[发明专利]基于Cloude分解和K-wishart分布的极化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，涉及极化合成孔径雷达SAR图像地物分类，可用于对极化SAR图像的地物分类和目标识别。

背景技术

合成孔径雷达SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比，极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。经典的极化SAR分类方法包括：

Cloude等人提出了基于Cloude目标分解的H/α非监督分类方法，见Cloude S R，Pottier E．An entropy based classification scheme for land applications of polarimetricSAR[J]．IEEE Trans．Geosci．Remote Sensing．1997，35(1)：549-557．该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类能合理地解释分类结果的散射机理，而且不需要数据的先验知识。但H/α分类存在的两个缺陷：一个是分类边界固定导致区域的划分过于武断；另一个是分类的类别数固定,对复杂区域分类缺乏灵活性，分类准确度低。

Lee等人提出了基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法，见Lee J S，Grunes M R，Ainsworth T L，et a1．Unsupervised classification usingpolarimetric decomposition and the comp lex Wishart classifier[J]．IEEETrans．Geosci．Remote Sensing．1999，37(5)：2249-2258．该方法是在原始H/α分类基础上增加了Wishart迭代。H/α-Wishart分类方法分利用了极化数据的Wishart分布信息，使得极化信息利用更加全面，而且有了相似性度量，弥补了H/α分类固定边界的缺点，分类效果明显改善。并且迭代的引入，有效的提高了分类的精度。但是H/α-Wishart分类方法分不能很好的保持各类的极化散射特性。

J.S.Lee等基于Freeman分解于提出了一种基于Freeman-Durden分解的极化SAR图像分类方法，见Lee J S，Grunes M R，Pottier E，et a1．Unsupervised terrain classificationpreserving polarimetric scattering characteristic[J]．IEEE Trans．Geosci．RemoteSensing．2004，42(4)：722-731．该方法主要是根据Freeman分解获取的平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器对每一个像素进行重新划分。这种算法结合了Freeman分解和复Wishart分布，可以保持极化SAR的主要散射机制纯净性，但由于该方法中存在的多类别的划分以及合并，因此其计算复杂度较高。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于Cloude和K-wishart分布迭代的极化SAR图像分类方法，以提高分类的准确度，降低计算的复杂度。

为实现上述目的，本发明包括如下步骤：

(1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α；

(2)根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；

(3)对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果：

3a)对整个极化SAR图像的8类划分结果，根据下式求每一类的聚类中心V_i：