[发明专利]基于特征值分布统计特性的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及极化SAR图像分类，可用于雷达目标检测和目标识别。

背景技术

合成孔径雷达SAR是利用合成孔径原理提高方位分辨率，利用脉冲压缩技术提高距离分辨率，从而获得比真是孔径雷达更好的性能。极化SAR属于SAR的范畴，相比于传统的SAR，它利用多通道收发电磁波技术，通过对其不同通道的解译，可以获得对目标更全面的认识。对极化SAR图像的理解和解译属于图像处理范畴，还涉及信号处理，模式识别及机器学习等众多学科。极化SAR图像分类作为极化SAR图像处理的关键环节之一，在国防和民用领域正受到越来越广泛的关注。现有的极化SAR图像分类方法大致可以分为基于散射特性的方法和基于统计特性方法，如基于freeman分解的分类方法和基于散射熵、散射角的分类方法等。

其中，基于统计特性的极化SAR图像分类方法，是将极化SAR图像中具有某方面相似特征的像素点划分为一类，已经有很多成熟的分类算法被用到极化SAR图像分类中。作为一门新兴学科，目前主要的研究工作集中在散射特征的提取和适合极化SAR图像分类的分类器设计上。不同极化散射特征的提取方法得到不同的特征，不同的特征又适合于不同性能的分类器。现有的特征提取方法主要有freeman分解和cloud分解方法；典型的分类器有Wishart分类器和H/alpha分类器等。其中，利用freeman分解方法得到特征对极化SAR图像进行分类时，存在对特征分布特性认知上的不足；利用H/alpha分类器进行类别判定时，存在类别判决界限需要人为确定的不足，这些不足限制了其在极化SAR图像分类上的广泛应用。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于特征值分布特性的极化SAR图像分类方法，以明确特征的分布特性，避免类别判决界限需要人为确定的问题。

实现本发明目的个技术方案是通过研究分析特征值的分布特性，结合贝叶斯分类对极化SAR图像进行分类，其步骤包括如下：

(1)对待分类极化SAR图像的所有像素点进行特征值分解；

(2)分别对每个像素点分解得到的特征值λ₁，λ₂，λ₃进行排序，使λ₁≥λ₂≥λ₃；

(3)从待分类极化SAR图像中依据实际地物分布，人工构造待分类极化SAR图像中k类匀质区域集合：C＝{C₁，...，C_k}，并提取出所选取k类匀质区域的特征值；

(4)采用EM算法分别对k类匀质区域的特征值λ₁，λ₂，λ₃的高斯混合模型参数进行估计，得到每类匀质区域的各个特征值的概率密度分布函数：其中λ为某类匀质区域的某个特征值、ω为高斯函数的混合权重、μ为均值参数、σ为方差参数、m为高斯函数的混合个数、μ_i为第i个高斯函数的均值，σ_i为第i个高斯函数的方差，i＝1，2，...，k；

(5)利用步骤4求得的每类匀质区域的各个特征值的概率密度分布函数，计算每类匀质区域的特征值联合概率密度分布函数：

p(x|x∈Ci)=Πj=13p(λj|μ,σ),]]>

其中，x为匀质区域C_i中的像素点，λ_j为像素点x的第j个特征值，i＝1，2，...，k，j＝1，2，3；