[发明专利]结合极化特征和分水岭的极化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，更进一步涉及极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类技术领域中的一种结合极化特征和分水岭的极化合成孔径雷达SAR图像分类方法。本发明可应用于对极化合成孔径雷达SAR图像的不同区域准确地进行分类、目标识别。

背景技术

合成孔径雷达SAR图像分类是通过对极化数据的分析，划分出感兴趣的目标或区域的过程。合成孔径雷达SAR图像分类是遥感图像分类的主要组成部分，随着雷达技术的发展，利用极化合成孔径雷达SAR图像分类的研究日益受到人们的重视。极化合成孔径雷达SAR图像分类技术在地质勘探、森林状态监控、海冰分布监视以及农作物生长状况评估等多个领域得到广泛的应用。

由于雷达图像在成像过程中不可避免地会产生相干斑，从分类的角度看，相干斑可被认为是噪声，而基于像素的分类方法对噪声的敏感度很高，所以极化合成孔径雷达SAR图像的分类方法经常是基于目标或对象的区域处理方式。基于区域处理的方法主要为基于图像分割的方法，例如：

W.Yonghui等发表的论文“Region based classification of polarimetric SAR images using Wishart MRF”（IEEE Trans on Geoscience and Remote Sensing Letters,2008,5(4):668-672）提出了一种基于区域的Wishart MRF（Region-based-WMRF）估计的方法。该方法先利用MRF过分割算法得到划分的子区域，再利用Wishart分类器对每一个区域重新标记，从而有效地提高了分类的精度，但是该方法仍然存在的不足是，该方法属于阈值划分方法，分类结果中明显地出现了块效应，不能很好地保持各类的区域完整性。

上海交通大学在其专利申请“一种具有空间自适应性的极化SAR图像分割方法”（专利申请号：20121011531.9，公开号：CN102722883A）中提出一种具有空间自适应性的极化SAR图像分割方法。该方法首先对极化数据进行Cloude分解处理，对处理结果进行基于像素的最大似然分类，然后对分类结果进行四叉树分解得到初始分割区域，最后利用Wishart分布和马尔科夫随机场对初始分割区域的大小和形状进行调整，得到最终的分割结果。但是这种方法存在的不足是，Cloude分解只能将图像划分为8类且四叉树分解采用阈值来设定区域大小，这样会与真实目标产生偏差。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种结合极化特征和分水岭的极化合成孔径雷达SAR图像分类方法。本发明相比基于阈值划分区域的方法提高了目标保持的准确性，充分利用了极化合成孔径雷达SAR图像的极化特征和分水岭区域划分算法，在保证图像分类信息的完整性的同时，提高了极化合成孔径雷达SAR图像分类的质量。

本发明实现上述目的的思路是：先对待分类极化合成孔径雷达SAR图像进行散射角和功率图的联合似然概率计算像素的最大似然标记，然后对待分类图像进行修正的分水岭算法划分区域，再对划分的区域标定区域的标记和标定区域的大小，最后采用两种不同的策略分别对大小区域进行区域标记的更新，得到最终的分类结果。

本发明的步骤包括如下：

(1)读入一幅待分类的极化合成孔径雷达SAR图像中相干矩阵T。

(2)计算像素的标记；

(2a)提取待分类的极化合成孔径雷达SAR图像中相干矩阵T的对角线元素T₁₁,T₂₂,T₃₃，用0.4，0.2，0.4分别依次对对角线元素T₁₁,T₂₂,T₃₃进行加权处理，将加权处理后的对角线元素相加，对相加的结果进行归一化处理至0到255之间，得到功率值；

(2b)对待分类的极化合成孔径雷达SAR图像中相干矩阵T，进行Cloude分解，得到散射角α；

(2c)在待分类的极化合成孔径雷达SAR图像中每一类地物上，按照SAR图像总像素点的0.5%随机取像素点，分别提取每一类地物选取像素点所对应的功率值和散射角，将提取的功率值和散射角作为训练数据；

(2d)计算待分类的极化合成孔径雷达SAR图像中每一个像素点的联合似然概率，得到各像素点的最大似然标记。

(3)划分区域；