_i)\}$

其中T_i与T_j代表两个类别的类别中心，D_ij为Wishart距离，表示类别i与类别j之间的分离度；根据所选试验区域地物覆盖的真实情况，将图像分为n(0<n≤24)类。

5.根据权利要求1所述的基于模糊C均值的全极化SAR图像分类方法，其特征在于：

所述步骤5)中模糊C均值聚类算法的目标函数为：

$J_m=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{C}{\mathrm{\&Sigma;}}}{{\mathrm{\&mu;}}_{\mathrm{ij}}}^m{d}^2(x_i,c_j)$

其中m为任意大于1的实数，C为类别数目，N为图像中像素点的个数，μ_ij代表数据点x_i隶属于类别j的概率，c_j为第j类的类别中心。d为像素点到聚类中心的距离。