CN106530242B - 基于聚类的极化sar图像相干斑自适应滤波方法 - Google Patents
基于聚类的极化sar图像相干斑自适应滤波方法 Download PDFInfo
- Publication number
- CN106530242B CN106530242B CN201610930681.0A CN201610930681A CN106530242B CN 106530242 B CN106530242 B CN 106530242B CN 201610930681 A CN201610930681 A CN 201610930681A CN 106530242 B CN106530242 B CN 106530242B
- Authority
- CN
- China
- Prior art keywords
- pixel
- cluster
- sar image
- parameter
- neighborhood
- 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.)
- Active
Links
- 230000001427 coherent effect Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 21
- 230000010287 polarization Effects 0.000 claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000003018 immunoassay Methods 0.000 claims abstract description 20
- 238000005191 phase separation Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims description 14
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明属于全极化SAR成像遥感技术领域,涉及一种基于聚类的极化SAR图像相干斑自适应滤波方法,具体步骤:(S1)输入待滤波的极化SAR图像,由极化SAR图像的极化相干矩阵计算相似度参数;(S2)根据相似度参数,计算相似度参数的距离测度;(S3)计算原始聚类特征参数;(S4)对原始聚类特征参数序列进行降序排列;(S5)确定聚类类别数目和聚类中心;(S6)根据聚类中心,进行聚类处理,得到聚类类别参数序列;(S7)选取候选样本像素集,并对待滤波像素进行滤波处理,遍历极化SAR图像中的每一个像素,得到极化SAR相干斑滤波结果图。本发明实现简单,对不同地物具有很好的鲁棒性,可对不同波段和不同分辨率的极化SAR图像进行处理。
Description
技术领域
本发明属于全极化SAR(Synthetic Aperture Radar,合成孔径雷达)成像遥感技术领域,涉及一种基于聚类的极化SAR图像相干斑自适应滤波方法。
背景技术
相干斑现象广泛存在于极化SAR等相干成像***所获得的图像中。相干斑的存在给极化SAR图像理解和解译带来了困难和挑战。在进行诸如目标检测、分类和识别等处理时,通常需要对极化SAR图像进行相干斑滤波预处理。性能优良的相干斑滤波方法要求在充分抑制相干斑的同时很好地保护地物细节。作为极化SAR图像预处理,相干斑滤波性能直接影响后续各种处理和应用的效果。因此,发展具有高精度的极化SAR相干斑自适应滤波方法具有重要意义。
相干斑滤波主要包含两个步骤:一是相似候选样本像素的选取,二是无偏估计器的构建。其中,相似候选样本像素的选取是决定相干斑滤波性能的关键,成为该领域的研究重点。当前,极化SAR图像中相似候选样本像素的选取主要基于各极化通道的能量信息,较少利用各极化通道的相关信息和完整的极化矩阵信息,相似候选样本像素选取的适应性和准确性有待提高。文献Si-Wei Chen,Xue-Song Wang and Motoyuki Sato,“PolInSARcomplex coherence estimation based on covariance matrix similarity test,”IEEETransactions on Geoscience and Remote Sensing,vol.50,no.11,pp.4699–4710,Nov.2012提出了一种基于极化矩阵相似性检验的相似候选样本像素选取方法,获得了更好的相干斑滤波性能。该方法利用了全极化信息,通过预设一个全局门限和门限判断来选取邻域内与待滤波像素相似的候选样本集。然而,全局门限并不能始终适应极化SAR图像中的各种纹理特征,相似候选样本像素选取的适应性和准确性仍有待提高。如何根据极化SAR图像局部纹理特征自适应地选取门限参数,是当前面临的技术挑战。因此,发展一种利用全极化信息的极化SAR图像自适应相干斑滤波方法具有重要意义。
发明内容
本发明要解决的技术问题是,提供一种基于聚类的极化SAR图像相干斑自适应滤波方法,本方法能够准确和自适应地选取候选样本像素集,实现对极化SAR图像的自适应相干斑滤波。
本发明的基本思路是:基于极化SAR图像极化矩阵相似性检验的相似度参数能够很好地衡量不同像素之间的相似程度。根据像素之间的相似程度,通过聚类处理则可自适应地确定具有不同纹理特征的邻域内各像素的类别,进而选取与待滤波像素类别相同的像素为候选样本集,实现极化SAR图像相干斑自适应滤波。具体而言,本发明通过计算待滤波像素邻域内两两像素之间的相似度参数,并构建相似度参数的距离测度。在此基础上,通过构建聚类特征参数,自适应确定聚类类别数目实现邻域内像素的聚类处理,并准确选取候选样本像素集,实现对极化SAR图像的自适应相干斑滤波。具体技术方案如下:
一种基于聚类的极化SAR图像相干斑自适应滤波方法,具体包括以下步骤:
(S1)输入待滤波的极化SAR图像,由极化SAR图像的极化相干矩阵计算相似度参数;
(S2)根据相似度参数,计算相似度参数的距离测度;
(S3)计算原始聚类特征参数;
(S4)对原始聚类特征参数序列进行降序排列;
(S5)确定聚类类别数目和聚类中心;
(S6)根据聚类中心,进行聚类处理,得到聚类类别参数序列;
(S7)选取候选样本像素集,并对待滤波像素进行滤波处理,遍历极化SAR图像中的每一个像素,得到极化SAR相干斑滤波结果图。
具体地,所述步骤(S1)中计算相似度参数具体为:极化SAR图像中的每一个像素(i,j)对应一个极化相干矩阵,记为Tij,i=1,2,…,I,j=1,2,…,J,极化SAR图像的大小为I×J,I,J分别表示图像的行、列像素点总数,取整数,对每一个待滤波像素对应的极化相干矩阵Tij,记以Tij为中心的邻域N×M内每一个极化相干矩阵Tnm,n=1,2,…,N,m=1,2,…,M,N、M分别表示邻域的行、列像素点总数,N、M为奇数,
计算Tij和Tnm的相似度参数ln Qij-nm:
ln Qij-nm=6ln2+ln[Det(Tij)]+ln[Det(Tnm)]-2ln[Det(Tij+Tnm)]
当Tij=Tnm时,ln Qij-nm=0;当Tij≠Tnm时,ln Qij-nm<0。Det(·)表示取矩阵的行列式。符号ln表示自然对数。
遍历邻域N×M内的每一个极化相干矩阵Tnm,得到相似度参数矩阵ln Qij-NM。
具体地,所述步骤(S2)计算相似度参数的距离测度具体为:将邻域N×M内的相似度参数矩阵ln Qij-NM按列展开,构建相似度参数向量ln Qij-P,P=N×M,计算相似度参数向量ln Qij-P内两两元素之间的距离测度Dxy:
Dxy=|ln Qij-x-ln Qij-y|
其中,x,y表示邻域内的像素,x=1,2,…,P,y=1,2,…,P;|·|为取绝对值。
具体地,所述步骤(S3)计算聚类参数具体过程为:
对邻域N×M内的每一个像素x,x=1,2,…,P,计算该像素的局部密度参数ρx:
其中,dc为截断距离,y=1,2,…,P,P=N×M,Dxy为距离测度,e为自然指数。
计算邻域N×M内的每一个像素x与邻域N×M内局部密度大于ρx的像素的最小距离,即:
δx=min(Dxy),其中ρx<ρy
ρy表示像素y的局部密度参数,min(·)表示求最小值;同时,记录满足δx=min(Dxy)的ρy的下标为即邻域N×M内像素是所有局部密度大于ρx的像素中与像素x距离最小的像素,即:
计算邻域N×M内每一个像素x的聚类特征参数ηx:
ηx=ρx×δx
遍历邻域N×M内的每一个像素,得到原始聚类特征参数序列ηP,即ηP={ηx},x=1,2,…,P。
具体地,所述步骤(S5)具体过程为:
记按降序排列的聚类特征参数序列z=1,2,…,N×M,计算聚类特征参数序列的一阶差分序列,记为
设定门限值th,将一阶差分序列中取值超过门限值th的元素中下标z的最大值确定为聚类类别数目w:
其中,门限th与极化SAR图像的分辨率有关,根据实际情况确定。
若一阶差分序列中所有元素的取值均不超过门限th,则聚类类别数目w=1;
将对应的像素确定为聚类中心,根据序列中每一元素与原始聚类特征参数序列ηP={ηx}中每一元素ηx的对应关系为下标uz为整数,且uz∈(-N×M,N×M),则聚类中心在原始聚类特征参数序列中对应的元素为
具体地,所述步骤(S6)中的聚类处理具体为:
设邻域N×M内每一像素x的聚类类别参数为bx,并初始化为bx=0,令w个聚类中心对应像素的聚类类别参数取值为{1,2,…,w},即
对邻域N×M内每一像素x,确定聚类类别参数bx的取值:
其中,像素是邻域N×M内所有局部密度大于ρx的像素中与像素x距离最小的像素,即满足 即为像素的聚类类别参数。
此处主要描述的是首先确定了聚类中心的类别参数,然后对与聚类中心距离最近的像素的聚类类别参数赋值,如此循环,即可对所有像素进行聚类类别参数赋值。
遍历邻域N×M内每一像素x,直至任意聚类类别参数bx的取值均不为0,则得到聚类类别参数序列{bx},x=1,2,…,P。
具体地,所述步骤(S7)具体步骤为:
在邻域N×M内,待滤波像素对应聚类类别参数序列{bx}的元素为b(N×M+1)/2,将序列{bx}内取值与b(N×M+1)/2相等的像素确定为候选样本像素集,记为:
{bg}={bx|bx=b(N×M+1)/2}
设{bg}中元素数目为G,且bg对应邻域N×M内像素的极化相干矩阵为Tg,则对待滤波像素的极化相干矩阵Tij的滤波处理结果为:
遍历极化SAR图像中的每一个像素像素(i,j)对应一个极化相干矩阵,记为Tij,i=1,2,…,I;j=1,2,…,J,则得到极化SAR相干斑滤波结果图。
具体地,所述N,M取值为15~25。
具体地,所述dc取值为0.02。
具体地,将所述步骤(S1)中极化相干矩阵替换成极化协方差矩阵。
用本发明获得的有益效果:
本发明所述的基于聚类的极化SAR图像相干斑自适应滤波方法,通过计算待滤波像素与邻域内像素散射特性的相似度参数的距离测度,构建聚类特征参数,自适应确定聚类类别数目实现邻域内像素的聚类处理,并准确选取候选样本像素集,实现对极化SAR图像的自适应相干斑滤波。本发明实现简单,对不同地物具有很好的鲁棒性,并且实施起来也非常方便,可直接用于对各种极化SAR***获得的具有不同波段和不同分辨率的极化SAR图像进行处理。本发明对于极化SAR图像预处理、相干斑滤波、模式识别、目标检测与分类等应用领域有着重要的参考价值。
附图说明
图1为本发明的实施流程图;
图2为美国UAVSAR待滤波极化SAR图;
图3为对具有典型纹理特征的像素区域进行聚类与候选样本像素选取示意图;
图4为美国UAVSAR极化SAR图像相干斑滤波结果图;
图5为德国F-SAR待滤波极化SAR图;
图6为对具有典型纹理特征的像素区域进行聚类与候选样本像素选取示意图;
图7为德国F-SAR极化SAR图像相干斑滤波结果图。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图和具体实施例对本发明作进一步描述。
图1为本发明的实施流程图。本发明适用于极化相干矩阵T和极化协方差矩阵C。本发明的输入为待滤波极化SAR图像的极化相干矩阵T或极化协方差矩阵C。其中,满足互易条件SHV=SVH时,极化相干矩阵T和极化协方差矩阵C分别为:
其中,SHH为在水平极化H发射和水平极化H接收条件下获取的复后向散射系数;SVH为在水平极化H发射和垂直极化V接收条件下获取的复后向散射系数;SHV为在垂直极化V发射和水平极化H接收条件下获取的复后向散射系数;SVV为在垂直极化V发射和垂直极化V接收条件下获取的复后向散射系数。上标*为共轭处理,|·|表示取绝对值。
下面以极化相干矩阵T为例进行技术方案介绍(对极化协方差矩阵C进行处理时,只需将极化相干矩阵T替换为极化协方差矩阵C即可)。极化SAR图像中的每一个像素对应一个极化相干矩阵,记为Tij,i=1,2,…,I,j=1,2,…,J,极化SAR图像的大小为I×J。对每一个待滤波像素的极化相干矩阵Tij,在其邻域N×M(N和M为奇数,N和M的取值与分辨率有关。一般取N=M=15~25)内,进行下面第一步至第七步的处理:
第一步,计算极化相干矩阵的相似度参数;
对极化相干矩阵Tij和以极化相干矩阵Tij为中心的邻域N×M内的每一个极化相干矩阵Tnm,n=1,2,…,N,m=1,2,…,M,计算Tij和Tnm的相似度参数ln Qij-nm:
ln Qij-nm=6ln2+ln[Det(Tij)]+ln[Det(Tnm)]-2ln[Det(Tij+Tnm)]
当Tij=Tnm时,ln Qij-nm=0;当Tij≠Tnm时,ln Qij-nm<0。Det(·)表示取矩阵的行列式。
遍历邻域N×M内的每一个极化相干矩阵Tnm,可得到相似度参数矩阵ln Qij-NM。
第二步,计算相似度参数的距离测度;
将邻域N×M内的相似度参数矩阵ln Qij-NM按列展开,构建相似度参数向量lnQij-P,P=N×M,计算相似度参数向量ln Qij-P内两两元素之间的距离测度Dxy:
Dxy=|ln Qij-x-ln Qij-y|
其中,x=1,2,…,P,y=1,2,…,P。
第三步,计算聚类特征参数;
对邻域N×M内的每一个像素x,计算该像素的局部密度参数ρx:
其中,dc为截断距离,通常取dc=0.02。
在此基础上,计算邻域N×M内的每一个像素x与邻域N×M内局部密度大于ρx的像素的最小距离,即:
δx=min(Dxy),其中ρx<ρy
同时,记录满足δx=min(Dxy)的ρy的下标为即邻域N×M内像素是所有局部密度大于ρx的像素中与像素x距离最小的像素,即:
计算邻域N×M内的每一个像素的聚类特征参数ηx:
0x=ρx×δx
遍历邻域N×M内的每一个像素,可得到原始聚类特征参数序列ηP,即ηP={ηx}。
第四步,对聚类特征参数序列进行降序排列;
对聚类特征参数序列ηP进行降序排列,得到按降序排列的聚类特征参数序列z=1,2,…,N×M。同时序列中每一元素与原始聚类特征参数序列ηP={ηx}中每一元素ηx的对应关系为下标uz为整数,且uz∈(-N×M,N×M)。
第五步,确定聚类类别数目和聚类中心;
计算聚类特征参数序列的一阶差分序列,记为
将一阶差分序列中取值超过门限th的元素中下标z的最大值确定为聚类类别数目w:
其中,门限th与极化SAR图像的分辨率有关,根据实际情况确定。若一阶差分序列中所有元素的取值均不超过门限th,则聚类类别数目w=1。
将对应的像素样本确定为聚类中心。根据序列中每一元素与原始聚类特征参数序列ηP={ηx}中每一元素ηx的对应关系为则聚类中心在原始聚类特征参数序列中对应的元素为
第六步,聚类处理;
设邻域N×M内每一像素x的聚类类别参数为bx,并初始化为bx=0。令w个聚类中心对应像素的聚类类别参数取值为{1,2,…,w},即
对邻域N×M内每一像素x,确定聚类类别参数bx的取值
遍历邻域N×M内每一像素x,直至任意聚类类别参数bx的取值均不为0,则可得到聚类类别参数序列{bx}。
第七步,候选样本像素集选取与滤波处理。
在邻域N×M内,待滤波像素对应聚类类别参数序列{bx}的元素为b(N×M+1)/2。将序列{bx}内取值与b(N×M+1)/2相等的像素确定为候选样本像素集,记为
{bg}={bx|bx=b(N×M+1)/2}
设{bg}中元素数目为G,且bg对应邻域N×M内像素的极化相干矩阵为Tg,则对待滤波像素的极化相干矩阵Tij的滤波处理为:
遍历极化SAR图像中的每一个像素,则可得到极化SAR相干斑滤波结果图。
图2至图4是利用本发明的具体实施方式进行实验一的处理结果。该实验采用的是美国UAVSAR***在加拿大农作物区域获取的L波段极化SAR图像,其中门限取值为th=0.1。该极化SAR图像分辨率为距离向5米,方位向7米。
图2为美国UAVSAR待滤波极化SAR图像。图2(a)为待滤波HH极化图像,图2(b)为待滤波HV极化图像,图2(c)为待滤波VV极化图像。HH表示水平极化H发射和水平极化H接收;HV表示垂直极化V发射和水平极化H接收;VV表示垂直极化V发射和垂直极化V接收。
图3为具有典型纹理特征的像素区域进行聚类与候选样本像素选取示意图,其中白色或黑色箭头指示待滤波像素。其中,图3(a1)-图3(a5)为待滤波像素位于三角纹理区域的处理结果;图3(b1)-图3(b5)为待滤波像素位于横线纹理区域的处理结果;图3(c1)-图3(c5)为待滤波像素位于斜线纹理区域的处理结果;图3(d1)-图3(d5)为待滤波像素位于点目标纹理区域的处理结果。图3(a1)-图3(d1)为待滤波HH极化图像;图3(a2)-图3(d2)为待滤波HV极化图像;图3(a3)-图3(d3)为待滤波VV极化图像;图3(a4)-图3(d4)为聚类结果图;图3(a5)-图3(d5)为候选样本像素结果图,其中白色为候选样本像素。可以看到,本发明对不同的地物纹理均能自适应并准确选取与待滤波像素最为相似的候选样本像素,为相干斑滤波性能奠定了坚实基础。
图4为美国UAVSAR极化SAR图像相干斑滤波结果图。图4(a)为HH极化滤波结果图,图4(b)为HV极化滤波结果图,图4(c)为VV极化滤波结果图。可以看到,相干斑得到充分抑制,同时地物细节得到有效保护,很好地实现了相干斑滤波处理。
图5至图7是利用本发明的具体实施方式进行实验二的处理结果。该实验采用的是德国F-SAR***在德国建筑物区域获取的X波段极化SAR图像,其中门限取值为th=0.1。该极化SAR图像分辨率为距离向0.25米,方位向0.25米。
图5为德国F-SAR待滤波极化SAR图像。图5(a)为待滤波HH极化通道图像,图5(b)为待滤波HV通道极化图像,图5(c)为待滤波VV通道极化图像。
图6为具有典型纹理特征的像素区域进行聚类与候选样本像素选取示意图,其中白色或黑色箭头指示待滤波像素。其中,图6(a1)-图6(a5)为待滤波像素位于三角纹理区域的处理结果;图6(b1)-图6(b5)为待滤波像素位于横线纹理区域的处理结果;图6(c1)-图6(c5)为待滤波像素位于竖线纹理区域的处理结果;图6(d1)-图6(d5)为待滤波像素位于点目标纹理区域的处理结果。图6(a1)-图6(d1)为待滤波HH极化图像;图6(a2)-图6(d2)为待滤波HV极化图像;图6(a3)-图6(d3)为待滤波VV极化图像;图6(a4)-图6(d4)为聚类结果图;图6(a5)-图6(d5)为候选样本像素结果图,其中白色为候选样本像素。从图中可以看到,本发明对不同的地物纹理均能自适应并准确选取与待滤波像素最为相似的候选样本像素,为相干斑滤波性能奠定了坚实基础。
图7为德国F-SAR极化SAR图像相干斑滤波结果图。图7(a)为HH极化通道滤波结果图,图7(b)为HV通道极化滤波结果图,图7(c)为VV通道极化滤波结果图。可以看到,相干斑得到充分抑制,同时地物细节得到有效保护,很好地实现了相干斑滤波处理。
以上所述仅是本发明的优选实施方式,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 (7)
1.一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,具体包括以下步骤:
(S1)输入待滤波的极化SAR图像,由极化SAR图像的极化相干矩阵计算相似度参数;
(S2)根据相似度参数,计算相似度参数的距离测度;
(S3)计算原始聚类特征参数;
(S4)对原始聚类特征参数序列进行降序排列;
(S5)确定聚类类别数目和聚类中心;
(S6)根据聚类中心,进行聚类处理,得到聚类类别参数序列;
(S7)选取候选样本像素集,并对待滤波像素进行滤波处理,遍历极化SAR图像中的每一个像素,得到极化SAR相干斑滤波结果图;
所述步骤(S1)中计算相似度参数具体为:极化SAR图像中的每一个像素对应一个极化相干矩阵,记为Tij,i=1,2,…,I,j=1,2,…,J,极化SAR图像的大小为I×J,I,J为整数,对每一个待滤波像素对应的极化相干矩阵Tij,记以Tij为中心的邻域N×M内每一个极化相干矩阵Tnm,n=1,2,…,N,m=1,2,…,M,N、M为奇数,计算Tij和Tnm的相似度参数lnQij-nm:
lnQij-nm=6ln2+ln[Det(Tij)]+ln[Det(Tnm)]-2ln[Det(Tij+Tnm)]
其中,Det(·)表示取矩阵的行列式;
遍历邻域N×M内的每一个极化相干矩阵Tnm,得到相似度参数矩阵lnQij-NM;
所述步骤(S2)计算相似度参数的距离测度具体为:将邻域N×M内的相似度参数矩阵lnQij-NM按列展开,构建相似度参数向量lnQij-P,P=N×M,计算相似度参数向量lnQij-P内两两元素之间的距离测度Dxy:
Dxy=|lnQij-x-lnQij-y|
其中,x=1,2,…,P,y=1,2,…,P;|·|为取绝对值;
所述步骤(S3)计算原始聚类特征参数具体过程为:
对邻域N×M内的每一个像素x,计算该像素的局部密度参数ρx:
其中,dc为截断距离,y=1,2,…,P,P=N×M,Dxy为距离测度;
计算邻域N×M内的每一个像素x与邻域N×M内局部密度大于ρx的像素的最小距离,即:
δx=min(Dxy),其中ρx<ρy
同时,记录满足δx=min(Dxy)的ρy的下标为即邻域N×M内像素是所有局部密度大于ρx的像素中与像素x距离最小的像素,即:
计算邻域N×M内的每一个像素的原始聚类特征参数ηx:
ηx=ρx×δx
遍历邻域N×M内的每一个像素,得到原始聚类特征参数序列ηP,即ηP={ηx},x=1,2,…,P。
2.如权利要求1所述的一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,所述步骤(S5)具体为:
记按降序排列的聚类特征参数序列计算聚类特征参数序列的一阶差分序列,记为
设定门限值th,将一阶差分序列中取值超过门限值th的元素中下标z的最大值确定为聚类类别数目w:
若一阶差分序列中所有元素的取值均不超过门限th,则聚类类别数目w=1;
将对应的像素确定为聚类中心,根据序列中每一元素与原始聚类特征参数序列ηP={ηx}中每一元素ηx的对应关系为下标uz为整数,且uz∈(-N×M,N×M),则聚类中心在原始聚类特征参数序列中对应的元素为
3.如权利要求1所述的一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,所述步骤(S6)中的聚类处理具体为:
设邻域N×M内每一像素x的聚类类别参数为bx,并初始化为bx=0,令w个聚类中心对应像素的聚类类别参数取值为{1,2,…,w},即
对邻域N×M内每一像素x,确定聚类类别参数bx的取值:
其中,像素是邻域N×M内所有局部密度大于ρx的像素中与像素x距离最小的像素,即满足 即为像素的聚类类别参数;
遍历邻域N×M内每一像素x,直至任意聚类类别参数bx的取值均不为0,则得到聚类类别参数序列{bx},x=1,2,…,P;P=N×M。
4.如权利要求1所述的一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,所述步骤(S7)具体步骤为:
在邻域N×M内,待滤波像素对应聚类类别参数序列{bx}的元素为b(N×M+1)/2,将序列{bx}内取值与b(N×M+1)/2相等的像素确定为候选样本像素集,记为
{bg}={bx|bx=b(N×M+1)/2}
设{bg}中元素数目为G,且bg对应邻域N×M内像素的极化相干矩阵为Tg,则对待滤波像素的极化相干矩阵Tij的滤波处理结果为:
遍历极化SAR图像中的每一个像素,则得到极化SAR相干斑滤波结果图。
5.如权利要求1所述的一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,所述N,M取值为15~25。
6.如权利要求1所述的一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,所述dc取值为0.02。
7.如权利要求1所述的一种基于聚类的极化SAR图像相干斑自适应滤波方法,其特征在于,将所述步骤(S1)中极化相干矩阵替换成极化协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610930681.0A CN106530242B (zh) | 2016-10-31 | 2016-10-31 | 基于聚类的极化sar图像相干斑自适应滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610930681.0A CN106530242B (zh) | 2016-10-31 | 2016-10-31 | 基于聚类的极化sar图像相干斑自适应滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530242A CN106530242A (zh) | 2017-03-22 |
CN106530242B true CN106530242B (zh) | 2019-01-18 |
Family
ID=58292450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610930681.0A Active CN106530242B (zh) | 2016-10-31 | 2016-10-31 | 基于聚类的极化sar图像相干斑自适应滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530242B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680061A (zh) * | 2017-10-10 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于相似性检验的双极化sar图像相干斑滤波方法 |
CN110349105B (zh) * | 2019-07-09 | 2021-02-26 | 中国人民解放军国防科技大学 | 结合上下文协方差矩阵的双极化sar图像相干斑滤波方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122386A (zh) * | 2011-03-01 | 2011-07-13 | 西安电子科技大学 | 基于字典迁移聚类的sar图像分割方法 |
CN102938071A (zh) * | 2012-09-18 | 2013-02-20 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN103136757A (zh) * | 2013-04-02 | 2013-06-05 | 西安电子科技大学 | 基于流形距离的两阶段聚类算法的sar图像分割方法 |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN105374047A (zh) * | 2015-12-15 | 2016-03-02 | 西安电子科技大学 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
-
2016
- 2016-10-31 CN CN201610930681.0A patent/CN106530242B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122386A (zh) * | 2011-03-01 | 2011-07-13 | 西安电子科技大学 | 基于字典迁移聚类的sar图像分割方法 |
CN102938071A (zh) * | 2012-09-18 | 2013-02-20 | 西安电子科技大学 | 基于非局部均值的sar图像变化检测模糊聚类分析方法 |
CN103136757A (zh) * | 2013-04-02 | 2013-06-05 | 西安电子科技大学 | 基于流形距离的两阶段聚类算法的sar图像分割方法 |
CN105138970A (zh) * | 2015-08-03 | 2015-12-09 | 西安电子科技大学 | 基于空间信息的极化sar图像分类方法 |
CN105374047A (zh) * | 2015-12-15 | 2016-03-02 | 西安电子科技大学 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
Non-Patent Citations (5)
Title |
---|
PolInSAR complex coherence estimation based on covariance matrix similarity test;SiWei Chen 等;《IEEE Transactions on Geoscience and Remote Sensing》;20121231;第50卷(第11期);摘要、第I-VI节、图1-12 * |
PolSAR Image Segmentation by Mean Shift Clustering in the Tensor Space;WANG YingHua 等;《Acta Automatic Sinice》;20100630;第36卷(第6期);第798-806页 * |
SAR image despeckling using possibilistic fuzzy C-means clustering and edge detection in bandelet domain;I.Shanthi 等;《Neural Comput & Applic》;20131231(第23期);第S279-S291页 * |
超像素极化合成孔径雷达影像谱聚类算法研究;崔鸣 等;《测绘科学》;20150331;第40卷(第3期);摘要、第1-4节、图1-3 * |
采用流形近邻传播聚类的极化SAR图像分类;刘璐 等;《信号处理》;20160229;第32卷(第2期);第135-141页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106530242A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A new methodology for identifying arc fault by sparse representation and neural network | |
Lin et al. | Image registration based on corner detection and affine transformation | |
Nielsen | The regularized iteratively reweighted MAD method for change detection in multi-and hyperspectral data | |
CN101807301B (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
Hocking et al. | Learning sparse penalties for change-point detection using max margin interval regression | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及*** | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN110619263B (zh) | 低秩联合协同表示的高光谱遥感影像异常探测方法 | |
CN109029381A (zh) | 一种隧道裂缝的检测方法、***及终端设备 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN106530242B (zh) | 基于聚类的极化sar图像相干斑自适应滤波方法 | |
Li et al. | Graph-guided Bayesian matrix completion for ocean sound speed field reconstruction | |
CN109784142A (zh) | 一种基于条件随机投影的高光谱目标检测方法 | |
Yang et al. | An improved EM algorithm for remote sensing classification | |
Zheng et al. | Classification based on deep convolutional neural networks with hyperspectral image | |
Xu et al. | Ship images detection and classification based on convolutional neural network with multiple feature regions | |
CN111179254B (zh) | 一种基于特征函数和对抗学习的域适应医学图像分割方法 | |
CN106030428B (zh) | 蒸汽发生器的板的堵塞的量化评估方法 | |
Krishnamurthy et al. | Target detection performance bounds in compressive imaging | |
Feng et al. | Object-oriented change detection for remote sensing images based on multi-scale fusion | |
Guo et al. | A Siamese global learning framework for multi-class change detection | |
Jiang et al. | Hyperspectral image classification using set-to-set distance | |
CN110321904A (zh) | 结合上下文协方差矩阵的单极化sar图像相干斑滤波方法 | |
Tian et al. | The cotton aphids counting system with super resolution and compressive sensing | |
Haifeng et al. | Optimal line feature generation from low-level line segments under RANSAC framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |