CN104751477A - 基于空间域和频域特征的并行sar图像分类方法 - Google Patents

Abstract

本发明提供了一种基于空间域和频域特征的并行SAR(合成孔径雷达)图像分类方法，该方法将SAR图像的空间域和频域特征相结合,并基于并行计算环境,先将SAR图像分成n块，再在每块图像中围绕每个像元选取8×8像元大小的图像小块，先对每个图像小块中的每个像元计算相应的小波能量特征、灰度共生矩阵特征和滤波后的灰度均值特征，回收n个图像小块中每个像元的小波能量特征、灰度共生矩阵特征和滤波后的灰度均值特征得到SAR图像中的每一像元的小波能量特征、灰度共生矩阵特征和滤波后的灰度均值特征,并组成特征向量进行聚类最终对SAR图像进行分类。本方法依赖于并行集群计算机***的高效信息处理能力，对SAR图像进行快速分类，实现了快速分类，解决了大数据量SAR图像分类速度慢的问题。

Description

基于空间域和频域特征的并行SAR图像分类方法

技术领域

本发明涉及信息处理技术领域，涉及SAR(合成孔径雷达)图像处理方法，尤其是一种具体为基于空间域和频域特征的并行SAR图像分类方法。

背景技术

SAR(合成孔径雷达)以其特有的全天时、全天候高分辨成像能力，及对某些地物的穿透探测，使之在国防和国民经济建设中有着重要的应用(如在一些大的地震灾害(如2008年汶川地震和2010年青海玉树地震)与洪水灾害监测、救灾及灾后重建中、旱情与土壤湿度动态监测、农业病害虫害监测、农作物长势监测(国内外已有一些很多研究，利用雷达数据散射特点对不同农作物进行识别、分类、监测的成功实例。)等方面,其独特优势得到了非常重要的应用)，各国都争先发展SAR技术。以飞机为平台的机载SAR已被广泛使用，以卫星为平台的星载SAR获得了极大的成功，更是在世界范围内掀起了发展主动微波遥感对地观测卫星的热潮。

随着遥感技术的迅速发展，SAR所能够提供的信息和数据所呈现出的海量程度和复杂程度都是空前的。SAR成像的特点决定了SAR图像几何失真较大且含有大量被称为相干斑的噪声，这使得传统的图像处理技术很难应用。一般来说，有效的SAR图像处理方法都较为复杂。越来越大的数据量再加之复杂的算法使得SAR图像处理所需要的时间越来越长，而在灾害快速动态监测与灾害预防及救灾、现代化农业(农业病害虫害快速监测、大面积农作物长势动态监测)等应用领域，要很好地发挥SAR这种强势观测工具，则需要从大量SAR图像数据中迅速甚至是实时地提取有用信息。如何对SAR图像数据做出准确而快速的解译，对于发挥SAR的作用都具有相当重要的理论和实际意义。

SAR图像分割分类是SAR图像解译各环节中较为复杂的关键环节，是SAR图像自动处理的基础。SAR特别是极化SAR通过测量每个分辨单元在不同收发极化组合下的散射特性，更完整地记录了目标后向散射信息，为详尽分析目标散射特性提供了良好的数据支持。极化SAR图像分割分类图既可作为中间结果为目标检测、识别等提供辅助信息，也可作为最终结果直接输出给用户，开展极化SAR图像准确快速的分割分类对提高极化SAR***的应用水平非常重要。美国在整个SAR图像解译领域处于国际领先水平。有关SAR图像解译技术的研究从八十年代开始就得到了高度重视，投入数百亿的美元进行SAR数据的获取以及后续处理研究。而其他一些国家，如加拿大、德国、日本、英国、法国、意大利、印度等也都制定了有关的研究计划。在具体的SAR图像自动分割分类算法研究方面，马里兰大学的自动化研究中心、美国空军技术学院的电子学与计算机工程系、圣地亚(Sandia)国家实验室、MIT林肯(Lincoln)实验室以及怀特(Wright)实验室走在前列。例如，马里兰大学的S.kuttikkad和R.Chellappa等充分利用多通道全极化的SAR图像所提供的信息，成功的把SAR图像分割成为阴影、背景区域、树木、道路、建筑物和人造目标等类别。其思路是首先利用双参数恒虚警率(CFAR)检测器提取图像感兴趣区域(ROI)，然后利用最大似然分割算法对所有极化图像进行分割，最后利用所谓“Site Model”(实际上是极化SAR图像中目标的几何和位置特性)进行地物分类。美国空军技术学院的Steven K.Rogers等9位学者和怀特实验室的Kevin J.Willy一起，利用小波和分形技术成功的把极化ADTS SAR图像分割成为阴影、背景区域、树木和人造目标等类别；Robert等利用马尔可夫随机场的方法(把马尔可夫随机场条件概率的问题转化为Gibbs分布能量函数极小化问题)，将图像区分为目标区、背景区和阴影区；其他如Scott Evan Decatur、Yoshihisa Hara、Z.Behladj等分别研究了统计分类算法和神经网络在SAR ATC中的作用以及监督与无监督算法的优劣。Cloude利用相干矩阵提取出表征目标散射极化程度的参数H和表征目标散射机理的角度α，并表明可在H-α平面上区分零熵表面、偶极子、二面角散射与高熵表面、偶极子、二面角散射。经过进一步的研究，Cloude和Pottier在相干矩阵特征值分解的基础上，提出了H-α方法，通过对H-α平面进行线性划分，从而确定目标的散射机理，包括低熵、中熵表面散射，低熵、中熵、高熵偶极子散射，低熵、中熵、高熵多次散射。H-α方法物理意义清晰、简洁易用、适用面广，受到了人们的广泛关注，并被用于分割、分类和目标检测，成为最著名的极化目标分解方法之一。法国的Alexandre Bouvet使用ENVISAT ASAR HH/VV极化数据进行水稻种植评估，该文先对极化SAR图像进行多通道相干斑滤波，在此基础上采用阈值法进行极化SAR图像分类，分析结果证实，HH/VV极化数据比较适合于水稻种植分类。意大利的Gianfranco D.De Grandi等人应用小波包变换提出了一种SAR图像目标检测与纹理分割方法。纹理测度包括后向散射强度的归一化的二阶矩与小波包变换系数变量。在这种方法中，对特征度量依赖于极化状态进行了解释，提出了一个理论模型，该理论是这种SAR图像目标检测与纹理分割方法的基础。加拿大的Kaan Ersahin等人基于计算机视觉领域最近新出现的为更好解决分类问题的光谱图分割法，提出了一种极化SAR图像分割分类方法，其效果优于Wishart分类器。Lionel Bombrun等人基于一种异构杂波模型提出了一种极化SAR图像分割方法，实验结果表明该方法能对X波段和L波段极化的SAR图像能取得较好的分割结果。Alberto Alonso-González等人使用二差分区树提出了一种新的基于区域和多尺度的极化SAR数据表示，基于此对极化SAR图像进行相干斑噪声滤噪和图像分割，实验表明该方法能够实现很好的SAR图像去噪，同时较好地保留了空间分辨率和极化信息，取得了较好的极化SAR图像分割效果。

在国内，中科院遥感所、中科院对地观测中心、中科院电子所、中科院地理所等许多研究单位，以及国防科技大学、成都电子科技大学、西安电子科技大学、哈尔滨工业大学、北京大学、清华大学、北京理工大学、武汉大学等许多院校，都做了许多关于SAR图像目标分割分类与识别的研究，取得了一定的成果。例如，朱俊杰等以2003年7月淮河洪水监测获取的单波段单极化高分辨率SAR图像为试验数据，首先对数据进行了分析，指出了高分辨率SAR图像的特点，之后通过小波变换对图像进行两层小波分解得到子图像，并在选择合适的能量计算窗口条件下，计算子图像的纹理能量，最后使用了BP神经网络方法进行纹理分类。付琨等给出了一种关于高分辨率、单极化SAR图像目标分类的完整算法。首先利用基于改进的相关领域模型的Radar CrossSection(RCS)重构算法进行目标和阴影检测，通过非线性积累把图像分割为“阴影区”、“背景区”和“目标区”，接着通过形态学算子进行地貌滤波和边缘提取。应用改进的Hough变换和细线化措施进行线段的连接和编组；最后利用空间联合位置模型进行目标的分类。吴永辉等在极化SAR特征提取的基础上，将SVM应用于极化SAR图像分类，定性和定量地比较了全极化、双极化和单极化SAR图像的分类性能,分析了不同的极化组合对分类结果的影响,并根据地物极化散射特性分析了分类精度差异的成因。通过实测极化SAR数据的实验结果表明,全极化数据能获得最好的分类性能,双极化次之,单极化最低,且在某些情况下,双极化与全极化分类性能接近。宿富林等将基于原始SAR图像的灰度级共生矩阵提取的纹理特征与滤波后图像的灰度特征进行组合用于分类，实验结果表明这种改进的特征提取方法提高了SAR图像的分类精度。王海江等提出了一种结合相干斑抑制的全极化SAR图像分类新方法，该方法先对图像数据做Pauli分解，获得三个极化组合通道，并分别用三种颜色表示这三个极化组合；再用独立分量分析稀疏编码(ICA－SCS)算法对各颜色通道进行相干斑抑制，最后把三个颜色通道混合，实现了对图像信息的分类。该方法很好的保留了极化通道间的相对相位信息，同时，相干斑抑制后的数据直接用于图像分类，不需要再做任何极化通道组合，对真实SAR图像的分类结果表明，该方法对分类效果和精度有明显改善。曹芳等提出了一种新的基于Cloude-Pottier分解和聚合的层次聚类的全极化SAR数据的非监督分类算法。该算法使用极化总功率SPAN来改进常规的初始化方法，并采用聚合的层次聚类算法对初始化结果进行类的合并，提高非监督分类器的性能。实验表明，该算法能获得有效的分类中心，分类结果明显优于常规的Wishart H/α/A分类算法。杨永恬选取双极化的ENVISAT ASAR为数据源来进行森林分类，通过一幅ASAR不同极化影像的加减运算和多时相ASAR影像来合成多波段影像，能提取更多的信息，从而使分类精度得到提高，另外，将H-α极化分解和分类技术应用于ASAR双极化数据(APS)的森林非森林识别，也可以从一定程度上提高森林非森林的识别精度。杨杰等提出了一种新的基于Cloude-Pottier分解和极化白化滤波(PWF)的全极化SAR数据分类算法。该算法利用PWF的结果来代替反熵A对复Wishart H/α分类结果进行进一步细化,按PWF的值将复Wishart H/α分类结果由8类分为16类,然后再次进行Wishart迭代分类。实验结果表明,该算法能有效地提高分类精度,分类结果明显优于常规的复Wishart H/α分类结果和复Wishart H/α/A分类结果。田小林等提出一种具有鲁棒抗噪特性的SAR图像分割方法,该算法通过将多尺度条件下的边缘信息以及相邻像元的相对位置和强度信息所构成的空间信息融入模糊C-均值(FCM)聚类算法的相似性测度中,增强了分割方法的抗噪性。空间信息对FCM聚类算法的调控由粒子群优化(PSO)算法完成,优化的调控参数有助于获得良好的分割结果。该算法对初始分割不敏感,并具有鲁棒的抗噪性能。实验结果表明:该算法能够有效地分割SAR图像,与通过改进型FCM(IFCM)算法获得的分割结果比较,分割结果明显改善。谢酬等结合多时相和全极化SAR数据在地表覆盖分类中的优势,通过融合多时相全极化SAR数据,降低雷达图像上斑点噪声的影响,开展土地覆盖分类研究。研究结果表明:不同地物的后向散射机制有很大区别,且对应的后向散射系数随时间的变化规律也各不相同；该方法能有效区分人工建筑、森林、农田和水体等地物斑点噪声得到有效抑制,图像质量,特别是视觉效果大为改善。化国强利用Radarsat-2遥感数据进行玉米长势监测的研究，通过分析3景雷达遥感数据中不同地物类型的后向散射特征的差异性，利用决策树分类算法和基于散射机理的分类算法对影像进行农作物识别分类和玉米种植面积提取。经过验证，两种方法都能以超过80％的较高精度进行玉米分类。但由于SAR图像会受到相干噪声斑点的影响，对决策树分类算法的识别干扰较大，相比较决策树分类算法，基于散射机理的分类算法结果图中象元分布更加平滑、均匀，分类较好。

归纳起来，SAR图像的自动分割分类研究与应用虽然取得了一定进展，但在快速分割分类方面的研究还相对薄弱。SAR图像的自动分割分类研究一般基于SAR图像的以下信息：灰度信息、边缘信息和纹理信息、极化信息，常常基于以下思路：基于数据驱动的方法、基于散射机制的方法和基于知识的方法。具体从算法实现的各个角度考虑，可以区分为有监督和无监督的算法、基于统计理论和神经网络的算法、聚类算法等，有监督的分类算法分类结果普遍优于无监督分类算法，但是由于SAR图像先验知识的缺乏使无监督算法的自适应性和实时性的优点得以体现，因而成为研究热点。另外，当前对SAR图像进行解译或者目标识别研究，效果比较好的几乎都是利用极化图像或多时、多频图像。单频单极化SAR图像利用的信息基本上依靠象素的RCS(RadarCross Section,雷达散射截面)，单视进一步降低了特征的可靠性，提高分类算法的精度变得较为困难。多极化SAR通过调整收发电磁波的极化方式可以获得场景目标的极化散射矩阵，为更加深入地研究目标的散射特性提供了重要的依据，应用极化信息对高分辨极化SAR图像地物分割分类对整个SAR***解译来说，是个非常实用而又关键的环节。通过对国内外SAR图像分割分类的总结，得知当前SAR图像自动分割分类的研究热点主要集中在SAR图像统计建模、无监督的分割分类算法及神经网络技术的应用等三个方面，发展趋势为：充分利用多时、多频、多极化、多通道信息，建立自适应、高效的智能分割分类算法。

由国内外出现的SAR图像分割分类方法及我们在SAR图像处理方面的实际研究可知，在SAR图像处理的各环节中，分割分类较为复杂，计算量大，相应的耗时也较长(如本人所研究的一种SAR图像分类方法，详见本人发表的论文“A New Method of Parallel SAR Image Classification”(IEEE,IGARSS2005)，在这篇论文中，所用的串行分类方法虽然对SAR图像分类取得了较好的效果，但由于在对SAR图像分类时，对每一个像元都计算9个特征，因此计算量很大，如一幅大小仅为512*512的SAR图像在CPU为P4-2.8G，内存为512M的计算机上做实验，其运行时间就为132.203s)，对计算机的速度和内存等资源都提出了很高的要求。虽然计算机发展很快，但计算机的速度和内存等的扩展是有限的，计算机性能的提高需要花较大的代价，因此用其它办法研究SAR图像的快速处理对SAR的应用有着非常重要的科学价值和现实意义。

在高性能计算中，并行集群计算***具有较高的性价比和良好的可扩展性，可以满足不同规模的大型计算问题，因此受到日益重视。1966年Flynn按照指令流和数据流的多倍性概念将计算机***结构进行了分类。根据指令流和数据流的不同组合，计算机***可分为单指令流单数据流(SISD)、单指令流多数据流(SIMD)、多指令流单数据流(MISD)、多指令流多数据流(MIMD)四种。其中，SISD就是传统的单处理机(又叫串行机或顺序机)，MISD是一种不太实际的计算机，但也有的学者把超标量机和脉动陈列机归属于此类，而SIMD和MIMD就是最常见的并行计算机。大型并行计算机***一般可分为6类：单指令流多数据流机SIMD(Single Instruction Multiple Data)；并行向量计算机PVP(ParallelVector Processor)；对称多处理机(Symmetric MultiProcessor)；大规模并行处理机MPP(Massively Parallel Processor)；工作站机群COW(Cluster Of Workstation)(现在常称之为机群或集群)和分布式共享存储DSM(Distributed SharedMemory)多处理机。MPP是传统的并行向量机，内部可集成多达上千个CPU，与外部没有可共享的资源，已经不是并行发展的方向。目前HPC(HighPerformance Computing)的发展方向是集群***。集群***是利用高速通用网络将一组工作站或PC机，按某种结构连接起来，在并行程序设计以及可视化人机交互集成开发环境支持下，统一调度，协调处理，实现高效并行处理的***。集群***相对于MPP有性能/价格比高的优势，具有良好的可扩展性和容错能力，易于维护和管理。目前世界上的超级计算机500强很多基于这种结构。

并行计算的优势在国内外引起了广泛的关注，无论在并行计算理论算法研究方面，还是在并行算法实践应用方面，都取得了一些较好的成果。如陈国良教授等著的《并行算法的设计与分析》、《并行计算体系结构》、《并行算法实践》、《并行计算－结构·算法·编程》等，Ian Foster的著作：并行程序设计，RajkumarBuyya的著作：高性能集群计算：结构与***，等等。目前的并行算法设计模型主要有PRAM(Parallel Random Access Memory)和PCAM(Partition,划分；Communication，通讯；Agglomeration,组合；Mapping,映射)。PRAM模型主要应用于并行算法的理论研究中。PCAM模型表示设计并行算法有四个阶段：任务划分、通信分析、任务组合和处理器映射，简称划分、通信、组合、映射，它与应用问题结合得更紧密，首先对问题进行划分，寻找出能够并行的可封装的最小任务单元；这些封装的任务单元与其它单元之间的信息交换就是通讯；单元可以根据并行环境的粒度和节点数进行适当地归并以减少节点间通讯；最后把归并后的任务单元映射分配到计算节点上。在并行计算应用方面如著名的波音777飞机的设计，基本上是依靠高性能计算机的无纸设计，它可大量节省传统设计技术中的昂贵的风洞实验，同时也大大缩短了设计时间。

由于并行计算的优势，国内外正在研究将并行计算用于图像处理之中。国外对图像处理的并行算法的研究较多[59-62]，如美国北卡罗莱纳大学、田纳西大学、卡内基-梅隆大学、美国能源部等都做了大量研究，也提供了许多图像并行处理算法，西澳大利亚大学的Thomas教授等人还出版了有关并行图象处理的专著，比较详细地讨论一般图像处理算法的并行设计方法。在国内，黄国满和郭建峰讨论了分布式并行遥感图像处理中的数据划分问题，通过对不同数据划分方式的净通讯量和实际通讯量的分析，得出了在三类图像处理中数据划分的最佳方式，他们还进一步分析了非平均分配的数据划分问题。李军和李德仁分析和探讨了分布式遥感图像处理中的主要研究问题和若干关键技术，包括分布式处理模型、支撑环境、网络环境下的遥感数据存储管理、分布式并行处理中数据划分、功能分解以及负载平衡与任务分配等。池天河等基于并行计算研究了洪水灾害快速评估***，并用研究成果对鄱阳湖地区1998年特大洪水遥感数据进行了实验，取得了令人满意的效果。吕捷等基于MPI，论述了图像处理算法的并行实现方法；牟胜梅和刘光明分析了遥感图像预处理算法的可并行性，提取了算法要素，提出了适用于大数据量遥感图像实时预处理的分布并行处理***的结构设计方案。中科院计算所王贞松领导的小组实现了星载SAR数据成像的并行和实时处理。中科院电子所郭琨毅和盛新庆基于高性能集群Beowulf性能的提高并联合应用MPI-2标准下的新特征,也实现了SAR并行成像处理。中国遥感地面站的刘定生小组和清华大学合作进行遥感图像并行处理研究(典型项目有：国家“九五”重中之重科技攻关专题“大数据量遥感信息的快速处理研究(96-B02-04-03)”项目，并开发形成“微机大型遥感图像并行处理***”；中科院重点项目“高分辨率遥感数据预处理并行处理技术研究”等)。薛笑荣等提出了一种并行的SAR图像分类方法，该方法基于SAR图像特点，根据进程数进行分块，对每一块图像分别在并行集群环境中的其中一台计算机上对其每个像元都计算9维特征向量，然后将所有块图像的特征向量都收集起来，最后对所有特征向量进行聚类，从而实现SAR图像分类。欧新良等针对遥感图像几何校正问题，提出了一种基于动态分界点计算的并行几何校正算法PIWA-DDC。通过LogP模型，推导出PIWA-DDC算法具有良好的可扩展性。通过在MPP上的测试数据，验证了该算法具有良好的负载平衡能力和高效处理几何畸变的能力。周非等针对ScanSAR成像机制的特殊性，提出了一种基于多节点-多进程的异步并行模式的星载ScanSAR并行处理的技术。实验结果表明，相对于传统的并行处理方法，该方法的成像时间得到了较好的改善，具有一定的优越性。彭虹和王美清利用MPI提供的库函数,提出了基于MPI的分形图像压缩并行化算法，将图像的定义域块和值域块的搜索匹配过程分配给多台处理器同时执行。实验结果表明，利用MPI来进行分形图像压缩,可以缩短压缩时间,在不改变压缩比的情况下,得到较好的加速比。周海芳等基于对串行图像配准算法计算瓶颈的实验分析,研究并提出了一种基于互信息的遥感图像区域配准并行算法,分别给出了数据划分策略和互信息计算并行处理方案,采用边界冗余划分和二叉树归约方法减少数据通信,并对算法进行了定量的复杂度分析。实验结果表明该算法可扩展性好,通用性强。李静梅等针对并行计算机体系结构中没有通用的计算模型这一问题，分析了一些现有的典型计算模型，在同步性、通信方式、参数方面进行比较，以LogGP模型为基础提出一种改进的mzLogGP模型。利用MPI并行算法对满足节点计算资源非独占、网络存在拥塞条件下的并行程序进行分析与测试，通过增加memory层次化层数和网络拥塞指数这两个参数，计算其计算开销和通信开销，将实测时间与预测时间进行比较，可知随节点数的增加***误差不断减小，说明该新模型能改善并行应用在多核处理器集群平台上运行的性能，具有较好的可扩展性。

虽然图像处理具有内在的并行性，建立基于微机、工作站集群的并行图像处理***，非常有利于海量SAR图像数据快速处理***的实用化，但是如何充分利用并行***资源，提高并行处理效率，最快速地完成信息处理任务是应用并行计算进行图像处理所必须解决的问题，而且显得日益紧迫。为了利用并行***资源以最短时间完成图像处理任务，我们必须要考虑如何进行数据划分以达到负载平衡，如何在图像并行处理算法设计、数据划分与***配置之间进行很好地协调。具体到数据划分又依赖于处理算法，如果数据划分不好，将严重影响***各节点之间的负载平衡(李军等，黄国满等)。目前还没有一个普遍的理论适用于各种各样的图像处理数据划分。根据我们的研究与实验经验，SAR图像分割分类既有数据量大、计算密集的特点，再之实际当中的并行***一般为异构***，研究动态的自适应数据划分技术对于实现均衡负荷、提高总体并行效率是非常重要的。并行***一般分为同构和异构***，在同构***中，一个好的并行数据划分方案相对容易获得，但实际当中的并行***一般为异构***，异构性对于建设并行***较为方便灵活，也容易扩展，也给处理机性能的发挥带来了好处，但也给任务的划分和调度带来了复杂性。在异构***并行计算机，通信和计算的能力这两个***的主要特征对于***的性能的发挥至关重要。由于通信量的度量不太容易操作及其引入后任务调度的复杂性，因此现在很少考虑通信在调度中的影响。在SAR图像并行分割分类中，有很大一部分并行算法是属于迭代同步的数据并行算法。而子任务的协同是迭代同步数据并行算法的一个重要特征，Atallah和Kemal Efe首先从理论模型上提出了协调度思想，但他们都回避了通信问题。在实际当中，我们要考虑网络的通信能力和计算机产生的通信开销，以更加符合实际的应用而更加有效。SAR图像处理进程中也有许多相对于图像处理而言并行度较低的步骤，如何处理好SAR图像处理子任务间的通讯、协调和负荷的动态分配以提高并行处理性能也是一个有待研究的问题，我们要探讨***配置(如并不是参与计算的工作站数目越多越好等方面)、数据划分和任务协作调度算法，以最大限度地提高SAR图像并行处理效率。

总之，在SAR的发展与应用当中，面临着以下实际情况，一方面SAR图像分辨率在提高，并呈现出多极化、多波段等，所能提供的数据信息呈海量程度增大，更加有利于SAR的作用发挥，但另一方面，SAR信息处理技术较为滞后(相对发达国家，我们更是滞后许多)对SAR的作用的发挥又是一大制约，如何对SAR图像进行准确而有快速的解译显得日益紧迫。SAR图像特别是极化SAR图像包含有丰富的地物信息，其准确、快速的分割分类，对SAR图像的理解具有重要意义。在目前直接进行SAR图像自动目标识别非常困难的情况下，极化SAR图像地物分割分类对整个SAR***解译来说，是个非常实用而又关键的环节。当前国内外关于并行程序和算法设计、图像并行处理的研究正在大力进行，但在极化SAR图像并行分割分类方面的软件***还未推出，研究论文也少见，为了更好地发挥SAR的作用，SAR图像并行处理方面所涉及的一些关键问题正待以解决。在我们探索极化SAR图像并行分割分类过程中，深感极化SAR图像分割分类之复杂，计算量之大，也切身领略到并行计算在数据快速处理中有着非常大的威力与优越性。但我们近来在极化SAR图像并行分割分类方面所做的工作仅仅是初探，实为肤浅，并行计算在极化SAR图像分割分类的应用需要且非常必要进一步深入研究。为此，结合并行计算在高性能计算中的优势研究有效的快速SAR图像分割分类方法对发挥SAR在实际应用中的优势具有重要的理论意义与实际意义。

为此，为了更好地发挥先进对地观测工具－SAR的作用，满足遥感在灾害预防及救灾、军事等邻域的实际应用需要，需要找到SAR图像分类的高效方法，开发有效的并行SAR图像处理***，以实现大数据量SAR遥感影像快速处理。

有鉴于此，特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种可以有效快速对大数据量SAR影像分类的基于空间域和频域特征的并行SAR图像分类方法。

为解决上述技术问题，本发明采用技术方案的基本构思是：

一种基于空间域和频域特征的并行SAR图像分类方法，其特征在于，包括以下步骤：

1)对SAR图像进行并行去噪处理；

2)根据结点数将原始SAR图像分成n块，n为结点数；

3)对于每一块图像，围绕其每个像元选取8×8像元大小的图像小块；

4)对图像小块进行两次小波分解得到七个小波子图像；

5)分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征；

6)回收n个图像小块中每个像元的七个小波子图像能量特征和四个灰度共生矩阵特征,得到原始SAR图像所有像元的七个小波子图像能量特征和灰度共生矩阵特征；

7)根据结点数将去噪处理后的SAR图像分成n块，n为结点数；

8)对于每一块图像，围绕其每个像元选取8×8像元大小的图像小块；

9)利用下式求取每个图像小块中每个像元的灰度均值：

$f(\stackrel{\‾}{i},j)=\frac{1}{m^2}\underset{k=0}{\overset{m^2-1}{\mathrm{\Σ}}}{a}_k$

其中，a₀＝f(i,j),为(i,j)处像元的灰度值，为(i,j)处像元周围的其他m²-1个像元的灰度值；。

10)回收n个图像小块的每个像元的灰度均值,得到去噪处理后的SAR图像所有像元的灰度均值；和

11)对由七个小波子图像能量特征、四个灰度共生矩阵特征和灰度均值组成的SAR图像特征向量进行聚类,获得SAR图像分类结果。

优选的，所述1)对SAR图像进行并行去噪处理步骤具体包括：

101)对原始SAR图像取对数，将乘性噪声变换为加性噪声；

102)对取对数后的SAR图像进行两层小波塔式分解得到七个小波子图像；

所述七个小波子图像分别是第一次小波分解所得的三个高频子图像、第一次小波分解所得的低频子图像再次进行第二次小波分解后所得的三个高频子图像和一个低频子图像；

103)将所述七个小波子图像的小波分解系数取绝对值；

104)对所述七个小波子图像进行并行增强Lee滤波器滤波；

105)对经Lee滤波器滤波后的小波子图像进行小波逆变换，得到对数图像；和

106)对对数图像做指数变换，得到最终滤波结果。

所述4)对图像小块进行两次小波分解得到七个小波子图像步骤中的所述七个小波子图像分别是第一次小波分解所得的三个高频图像、第一次小波分解所得的低频图像进行第二次小波分解后所得的三个高频子图像和一个低频子图像。

优选的，所述4)对图像小块进行两次小波分解得到七个小波子图像步骤中选用Daubechies3小波对图像小块进行两次小波分解。

优选的，所述5)分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征步骤中通过下述公式计算每个像元的七个小波子图像的能量特征

$e=\frac{1}{M*N}\underset{x,y=0}{\overset{M*N-1}{\mathrm{\Σ}}}{\left|s(x,y)\right|}^2$

s(x，y)为子图像系数，M*N代表子图像的大小，e是子图像能量特征。

优选的，所述5)分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征步骤中的四个灰度共生矩阵特征为角二阶矩、熵、同质区和非相似性四个灰度共生矩阵特征。

优选的，通过下述公式计算每个像元的四个灰度共生矩阵特征

$\mathrm{ASM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}{(i,j)}^2$

$\mathrm{ENT}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}(i,j)\·\log P_{\mathrm{\δ}}(i,j)$

$\mathrm{HOM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}(i,j)/[1+{(i-j)}^2]$

$\mathrm{DIS}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|i-j|\·P_{\mathrm{\δ}}(i,j)$

其中，ASM为角二阶矩，ENT为熵，HOM为同质区，DIS为非相似性，(i,j)是灰度共生矩阵中元素的坐标值，P_δ(i,j)是灰度共生矩阵中位置(i,j)处元素的值，δ为位移量。

优选的，位移量δ为(1，0)、(0，1)、(1，1)或(1，-1)。

优选的，所述11)对由七个小波子图像能量特征、四个灰度共生矩阵特征和灰度均值组成的SAR图像特征向量进行聚类,获得SAR图像分类结果步骤中采用模糊c-均值聚类方法对SAR图像特征向量进行聚类。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果：本方法依赖于并行集群计算机***的高效信息处理能力，对SAR图像进行快速分类。在实现上就是将计算工作分配给不同结点并行处理(如对于n个结点用n个计算机同时并行处理)，实现了快速分类，解决了大数据量SAR图像分类速度慢的问题，可用于SAR图像处理，为灾害预防及救灾、军事等领域的SAR遥感应用提供了保障。

附图说明

图1是本发明基于空间域和频域特征的并行SAR图像分类方法的一种流程图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步说明，以助于理解本发明的内容。

如图1所示，一种基于空间域和频域特征的并行SAR图像分类方法，包括以下步骤：

S1、对SAR图像进行并行去噪处理；

S2、根据结点数将原始SAR图像分成n块，n为结点数；

S3、对于每一块图像，围绕其每个像元选取8×8像元大小的图像小块；

S4、对图像小块进行两次小波分解得到七个小波子图像；

S5、分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征；

S6、回收n个图像小块中每个像元的七个小波子图像能量特征和四个灰度共生矩阵特征,得到原始SAR图像所有像元的七个小波子图像能量特征和灰度共生矩阵特征；

S7、根据结点数将去噪处理后的SAR图像分成n块，n为结点数；

S8、对于每一块图像，围绕其每个像元选取8×8像元大小的图像小块；

S9、利用下式求取每个图像小块中每个像元的灰度均值：

$f(\stackrel{\‾}{i},j)=\frac{1}{m^2}\underset{k=0}{\overset{m^2-1}{\mathrm{\Σ}}}{a}_k$

其中，a₀＝f(i,j),为(i,j)处像元的灰度值，为(i,j)处像元周围的其他m²-1个像元的灰度值；

S10、回收n个图像小块的每个像元的灰度均值,得到去噪处理后的SAR图像所有像元的灰度均值；和

S11、对由七个小波子图像能量特征、四个灰度共生矩阵特征和灰度均值组成的SAR图像特征向量进行聚类,获得SAR图像分类结果。

本方法依赖于并行集群计算机***的高效信息处理能力，对SAR图像进行快速分类。在实现上就是将计算工作分配给不同结点并行处理(如对于n个结点用n个计算机同时并行处理)，实现了快速分类，解决了大数据量SAR图像分类速度慢的问题，可用于SAR图像处理，为灾害预防及救灾、军事等领域的SAR遥感应用提供了保障。对于其他一些类型的大数据遥感图像的分类，同样可以使用本发明的方法来实现。

并非邻域窗口选得越大越好，随着窗口的增大，原图像上的边缘轮廓在纹理分割图像上逐渐变得模糊。窗口很大时，灰度共生矩阵对窗口内边缘线的差异并不敏感；本方案中选取8×8的窗口，所得纹理分割图像可以突出微观纹理信息。

优选的，所述S1、对SAR图像进行并行去噪处理步骤具体包括：

S101、对原始SAR图像取对数，将乘性噪声变换为加性噪声；将乘性造成变成加性噪声便于滤波。

S102、对取对数后的SAR图像进行两层小波塔式分解得到七个小波子图像；便于将噪声和信号区分开。

所述七个小波子图像分别是第一次小波分解所得的三个高频子图像、第一次小波分解所得的低频子图像再次进行第二次小波分解后所得的三个高频子图像和一个低频子图像；

S103、将所述七个小波子图像的小波分解系数取绝对值；

S104、对所述七个小波子图像进行并行增强Lee滤波器滤波；

S105、对经Lee滤波器滤波后的小波子图像进行小波逆变换，得到对数图像；和

S106、对对数图像做指数变换，得到最终滤波结果。

所述S4、对图像小块进行两次小波分解得到七个小波子图像步骤中的所述七个小波子图像分别是第一次小波分解所得的三个高频图像、第一次小波分解所得的低频图像进行第二次小波分解后所得的三个高频子图像和一个低频子图像。

所述S4、对图像小块进行两次小波分解得到七个小波子图像步骤中选用Daubechies3小波对图像小块进行两次小波分解。Daubechies3小波的优势在于它是一种正交小波，并且是紧支撑的。

所述S5、分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征步骤中通过下述公式计算每个像元的七个小波子图像的能量特征

$e=\frac{1}{M*N}\underset{x,y=0}{\overset{M*N-1}{\mathrm{\Σ}}}{\left|s(x,y)\right|}^2$

s(x，y)为子图像系数，M*N代表子图像的大小，e是子图像能量特征。

所述S5、分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征步骤中的四个灰度共生矩阵特征为角二阶矩、熵、同质区和非相似性四个灰度共生矩阵特征。

通过下述公式计算每个像元的四个灰度共生矩阵特征

$\mathrm{ASM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}{(i,j)}^2$

$\mathrm{ENT}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}(i,j)\·\log P_{\mathrm{\δ}}(i,j)$

$\mathrm{HOM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}(i,j)/[1+{(i-j)}^2]$

$\mathrm{DIS}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|i-j|\·P_{\mathrm{\δ}}(i,j)$

其中，ASM为角二阶矩，ENT为熵，HOM为同质区，DIS为非相似性，(i,j)是灰度共生矩阵中元素的坐标值，P_δ(i,j)是灰度共生矩阵中位置(i,j)处元素的值，δ被称为位移量，δ＝(DX,DY)，DX和DY分别表示图像像元的横、纵坐标位移量。

灰度共生矩阵的定义是：设图像某一区域有N个灰度值，则对应该区域的灰度共生矩阵是一个N×N阶矩阵，在矩阵中位置(i,j)(1,…,i,…,N；1,…,j,…,N)处元素是从灰度为i的像元离开某个固定位置关系δ＝(DX,DY)处像元灰度为j这种现象出现的概率，δ被称为位移量。

在实际应用中，作为纹理识别的特征量是由上述的灰度共生矩阵计算出来的一些统计量。在本方案中，采取了上述四个式计算的统计量，对于SAR图像来说是效果很好的四种统计量，经试验证明，该四种统计量使SAR图像的分类结果精度更高。

应用灰度共生矩阵法进行SAR图像纹理分割，将图像的灰阶压缩为8级以上，一般不会对纹理信息有什么影响。

位移量δ优选选择(1，0)、(0，1)、(1，1)、(1，-1)这4种中的任何一种比较好，因为这四个位移量跳跃小，跳跃太大会在纹理信息上造成假信息。

优选的，所述S11、对由七个小波子图像能量特征、四个灰度共生矩阵特征和灰度均值组成的SAR图像特征向量进行聚类,获得SAR图像分类结果步骤中采用模糊c-均值聚类方法对SAR图像特征向量进行聚类。

模糊c-均值聚类方法分析作为无监督机器学习的主要技术之一，是用模糊理论对重要数据分析和建模的方法，建立了样本类属的不确定性描述，能比较客观地反映现实世界。在众多模糊聚类算法中，模糊C-均值(FCM)算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。

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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于空间域和频域特征的并行SAR图像分类方法，其特征在于，包括以下步骤：

1)对SAR图像进行并行去噪处理；

2)根据结点数将原始SAR图像分成n块，n为结点数；

3)对于每一块图像，围绕其每个像元选取8×8像元大小的图像小块；

4)对图像小块进行两次小波分解得到七个小波子图像；

5)分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征；

6)回收n个图像小块中每个像元的七个小波子图像能量特征和四个灰度共生矩阵特征,得到原始SAR图像所有像元的七个小波子图像能量特征和灰度共生矩阵特征；

7)根据结点数将去噪处理后的SAR图像分成n块，n为结点数；

8)对于每一块图像，围绕其每个像元选取8×8像元大小的图像小块；

9)利用下式求取每个图像小块中每个像元的灰度均值：

$f(\stackrel{\‾}{i},j)=\frac{1}{m^2}\underset{k=0}{\overset{m^2}{\mathrm{\Σ}}}{a}_k$

其中，a₀＝f(i,j),为(i,j)处像元的灰度值，为(i,j)处像元周围的其他m²-1个像元的灰度值；。

10)回收n个图像小块的每个像元的灰度均值,得到去噪处理后的SAR图像所有像元的灰度均值；和

11)对由七个小波子图像能量特征、四个灰度共生矩阵特征和灰度均值组成的SAR图像特征向量进行聚类,获得SAR图像分类结果。

2.根据权利要求1所述的并行SAR图像分类方法，其特征在于，所述1)对SAR图像进行并行去噪处理步骤具体包括：

101)对原始SAR图像取对数，将乘性噪声变换为加性噪声；

102)对取对数后的SAR图像进行两层小波塔式分解得到七个小波子图像；

所述七个小波子图像分别是第一次小波分解所得的三个高频子图像、第一次小波分解所得的低频子图像再次进行第二次小波分解后所得的三个高频子图像和一个低频子图像；

103)将所述七个小波子图像的小波分解系数取绝对值；

104)对所述七个小波子图像进行并行增强Lee滤波器滤波；

105)对经Lee滤波器滤波后的小波子图像进行小波逆变换，得到对数图像；和

106)对对数图像做指数变换，得到最终滤波结果。

3.根据权利要求1所述的并行SAR图像分类方法，其特征在于，所述4)对图像小块进行两次小波分解得到七个小波子图像步骤中的所述七个小波子图像分别是第一次小波分解所得的三个高频图像、第一次小波分解所得的低频图像进行第二次小波分解后所得的三个高频子图像和一个低频子图像。

4.根据权利要求1所述的并行SAR图像分类方法，其特征在于，所述4)对图像小块进行两次小波分解得到七个小波子图像步骤中选用Daubechies3小波对图像小块进行两次小波分解。

5.根据权利要求1所述的并行SAR图像分类方法，其特征在于，所述5)分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征步骤中通过下述公式计算每个像元的七个小波子图像的能量特征

$e=\frac{1}{M*N}\underset{x,y=0}{\overset{M*N-1}{\mathrm{\Σ}}}{\left|s(x,y)\right|}^2$

s(x，y)为子图像系数，M*N代表子图像的大小，e是子图像能量特征。

6.根据权利要求1所述的并行SAR图像分类方法，其特征在于，所述5)分别计算每个图像小块中每个像元的七个小波子图像能量特征、四个灰度共生矩阵特征步骤中的四个灰度共生矩阵特征为角二阶矩、熵、同质区和非相似性四个灰度共生矩阵特征。

7.根据权利要求6所述的并行SAR图像分类方法，其特征在于，通过下述公式计算每个像元的四个灰度共生矩阵特征

$\mathrm{ASM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}{(i,j)}^2$

$\mathrm{ENT}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}(i,j)\·\log P_{\mathrm{\δ}}(i,j)$

$\mathrm{HOM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{P}_{\mathrm{\δ}}(i,j)/[1+{(i-j)}^2]$

$\mathrm{DIS}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}|i-j|\·P_{\mathrm{\δ}}(i,j)$

其中，ASM为角二阶矩，ENT为熵，HOM为同质区，DIS为非相似性，(i,j)是灰度共生矩阵中元素的坐标值，P_δ(i,j)是灰度共生矩阵中位置(i,j)处元素的值，δ为位移量。

8.根据权利要求7所述的并行SAR图像分类方法，其特征在于，位移量δ为(1，0)、(0，1)、(1，1)或(1，-1)。

9.根据权利要求1所述的并行SAR图像分类方法，其特征在于，所述11)对由七个小波子图像能量特征、四个灰度共生矩阵特征和灰度均值组成的SAR图像特征向量进行聚类,获得SAR图像分类结果步骤中采用模糊c-均值聚类方法对SAR图像特征向量进行聚类。