[发明专利]基于模糊粒子群和散射熵的极化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，更进一步涉及图像处理和遥感技术领域中的一种基于模糊粒子群和散射熵的极化合成孔径雷达(Synthetic Aperture Radar SAR)图像分类方法。本发明可用于目标识别图像信息的获取、极化合成孔径雷达SAR图像中不同目标的地物分类。

背景技术

近年来，极化合成孔径雷达SAR已成为遥感领域最先进的传感器之一。到目前为止，极化合成孔径雷达SAR图像分类中基于特征的目标分解的无监督分类是极化合成孔径雷达SAR图像分类的重要分支。基于特征的目标分解一般而言就是把极化测量数据(散射矩阵、协方差矩阵、相干矩阵等)分解成各种不同的成分，这些成分可用于表征目标的散射或几何结构信息。目标分解的方法有很多，其中1997年Cloude和Pottier首次提出的基于特征值/特征适量分析的克劳德Cloude分解和2004年J.S.Lee等提出的弗瑞曼Freeman分解在极化合成孔径雷达SAR图像分类中应用最广泛。

由于基于散射机理的极化合成孔径雷达SAR无监督分类方法具有与数据无关的优点，应用这种方法不需要知道数据的概率分布，不需要利用类别已知的数据进行训练，而且可以合理地解释结果的散射机理。因此基于散射机理的全极化合成孔径雷达SAR无监督分类方法得到了广泛的应用，基于散射机理的极化合成孔径雷达SAR无监督分类常用的特征分解有两种，克劳德Cloude分解和弗瑞曼Freeman分解。

西安电子科技大学在其专利申请“基于Freeman分解和数据分布特征的极化SAR图像分类方法”(专利申请号：201210415131.7，公开号：CN102968640A)中提出基于Freeman分解和数据分布特征的极化合成孔径雷达SAR图像分类方法。这种方法首先对极化合成孔径雷达SAR数据进行Freeman分解，并根据散射功率特征将极化合成孔径雷达SAR数据分为三类，然后根据分布特征参数值再将上述三类各分为三类，最后根据九个初始分类中心进行复Wishart迭代得到最终分类结果。该方法存在的不足是，只注意了分类复杂度的提高问题而忽略了初始九分类结果的优化问题，导致分类结果不够精确。

西安电子科技大学在其专利申请“基于Cloude分解和K_wishart分布的极化SAR图像分类方法”(专利申请号：201210414789.6，公开号：CN102999761A)中提出了一种Cloude解和K_wishart分布的极化合成孔径雷达SAR图像分类方法。这种方法首先对极化合成孔径雷达SAR数据进行Cloude分解，根据分解得到散射熵H和散射角α进行初始8分类，然后根据8个初始分类中心进行K_wishart迭代得到分类结果。该方法存在的不足是，虽然该方法提高了分类精确度，但由于多次进行K_wishart迭代导致运算复杂度大大增加。

发明内容

本发明的目的在于克服上述现有技术的不足，在Cloude_Wishart分类方法的基础上提出一种基于模糊粒子群和散射熵的极化SAR图像分类方法，用融合模糊粒子群算法优化的传统H/α_Wishart极化合成孔径雷达SAR图像数据分类方法的初始聚类中心，再使用复威舍特Wishart聚类方法将极化合成孔径雷达SAR图像数据进行分类，最终分类结果，实现地物分类。该方法既能保留了分类结果的物理散射信息，又能实现有效的地物分类，并且使分类结果更加清晰。

本发明实现上述目的的思路是：首先输入极化合成孔径雷达SAR图像数据，滤除相干斑极化合成孔径雷达SAR图像数据的相干斑噪声。其次根据散射熵H和散射角α将极化合成孔径雷达SAR图像数据分为八类，并得到八个分类。然后利用模糊粒子群算法对初始聚类中心进行优化，得到新的聚类中心。最后通过复威舍特Wishart聚类方法得到最终分类结果。

本发明的步骤包括如下：

(1)输入极化合成孔径雷达SAR图像数据的相干矩阵；

(2)预处理：

用李Lee滤波，对相干矩阵进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声；

(3)提取散射特征：

对预处理后的相干矩阵中每个像素点进行克劳德Cloude分解，得到散射特征散射熵和散射角；

(4)初始分类：

根据散射熵和散射角的值对极化合成孔径雷达SAR图像数据的分类规则，将极化合成孔径雷达SAR图像数据分为八个初始分类；

(5)优化初始分类：

(5a)设定参数；