CN109615025A - 快速地物分类方法 - Google Patents

快速地物分类方法 Download PDF

Info

Publication number
CN109615025A
CN109615025A CN201811621588.7A CN201811621588A CN109615025A CN 109615025 A CN109615025 A CN 109615025A CN 201811621588 A CN201811621588 A CN 201811621588A CN 109615025 A CN109615025 A CN 109615025A
Authority
CN
China
Prior art keywords
atural object
header element
scattering
threshold value
ntt
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.)
Pending
Application number
CN201811621588.7A
Other languages
English (en)
Inventor
谭维贤
贺婷婷
李秀娟
黄平平
徐伟
杨文�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN201811621588.7A priority Critical patent/CN109615025A/zh
Publication of CN109615025A publication Critical patent/CN109615025A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种快速地物分类方法，属于遥感地物分类技术领域。该快速地物分类方法包括以下步骤：S1读入待分类图像的极化后向散射矩阵SS并获得目标平均相干矩阵TT；S2对该目标平均相干矩阵TT进行归一化，获得归一化后的目标平均相干矩阵NTT；S3根据该归一化后的目标平均相干矩阵，获得该归一化后的目标平均相干矩阵NTT的首元素NTT1；S4根据该首元素NTT1计算该归一化后的目标平均相干矩阵NTT的元素平方和Q；S5根据该首元素NTT1和该元素平方和Q的取值确定地物的类别。本发明提供的快速地物分类方法使用参数替代的方法，提高了运算效率，且用元素平方和Q与首元素NTT1组成的平面分类图代替了H/α平面分类图，使得分类效果与已有分类效果一致。

Description

快速地物分类方法
技术领域
本发明涉及遥感地物分类技术领域，特别涉及快速地物分类方法。
背景技术
目前，在提出的极化SAR(合成孔径雷达)数据分析和处理的方法中，极化目标分解是最常用且效果较好的方法，常见的方法分别是相干分解方法和非相干分解方法。相干分解方法是以Pauli分解为代表，而非相干分解方法包括基于特征矢量的目标计划分解方法和基于散射模型的目标极化分解方法等。其中天，基于特征矢量的目标极化分解方法以Cloude分解为代表，将目标分解为分布目标对应的三个特征矢量来表征三种简单散射机制；而基于散射模型的目标极化分解以Freeman-Durden三分量分解为代表，通过该类散射模型可以初步确定何种散射机制在分极化SAR数据的后向散射中占主要地位。还有一种是通过采用统计散射模型来划分散射机制的，在该方法中极化散射参数α是用来识别主要散射机制的关键参数，例如可以通过极化散射熵H来描述分布式目标的散射随机性。该统计散射模型的方法对现有的全极化SAR数据分解分析有很好的适用性，现广泛应用于的极化SAR数据分类方法中。
然而，由在使用H/α分类方法时，首先需要对目标相干矩阵进行分解，以提取出特征值和特征向量，继而计算参数H和α。在这个过程中，提取特征值和特征向量时比较耗时，使得运算效率降低。
有鉴于此，确有必要提供一种与H/α分类方法相似，但能够节省由于提取特征值和特征向量所耗费的时间以提高分类效率的快速地物分类方法。
发明内容
为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本发明提供了一种快速地物分类方法。所述技术方案如下：
本发明的一个目的是提供了一种快速地物分类方法。
根据本发明的一个方面，提供了一种快速地物分类方法，所述快速地物分类方法包括以下步骤：
S1读入待分类图像的极化后向散射矩阵SS并获得目标平均相干矩阵TT；
S2对所述目标平均相干矩阵TT进行归一化，获得归一化后的目标平均相干矩阵NTT；
S3根据所述归一化后的目标平均相干矩阵NTT，获得所述归一化后的目标平均相干矩阵NTT的首元素NTT1；
S4根据所述首元素NTT1计算所述归一化后的目标平均相干矩阵NTT的元素平方和Q；
S5根据所述首元素NTT1和所述元素平方和Q的取值确定地物的类别。
具体地，在步骤S5中，还包括以下步骤：
S51将所述元素平方和Q的取值与元素平方和阈值比较，确定所述地物的散射情况；
S52将所述首元素NTT1的取值与首元素阈值相比较，并根据已经确定的所述散射情况确定所述地物的类别。
具体地，所述元素平方和阈值包括第一元素平方和阈值、第二元素平方和阈值和第三元素平方和阈值，所述散射情况包括高随机散射情况、中随机散射情况和低随机散射情况，
当所述元素平方和Q的取值在所述第一元素平方和阈值范围内时，则确定所述地物为高随机散射情况；
当所述元素平方和Q的取值在所述第二元素平方和阈值范围内时，则确定所述地物为中随机散射情况；
当所述元素平方和Q的取值在所述第三元素平方和阈值范围内时，则确定所述地物为低随机散射情况。
优选地，所述第一元素平方和阈值的范围为[0.33,0.4)，所述第二元素平方和阈值的范围为[0.4,0.7)，所述第三元素平方和阈值的范围为[0.7,1]。
具体地所述首元素阈值包括第一首元素阈值、第二首元素阈值、第三首元素阈值、第四首元素阈值、第五首元素阈值、第六首元素阈值、第七首元素阈值和第八首元素阈值，
所述地物的类别包括高熵多次散射、高熵植被散射、中等极化熵的二面角散射、中熵植被散射、中熵表面散射、低熵二次散射、低熵偶极子散射和低熵表面散射，
当所述地物为高随机散射情况时，若所述首元素NTT1的取值在所述第一首元素阈值范围内，则所述地物的类别确定为高熵多次散射，若所述首元素NTT1的取值在所述第二首元素阈值范围内，则所述地物的类别确定为高熵植被散射；
当所述地物为中随机散射情况时，若所述首元素NTT1的取值在所述第三首元素阈值范围内，则所述地物的类别确定为中等极化熵的二面角散射，若所述首元素NTT1的取值在所述第四首元素阈值范围内，则所述地物的类别确定为中熵植被散射，若所述首元素NTT1的取值在所述第五首元素阈值范围内，则所述地物的类别确定为中熵表面散射；
当所述地物为低随机散射情况时，若所述首元素NTT1的取值在所述第六首元素阈值范围内，则所述地物的类别确定为低熵二次散射，若所述首元素NTT1的取值在所述第七首元素阈值范围内，则所述地物的类别确定为低熵偶极子散射，若所述首元素NTT1的取值在所述第八首元素阈值范围内，则所述地物的类别确定为低熵表面散射。
优选地，所述第一首元素阈值的范围为[0,0.355)，所述第二首元素阈值的范围为[0.355,0.59)，所述第三首元素阈值的范围为[0,0.425)，所述第四首元素阈值的范围为[0.425,0.59)，所述第五首元素阈值的范围为[0.59,1)，所述第六首元素阈值的范围为[0,0.48)，所述第七首元素阈值的范围为 [0.48,0.555)，所述第八首元素阈值的范围为[0.555,1]。
进一步地，在步骤S5中，在确定所述地物的类别之后还包括以下步骤：
S53根据所述地物的类别采用不同标记予以表征形成Q/NTT1平面分类图。
具体地，在步骤S4中，所述元素平方和Q的表达式为：
其中，Q表示归一化后的目标平均相干矩阵NTT的元素平方和Q，NTT1表示所述归一化后的目标平均相干矩阵NTT的首元素。
具体地，所述极化后向散射矩阵SS的表达式为：
其中，SSHH为水平波极化发射和水平波极化接收时的目标散射系数，SSHV为垂直波极化发射和水平波极化接收时的目标散射系数,SSVH为水平波极化发射和垂直波极化接收时的目标散射系数,SSVV为垂直波极化发射和垂直波极化接收时的目标散射系数。
进一步地，在步骤S1中，目标平均相干矩阵TT为所读入的所述极化后向散射矩阵SS通过预设算法获得的矩阵。
根据本发明的快速地物分类方法具有以下优点中的至少一个：
(1)本发明提供的快速地物分类方法针对H/α分类方法运算量偏大的缺点进行了改进，本发明使用参数替代的方法，将目标平均相干矩阵进行归一化，得到和H/α分类方法相似的分类方法，提高了运算效率；
(2)本发明用归一化后的目标平均相干矩阵NTT的元素平方和Q与归一化后的目标平均相干矩阵NTT的首元素NTT1组成的平面分类图代替了H/α平面分类图，使得分类效果与已有分类效果一致。
附图说明
本发明的这些和/或其他方面和优点从下面结合附图对优选实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明的一个实施例的快速地物分类方法的流程图；
图2是根据现有的H/α分类方法获得的黄河流域内蒙古段地区的地物的二维H/α平面分类图；
图3是根据图1方法所获得的黄河流域内蒙古段地区的地物的二维Q/NTT1平面分类图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释，而不应当理解为对本发明的一种限制。
参见图1，其示出了根据本发明的一个实施例的快速地物分类方法。本快速地物分类方法是一种基于散射相似性的地物分类方法。具体步骤如下：
S1读入待分类图像的极化后向散射矩阵SS，并获得目标平均相干矩阵TT。
在雷达极化中，极化后向散射矩阵通常采用一个Sinclair矩阵(即极化散射矩阵)表征，而这些数据也是极化SAR图像处理的原始数据。在“水平-垂直”线极化基下，该Sinclair矩阵可写为：
其中，SSHH为水平波极化发射和水平波极化接收时的目标散射系数，SSHV为垂直波极化发射和水平波极化接收时的目标散射系数,SSVH为水平波极化发射和垂直波极化接收时的目标散射系数,SSVV为垂直波极化发射和垂直波极化接收时的目标散射系数。
在软件PolSARpro中导出的目标平均相干矩阵TT可表示为：
其中，T11、T22、T33、T12、T21、T13、T31、T32、T23为待分类图像在每个像素位置处的目标相干矩阵。例如，我们可以读入于2018年2月获取于黄河流域内蒙古段地区的图像，通过本发明所提供的快速地物分类方法可以将待分类的地物冰凌、建筑、田地、水和树林等区分开。该图像在每个像素位置处的目标相干矩阵包含1500×1600个元素。当然本领域技术人员，可以根据需要选择其他地方的地物进行分类。虽然地理位置的不同，使得每个地方所含有的地物类型也各有不同，但是均可通过本发明所提供的快速地物分类方法进行分类。
在本发明的一个示例中，目标平均相干矩阵TT为通过软件PolSARpro中的预设算法计算后直接导出的矩阵。当然本领域技术人员也可以明白，目标平均相干矩阵TT还可以采用除PolSARpro软件以外的其他软件获得。本示例仅是一种说明性示例，本领域技术人员不应当理解为对本发明的一种限制。
在互易条件下，Sinclair矩阵为对称矩阵。在下述的内容中，我们均假设Sinclair矩阵为对称矩阵。
在现有的H/α分类方法中，为了将地物分类，首先需要用目标散射矢量来表示目标平均相干矩阵TT。
为便于目标极化散射特性分析，在雷达极化中常采用Pauli基矩阵将Sinclair矩阵矢量化为即
其中，为Pauli特征矢量，其中Trace(SS)为矩阵SS的迹运算，为Pauli 基矩阵的集合，在矩阵右上角的′表示矩阵SS的转置。
之后，利用目标散射矢量得到其与目标平均相干矩阵TT之间的关系，定义为
其中，表示目标散射矢量的复共轭。
然后，利用米勒(Mueller)矩阵表示分布式目标相干矩阵TT。通常将分布式目标看成是由许多在空间上随机分布的、相互独立的非相干散射中心构成，这样，散射回波为将这些非相干散射中心的回波相干叠加而成。将分布式目标散射回波通过Stokes矢量表示为：
其中，为分布式目标散射回波，为第i个非相干散射中心的散射回波，为发射电磁波极化，L为非相干散射中心的个数，Mi为第i个非相干散射中心的 Mueller矩阵，M为分布式目标的Mueller矩阵。
由上可知，公式(4)表明，分布式目标Mueller矩阵可以理解为目标包含散射中心对应的Mueller矩阵之和；利用目标平均相干矩阵TT与Mueller矩阵元素间的线性关系，分布式目标相干矩阵可表示为：
其中，TTi为非相干散射中心的相干矩阵，为的Pauli基矢量。
由公式(2)可知，目标平均相干矩阵TT是一个3*3的埃尔米特型极化相干矩阵，它可以归一化目标平均相干矩阵TT得到其特征值Λ和特征矢量Ui，并将目标平均相干矩阵TT由特征值Λi和特征矢量Ui表示，从而得到数据的极化特征，即极化散射熵H和平均极化散射参数公式如下：
其中，Ui为对目标平均相干矩阵TT归一化后获得的特征向量，ui1为特征向量Ui中的元素，Λi为对目标平均相干矩阵TT归一化后获得的特征值，pi为对应特征值Λi获得的伪概率；αi为极化散射参数；为平均极化散射参数，其表示平均散射机制的类型；H为极化散射熵，其可以表示散射机制随机性的度量，从αi角度的分析出发，可以确定出地物的散射机制。
由于对目标平均相干矩阵TT归一化后提取极化散射熵H和平均极化散射参数涉及到计算复杂的矩阵特征值和特征矢量分解，导致计算量极大，非常不利于图像实时处理。
由此，本发明在得到目标平均相干矩阵TT之后，仅对该目标平均相干矩阵 TT进行归一化，获得归一化后的目标平均相干矩阵NTT(即为步骤S2)，而不对该目标平均相干矩阵TT提取特征值Λi和特征矢量Ui，这样大大减少了计算量，提高了图像处理的效率。在归一化后的目标平均相干矩阵NTT中，可以通过该矩阵直接得到该矩阵的首元素NTT1，即该矩阵的第一个元素就是该矩阵的首元素(即步骤S3)。我们可以通过现有的H/α分类方法继续做如下推理：
将归一化目标平均相干矩阵TT获得的归一化后的目标平均相干矩阵NTT，用目标散射矢量可以表示为：
式中，为目标散射矢量，为目标散射矢量的复共轭，Trace(TT)为目标平均相干矩阵TT的迹。
为了便于提取目标平均散射机制，Cloude分解首先采用α-β模型对相干矩阵特征矢量构成的酉矩阵进行参量化，即
式中，αi为极化散射参数，其表示某种散射机制类型，βi表为对应目标的方位角，为对应目标的绝对相位，δi和γi为对应目标的相位角。
由于归一化后的目标平均相干矩阵NTT和目标平均相干矩阵TT具有共同的特征矢量Ui，而且特征矢量Ui对应的特征值分别为λi，i＝1,2,3。
归一化后的目标平均相干矩阵NTT和目标平均相干矩阵TT同样也为 Hermitian矩阵，因此有公式如下：
Trace(NTT)＝λ1+λ2+λ3 (10)
其中，Q为归一化后的目标平均相干矩阵NTT的元素平方和，λi(其中， i＝1,2,3)为归一化后的目标平均相干矩阵NTT的特征值。
考虑到归一化后的目标平均相干矩阵NTT的迹恒等于1，特征值为多项式方程(12)的根，即表示为：
其中，λi(其中，i＝1,2,3)为归一化后的目标平均相干矩阵NTT的特征值，NTTi为归一化后的目标平均相干矩阵NTT的第i个元素。
然后，结合公式(7)-(12)，通过计算归一化后的目标平均相干矩阵NTT 的行列式和对归一化后的目标平均相干矩阵NTT的元素平方和Q求和以及对角线元素的和得到特征值λ1、λ2、λ3；可以看出归一化后的目标平均相干矩阵NTT 的特征值λ1、λ2、λ3可表示不变特征量函数，这样极化散射熵H可表示为矩阵行列式与元素平方和Q的函数，因此可以得出该函数为非线性函数。由公式(7) -(12)可以看出归一化后的目标平均相干矩阵NTT的元素平方和Q与极化散射熵H包含信息非常相似，且当极化散射熵最大时，即H＝1时，归一化后的目标平均相干矩阵NTT的元素平方和Q最小等于1/3；当极化散射熵最小时，即H＝0 时，归一化后的目标平均相干矩阵NTT的元素平方和Q最大等于1。
另一个分类参数用表征平均散射机制参数不是相干矩阵的相似不变量，通过分析目标平均相干矩阵特征矢量参数化形式，即公式(7)，归一化后的目标平均相干矩阵NTT的首元素NTT1可表示为
其中，NTT1为归一化后的目标平均相干矩阵NTT的首元素；λi(其中， i＝1,2,3)为归一化后的目标平均相干矩阵NTT的特征值。
比较归一化后的目标平均相干矩阵NTT的首元素NTT1与平均极化散射参数的表达式(7)和(13)两式，都为αi和λi的函数，说明它们包含了相同的目标信息。即在本发明的S3步骤中所获得的归一化后的目标平均相干矩阵NTT的首元素NTT1能够表达平均极化散射参数中所包含的所有信息，因此无需对目标平均相干矩阵TT进行特征向量和特征值的提取，即可通过首元素NTT1得到与通过平均极化散射参数获得的相一致的地物散射情况。
将公式(11)-(13)化解可以得到归一化后的目标平均相干矩阵NTT的元素平方和Q(即步骤S4)，所述元素平方和Q的表达式为：
其中，Q表示归一化后的目标平均相干矩阵NTT的元素平方和Q，NTT1表示所述归一化后的目标平均相干矩阵NTT的首元素。
由此，得到了归一化后的目标平均相干矩阵NTT的元素平方和Q与首元素 NTT1之间的关系。由于每一类对应的空间有一定的不确定性，这是由元素平方和Q与极化散射熵H之间的关系以及首元素NTT1与平均散极化散射参数都取决于两个归一化特征值Λi和λi引起的，因此通过首元素NTT1计算获得的元素平方和Q中所含信息也与极化散射熵H的信息一致。
由此形成了与分类方案相似的分类方案，即Q/NTT1分类方案/方法。同样对照分类方法获得的平面形成通过Q/NTT1分类方案获得的Q/NTT1平面。
Q/NTT1分类方案/方法具体为：对照分类平面，通过公式(7)和公式 (13)计算出Q/NTT1平面的边界值：
当H＝1时，则Q＝0.33；当H＝0时，则Q＝1；当H＝0.5时，则Q＝0.4；当H＝0.9时，则Q＝0.7。
当时，则NTT1＝1；当时，则NTT1＝0；当时，则NTT1＝0.59；当时，则NTT1＝0.48；当时，则NTT1＝0.555，当时，则 NTT1＝0.425；当时，则NTT1＝0.355。
由此，根据上面获得的数值，首先将Q/NTT1平面分为以下三种情形：
当极化散射熵H的取值范围为[0.9,1]，此时元素平方和Q的取值范围为 [0.33,0.4)时，则确定目标(例如地物)为高随机散射情况；
当极化散射熵H的取值范围为[0.5,0.9)，此时元素平方和Q的取值范围为 [0.4,0.7)时，则确定目标为中随机散射情况；
当极化散射熵H的取值范围为[0,0.5)，此时元素平方和Q的取值范围为 [0.7,1]时，则确定目标为低随机散射情况。
由此，得到了Q/NTT1平面上述三种散射情况的分类边界。
然后，根据上述散射情况的Q/NTT1平面分类边界，将Q/NTT1平面进行散射机制分类(如图3所示)，我们将Q/NTT1平面按照八种不同的散射机制分类，并分别用Z1到Z8来表示。类比图2H/α平面划分区域，图3中分为9个分类区域，Z3是实际不存在的区域，因此分为八种不同的散射机制；
当目标为高随机散射情况时，若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为[0,0.355)时，该区域记为Z1，确定该目标为高熵多次散射；若NTT1的取值范围为[0.355,0.59)时，该区域记为Z2，确定该目标为高熵植被散射。
当目标为中随机散射情况时，若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为[0,0.425)时，该区域记为Z3，确定该目标为中等极化熵的二面角散射；若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为 [0.425,0.59)时，该区域记为Z4，确定该目标为中熵植被散射；若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为[0.59,1)时，该区域记为Z5，确定该目标为中熵表面散射。
当目标为低随机散射情况时，若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为[0,0.48)时，该区域记为Z6，确定该目标为低熵二次散射或偶次散射；若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为 [0.48,0.555)时，该区域记为Z7，确定该目标为低熵偶极子散射；若归一化后的目标平均相干矩阵NTT的首元素NTT1的取值范围为[0.555,1)时，该区域记为Z8，确定该目标为低熵表面散射。
综上所述，将上述情况可以归纳为如下表述：
在确定地物散射情况时(即S51)，通过如下方式进行确定：
当所述元素平方和Q的取值在所述第一元素平方和阈值[0.33,0.4)的范围内时，则确定所述地物为高随机散射情况；
当所述元素平方和Q的取值在所述第二元素平方和阈值[0.4,0.7)的范围内时，则确定所述地物为中随机散射情况；
当所述元素平方和Q的取值在所述第三元素平方和阈值[0.7,1]的范围内时，则确定所述地物为低随机散射情况。
在确定地物散射情况之后，确定所述地物的类别(即步骤S52)时，通过如下方式确定：
当所述地物为高随机散射情况时，若所述首元素NTT1的取值在所述第一首元素阈值[0,0.355)的范围内，则所述地物的类别确定为高熵多次散射，若所述首元素NTT1的取值在所述第二首元素阈值[0.355,0.59)的范围内，则所述地物的类别确定为高熵植被散射；
当所述地物中随机散射情况时，若所述首元素NTT1的取值在所述第三首元素阈值[0,0.425)的范围内，则所述地物的类别确定为中等极化熵的二面角散射，若所述首元素NTT1的取值在所述第四首元素阈值[0.425,0.59)的范围内，则所述地物的类别确定为中熵植被散射，若所述首元素NTT1的取值在所述第五首元素阈值[0.59,1)的范围内，则所述地物的类别确定为中熵表面散射；
当所述地物低随机散射情况时，若所述首元素NTT1的取值在所述第六首元素阈值[0,0.48)的范围内，则所述地物的类别确定为低熵二次散射，若所述首元素NTT1的取值在所述第七首元素阈值[0.48,0.555)的范围内，则所述地物的类别确定为低熵偶极子散射，若所述首元素NTT1的取值在所述第八首元素阈值 [0.555,1]的范围内，则所述地物的类别确定为低熵表面散射。
将待分类图像，例如黄河冰凌图像按照上述S1-S52步骤得到的Q/NTT1分类方案/方法将图像进行分类，图像中属于不同类别的像素可以用不同的标记加以表征(即步骤S53)，得到基于Q/NTT1平面的分类图，该图可以称为Q/NTT1平面分类图。结合图2可以看出通过现有的H/α分类方法获得H/α平面分类图与通过Q/NTT1分类方案/方法获得的Q/NTT1平面分类图所包含的信息一致，图像显示也是一致的。由此通过本发明所提供的快速地物分类方法可以准确、快速地分出地物的类别。
根据本发明的快速地物分类方法具有以下优点中的至少一个：
(1)本发明提供的快速地物分类方法针对H/α分类方法运算量偏大的缺点进行了改进，本发明使用参数替代的方法，将目标平均相干矩阵进行归一化，得到和H/α分类方法相似的分类方法，提高了运算效率；
(2)本发明用归一化后的目标平均相干矩阵NTT的元素平方和Q与归一化后的目标平均相干矩阵NTT的首元素NTT1组成的平面分类图代替了H/α平面分类图，使得分类效果与已有分类效果一致。
虽然本总体发明构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体发明构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。

Claims (10)

1.一种快速地物分类方法，所述快速地物分类方法包括以下步骤：
S1读入待分类图像的极化后向散射矩阵SS并获得目标平均相干矩阵TT；
S2对所述目标平均相干矩阵TT进行归一化，获得归一化后的目标平均相干矩阵NTT；
S3根据所述归一化后的目标平均相干矩阵NTT，获得所述归一化后的目标平均相干矩阵NTT的首元素NTT1；
S4根据所述首元素NTT1计算所述归一化后的目标平均相干矩阵NTT的元素平方和Q；
S5根据所述首元素NTT1和所述元素平方和Q的取值确定地物的类别。
2.根据权利要求1所述的快速地物分类方法，其特征在于，
在步骤S5中，还包括以下步骤：
S51将所述元素平方和Q的取值与元素平方和阈值比较，确定所述地物的散射情况；
S52将所述首元素NTT1的取值与首元素阈值相比较，并根据已经确定的所述散射情况确定所述地物的类别。
3.根据权利要求2所述的快速地物分类方法，其特征在于，
所述元素平方和阈值包括第一元素平方和阈值、第二元素平方和阈值和第三元素平方和阈值，所述散射情况包括高随机散射情况、中随机散射情况和低随机散射情况，
当所述元素平方和Q的取值在所述第一元素平方和阈值范围内时，则确定所述地物为高随机散射情况；
当所述元素平方和Q的取值在所述第二元素平方和阈值范围内时，则确定所述地物为中随机散射情况；
当所述元素平方和Q的取值在所述第三元素平方和阈值范围内时，则确定所述地物为低随机散射情况。
4.根据权利要求3所述的快速地物分类方法，其特征在于，
所述第一元素平方和阈值的范围为[0.33,0.4)，所述第二元素平方和阈值的范围为[0.4,0.7)，所述第三元素平方和阈值的范围为[0.7,1]。
5.根据权利要求4所述的快速地物分类方法，其特征在于，
所述首元素阈值包括第一首元素阈值、第二首元素阈值、第三首元素阈值、第四首元素阈值、第五首元素阈值、第六首元素阈值、第七首元素阈值和第八首元素阈值，
所述地物的类别包括高熵多次散射、高熵植被散射、中等极化熵的二面角散射、中熵植被散射、中熵表面散射、低熵二次散射、低熵偶极子散射和低熵表面散射，
当所述地物为高随机散射情况时，若所述首元素NTT1的取值在所述第一首元素阈值范围内，则所述地物的类别确定为高熵多次散射，若所述首元素NTT1的取值在所述第二首元素阈值范围内，则所述地物的类别确定为高熵植被散射；
当所述地物为中随机散射情况时，若所述首元素NTT1的取值在所述第三首元素阈值范围内，则所述地物的类别确定为中等极化熵的二面角散射，若所述首元素NTT1的取值在所述第四首元素阈值范围内，则所述地物的类别确定为中熵植被散射，若所述首元素NTT1的取值在所述第五首元素阈值范围内，则所述地物的类别确定为中熵表面散射；
当所述地物为低随机散射情况时，若所述首元素NTT1的取值在所述第六首元素阈值范围内，则所述地物的类别确定为低熵二次散射，若所述首元素NTT1的取值在所述第七首元素阈值范围内，则所述地物的类别确定为低熵偶极子散射，若所述首元素NTT1的取值在所述第八首元素阈值范围内，则所述地物的类别确定为低熵表面散射。
6.根据权利要求5所述的快速地物分类方法，其特征在于，
所述第一首元素阈值的范围为[0,0.355)，所述第二首元素阈值的范围为[0.355,0.59)，所述第三首元素阈值的范围为[0,0.425)，所述第四首元素阈值的范围为[0.425,0.59)，所述第五首元素阈值的范围为[0.59,1)，所述第六首元素阈值的范围为[0,0.48)，所述第七首元素阈值的范围为[0.48,0.555)，所述第八首元素阈值的范围为[0.555,1]。
7.根据权利要求2所述的快速地物分类方法，其特征在于，
在步骤S5中，在确定所述地物的类别之后还包括以下步骤：
S53根据所述地物的类别采用不同标记予以表征形成Q/NTT1平面分类图。
8.根据权利要求1-7中任一项所述的快速地物分类方法，其特征在于，
在步骤S4中，所述元素平方和Q的表达式为：
其中，Q表示归一化后的目标平均相干矩阵NTT的元素平方和Q，NTT1表示所述归一化后的目标平均相干矩阵NTT的首元素。
9.根据权利要求8所述的快速地物分类方法，其特征在于，
所述极化后向散射矩阵SS的表达式为：
其中，SSHH为水平波极化发射和水平波极化接收时的目标散射系数，SSHV为垂直波极化发射和水平波极化接收时的目标散射系数,SSVH为水平波极化发射和垂直波极化接收时的目标散射系数,SSVV为垂直波极化发射和垂直波极化接收时的目标散射系数。
10.根据权利要求8所述的快速地物分类方法，其特征在于，
在步骤S1中，目标平均相干矩阵TT为所读入的所述极化后向散射矩阵SS通过预设算法获得的矩阵。
CN201811621588.7A 2018-12-28 2018-12-28 快速地物分类方法 Pending CN109615025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811621588.7A CN109615025A (zh) 2018-12-28 2018-12-28 快速地物分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811621588.7A CN109615025A (zh) 2018-12-28 2018-12-28 快速地物分类方法

Publications (1)

Publication Number Publication Date
CN109615025A true CN109615025A (zh) 2019-04-12

Family

ID=66012731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811621588.7A Pending CN109615025A (zh) 2018-12-28 2018-12-28 快速地物分类方法

Country Status (1)

Country Link
CN (1) CN109615025A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125622A (zh) * 2019-11-25 2020-05-08 内蒙古工业大学 一种改进的混合Freeman/Eigenvalue分解方法
CN116797845A (zh) * 2023-07-05 2023-09-22 中国科学院空天信息创新研究院 一种基于散射机制的无监督简缩极化分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464956A (zh) * 2009-01-21 2009-06-24 电子科技大学 一种基于子孔径分析的极化合成孔径雷达图像分类方法
CN105005767A (zh) * 2015-07-01 2015-10-28 东北林业大学 一种基于微波遥感影像森林类型识别方法
CN105550696A (zh) * 2015-12-03 2016-05-04 中国科学院国家空间科学中心 基于随机相似性的全极化合成孔径雷达图像快速分类方法
CN106778884A (zh) * 2016-12-23 2017-05-31 辽宁工程技术大学 基于散射熵和三分量分解平面的极化sar图像分类方法
CN107145860A (zh) * 2017-05-05 2017-09-08 西安电子科技大学 基于空间信息和深度学习的极化sar图像分类方法
CN107358256A (zh) * 2017-07-07 2017-11-17 西安电子科技大学 基于卡方‑棋盘距离度量的弱监督极化sar分类方法
CN108961284A (zh) * 2018-06-12 2018-12-07 中国电子科技集团公司第二十九研究所 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464956A (zh) * 2009-01-21 2009-06-24 电子科技大学 一种基于子孔径分析的极化合成孔径雷达图像分类方法
CN105005767A (zh) * 2015-07-01 2015-10-28 东北林业大学 一种基于微波遥感影像森林类型识别方法
CN105550696A (zh) * 2015-12-03 2016-05-04 中国科学院国家空间科学中心 基于随机相似性的全极化合成孔径雷达图像快速分类方法
CN106778884A (zh) * 2016-12-23 2017-05-31 辽宁工程技术大学 基于散射熵和三分量分解平面的极化sar图像分类方法
CN107145860A (zh) * 2017-05-05 2017-09-08 西安电子科技大学 基于空间信息和深度学习的极化sar图像分类方法
CN107358256A (zh) * 2017-07-07 2017-11-17 西安电子科技大学 基于卡方‑棋盘距离度量的弱监督极化sar分类方法
CN108961284A (zh) * 2018-06-12 2018-12-07 中国电子科技集团公司第二十九研究所 旁瓣效应污染的sar影像建筑物提取方法、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JAAN PRAKS 等: "Alternatives to Target Entropy and Alpha Angle in SAR Polarimetry", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
贺婷婷 等: "一种结合散射相似性和Wishart的极化SAR图像分类方法", 《信号处理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125622A (zh) * 2019-11-25 2020-05-08 内蒙古工业大学 一种改进的混合Freeman/Eigenvalue分解方法
CN116797845A (zh) * 2023-07-05 2023-09-22 中国科学院空天信息创新研究院 一种基于散射机制的无监督简缩极化分类方法
CN116797845B (zh) * 2023-07-05 2024-01-26 中国科学院空天信息创新研究院 一种基于散射机制的无监督简缩极化分类方法

Similar Documents

Publication Publication Date Title
Dekker Texture analysis and classification of ERS SAR images for map updating of urban areas in the Netherlands
Cloude et al. An entropy based classification scheme for land applications of polarimetric SAR
Alberga A study of land cover classification using polarimetric SAR parameters
Alberga et al. Comparison of polarimetric SAR observables in terms of classification performance
CN102982338B (zh) 基于谱聚类的极化sar图像分类方法
CN110349160A (zh) 一种基于超像素与模糊c均值聚类sar图像分割方法
Fan et al. Marine floating raft aquaculture detection of GF-3 PolSAR images based on collective multikernel fuzzy clustering
CN109840542B (zh) 基于极化特征的自适应维度决策树分类方法
CN108171193A (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
Ince et al. Evolutionary RBF classifier for polarimetric SAR images
CN109635789B (zh) 基于强度比和空间结构特征提取的高分辨sar图像分类方法
Goodenough et al. Mapping fire scars using Radarsat-2 polarimetric SAR data
CN108460402A (zh) 极化sar图像有监督分类方法及装置
CN109615025A (zh) 快速地物分类方法
CN103870842B (zh) 结合极化特征和分水岭的极化sar图像分类方法
CN105138966A (zh) 基于快速密度峰值聚类的极化sar图像分类方法
Sun et al. SAR image classification of ice in the Gulf of Bothnia
Kouskoulas et al. The Bayesian hierarchical classifier (BHC) and its application to short vegetation using multifrequency polarimetric SAR
Han et al. Unsupervised classification for PolSAR images based on multi-level feature extraction
Joshi et al. A dissimilarity function for clustering geospatial polygons
Hong et al. Fully polarimetric synthetic aperture radar (SAR) processing for crop type identification
Liu et al. Polsar image classification based on polarimetric scattering coding and sparse support matrix machine
Su et al. Discrimination of land use patterns in remote sensing image data using minimum distance algorithm and watershed algorithm
Ji et al. An segmentation-based PolSAR image classification method via texture features and color features
Khosravi et al. Multiple classifier systems for classification of multifrequency PolSAR images with limited training samples

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190412