[发明专利]基于散射功率和强度联合统计的极化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，特别是涉及极化SAR图像处理，可用于雷达图像中目标检测和目标分类与识别。

背景技术

随着信息处理技术和电子技术的发展，合成孔径雷达开始朝着高分辨、多极化、多工作模式、多波段等方向发展，致力于为人们提供更多更丰富的目标散射信息。其中多极化方向的发展是一个很重要的方向。相比于传统的单极化合成孔径雷达仅能在特定电磁波极化收发组合下的目标散射特性探测能力，多极化的合成孔径雷达无疑为目标的解译和正确的认识提供了更多更全面的信息量。更加丰富的信息量为深入地研究目标的散射特性提供了重要的依据，进而对目标的自动检测和自动识别有着非常重要的指导作用。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分解的分类方法和复Wishart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、Cloude分解方法、SDH分解和Pauli基分解等；典型的分类器有复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，对于散射机制较复杂的类别，难以很好地进行识别与分类；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，而且H/alpha和复Wishart都是基于极化SAR散射机制实现的分类，对于一些散射特性相似但不同类别的地物，该方法表现出了分类与识别混淆的缺陷。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，针对极化SAR分类中混合散射机制区域分类难、散射特性相似但不同类情况下易造成错分等问题，提出了一种基于散射功率和强度联合统计的极化SAR分类方法，以提高极化SAR图像分类的精度和分类方法的普适性。

为实现上述目的，本发明提出了基于散射功率和强度联合统计的极化SAR分类方法，包括如下步骤：

(1)将待分类极化SAR图像的相干矩阵T作为输入，T的大小为3×3×z，其中z是图像像素点总个数；

(2)采用Lee滤波器对相干矩阵T进行去噪，得到去噪后的相干矩阵T'；

(3)对去噪后的相干矩阵T'进行Freeman分解，得到体散射功率，取每个像素点的体散射功率构成大小为z×1的功率矩阵P_v；

(4)对去噪后的相干矩阵T'进行特征值分解，提取极化SAR图像的散射强度信息，得到每个像素点的三个特征值λ₁,λ₂,λ₃，取最大特征值λ₁构成大小为z×1的强度矩阵E；

(5)对功率矩阵P_v和强度矩阵E分别进行大小为m×n的变形，得到变形后的功率矩阵P_vT和强度矩阵E_T，m,n分别是待分类图像的行数与列数，对变形后功率矩阵P_vT和变形后的强度矩阵E_T的每个像素点分别进行8邻域求平均来代替该像素点的值，得到平滑后的功率矩阵P'_v和平滑后的强度矩阵E'；

(6)依据实际地物分布，选择不同的k类匀质区域作为训练样本，k=8；

(7)采用EM算法分别对k类样本的平滑后功率矩阵P'_v和平滑后强度矩阵E'的高斯参数进行估计，得到k类样本的平滑后功率矩阵P'_v的概率密度分布函数P(x|μ_vi,σ_vi)和平滑后强度矩阵E'的概率密度分布函数P(y|μ_λi,σ_λi)：