[发明专利]一种基于Cloude分解的极化SAR图像分类方法

说明书

技术领域

本发明属于图像分类技术领域，具体涉及一种极化SAR图像地物分类方法。

发明背景

具有全天时全天候的微波遥感技术近年得到了广泛的研究和应用。具有代表性的合成孔径雷达(SAR)，是一种高分辨率成像雷达，可以提供一定波段和一定入射角下的地物图像，因此对遥感数据的自动分析及解译，特别是针对地物的分类，具有很重要的研究意义。相对于普通SAR，极化SAR加入了极化信息，得到的数据包含了更多的地物信息，更有利于对地物的分析。

极化SAR图像分类一般分为监督分类和无监督分类两大方法。由于不需要任何的先验信息，无监督分类是一种很重要的分类方法，而且极化SAR数据相对于普通的SAR数据而言，提供了更多的地物信息。一般，极化SAR图像的分类流程为：预处理、特征提取、特征选择、分类。其中，特征提取是非常重要的一步，分类结果的好坏取决于提取的特征信息是否能充分的表示地物以及如何对特征信息作可信的处理。近年来，涉及目标特征分解的研究已有很多，在此基础上也提出了基于目标分解理论的无监督分类方法。例如，比较广泛应用的，Cloude的H/α特征分解和Freeman的三分量分解。针对Cloude特征分解的无监督分类已有很多，但是大多数分类方法都是基于H/α的初始分类面发展来的，传统的基于Cloude分解的H/α分类方法，是在H/α平面上给定一些值实现硬性划分为8类，如图1所示。所有的图像样本点都会根据这个划分原则分配初始分类的类中心，这给图像分类一定的局限性。从图5中可看到，左下角的矩形区域中，图像样本点分别集中在3个类中心的周围，但是该方法没有划分出来，只是将这一整块划分为一类，这使得初始类中心存在不合理的划分。初始分类的类中心是否合理关系到下一步聚类器性能的好坏，影响了整个分类器的性能，并且地物类别数也是特定的。

针对上述的问题，已有研究者给出了可行的方法，但是由于图像样本点大，使得计算量非常大，非常耗时，这使得实时性受到限制。所以，如何使初始分类的类中心更合理，并且算法的复杂度又不大的情况下提高分类器的性能，这是一个需要解决的问题。

发明内容

本发明的目的在于解决初始分类的类中心分配不合理而影响分类器性能的问题，因此本发明提出技术方案：一种基于Cloude分解的极化SAR图像分类方法，改善初始分类的类中心，提高分类器的性能，并且分类过程中无需指定类别数，类别数在分类过程中自动产生，包括如下步骤：

步骤S1：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，得到散射熵H和散射角α；

步骤S2：计算散射熵H和散射角α的统计直方图，并对直方图进行分割，得到分割阈值，

进一步地，步骤S2还包括一下分步骤：

步骤S21：计算所述特征参数H和α的统计直方图；

步骤S22：对得到统计直方图进行峰值搜索，得到初始峰值，进一步去掉小峰值和相邻峰值，得到明显峰值；

步骤S23：将得到的明显峰值输入到FCM分割器中，得到更合理的划分阈值；

步骤S3：将步骤S2得到的阈值作为散射熵H和散射角α特征构成的二维平面的划分点，对极化SAR图像进行初始划分为m类，得到初始分类的类中心，所述类别数m由步骤S2得到的阈值决定；

步骤S4：将步骤S3得到的类中心和类别数输入到Wishart分类器中，得到所述极化SAR图像的分类结果。

本发明的有益效果：提供了一种基于特征分解的极化SAR图像分类，其利用从极化SAR图像提取的特征参数进行统计直方图分割，得到合理的分割阈值，再根据阈值对特征参数所组成的二维分类平面进行划分。这种划分方法对比原始的H/α硬性划分方法要更加的合理，而且得到的类别数不再固定，而是根据图像本身特征的特点自适应的改变，更加符合图像信息的实际分布。由于初始划分的合理性，得到的类中心更加合理，使得在进一步的分类中，改善了分类器的性能。这种划分方法在没有增加其他特征参数的情况下，利用对已有特征参数进行直方图分割得到分割点，使分类更合理，且计算复杂度并没有实质的增加。

附图说明

图1本发明的流程图；

图2是原始San Francisco Bay极化SAR图像功率图；

图3是现有的H/α-Wishart分类方法对图2的分类仿真结果图；

图4是本发明对图2的分类仿真结果图；

图5是现有对图2的H/α平面划分图；

图6是本发明对图2的H/α平面划分图；

图7是对图2提取的H的统计直方图；