[发明专利]一种基于全极化SAR图像的植被覆盖信息提取方法

权利要求书

1.一种基于全极化SAR图像的植被覆盖信息提取方法，其特征在于，包括以下步骤：

(1)、通过星载SAR获取全极化SAR图像；

(2)、对全极化SAR图像依次进行辐射定标和地理编码，得到基准SAR图像；

(3)、计算相干矩阵K

(3.1)、用散射矩阵表示基准SAR图像的全极化特性，得到极化散射矩阵S；

(3.2)、对极化散射矩阵S进行矢量化，得相干矩阵K，即：

其中，σ_HH、σ_HV、σ_VH和σ_VV分别对应四个极化图像的后向散射系数值，T表示转置，*T表示共轭转置；

由于k为3×1的矩阵，因此K为3×3矩阵，且K有3个特征值和3个特征向量，即λ₁、λ₂和λ₃，u₁、u₂和u₃；

将矩阵k代入K后，表示为：

其中，相干矩阵K的具体计算过程为：

散射矩阵和相干矩阵均是以像元点为单位，即每个像元点都对应着其自身的散射矩阵和相干矩阵，根步骤(3.2)中的公式，将每个相干矩阵拥有的3×3个元素组成一幅图像；

其中，设像元点p的相干矩阵为则元素K_p11与基准SAR图像中其他像元点的相干矩阵的第一行第一列的元素，按照基准SAR图像中的坐标，组成一幅基准SAR图像同样大小的图像K11，图像K11中的各元素值为基准SAR图像中对应位置的像元点的相干矩阵的第一行第一列元素值；同理，可得图像K12，K13，…,K33，再将图像K11，K12，…,K33作为矩阵元素，得相干矩阵K；

(4)、对相干矩阵K进行多视处理，得到相干矩阵K^*

(5)、对相干矩阵K^*进行Cloude-Pottier分解

(5.1)、对相干矩阵K^*求取特征值λ和特征向量u；

(5.2)、根据λ和u进行Cloude-Pottier分解，得到极化熵H和平均散射角

其中，为相干矩阵K^*的特征值，分别为和为对应的特征向量，为特征向量的第一个元素值；极化熵H是表征散射媒质的随机性，即各散射机制在总散射过程中所占的比重，H∈[0,1]；平均散射角表征从表面散射到二面角散射的平均散射机制，是一个从0°到90°连续变化的参量，即

(6)、利用分类算法对基准SAR图像中的像元点初始分类

根据极化熵H和平均散射角将基准SAR图像中的像元点分为8个类别，即：

类别1：散射特性高熵环境下的二面角散射；

类别2：散射特性高熵环境下的体散射；

类别3：散射特性中熵环境下的偶次或奇次散射；

类别4：散射特性中熵环境下的体散射；

类别5：散射特性中熵环境下的表面散射；

类别6：散射特性低熵环境下的偶次或奇次散射；

类别7：散射特性低熵环境下的体散射；

类别8：散射特性低熵环境下的表面散射；

(7)、利用Wishart分类算法对基准SAR图像中的像元点精确分类

(7.1)、计算类别m中像元点的聚类中心V_m

其中，N_m是类别m中像元点的总数，m＝1,2,…8；ω_m是类别m中像元点的集合，p是集合ω_m中的像元点；

(7.2)、计算基准SAR图像中的每个像元点与聚类中心V_m的距离

其中，| |是求行列式，Tr是求矩阵主对角线上元素的和；

(7.3)、确定像元点的类别

选出每个像元点离聚类中心V_m的最小距离d＝min(d(K^*,V_m))，再将该像元点归入对应的类别中；

(8)、提取植被覆盖信息

根据植被的散射类型，将Wishart分类算法所分的8个类别中，类别1、2、4和7中的像元点视为植被，类别6中的像元点视为建筑物，类别8中的像元点视为湖泊，类别3和5中的像元点视为建筑物或植被；

根据两类别间的距离计算公式，并结合类别3和5的聚类中心，分别计算类别3和5的聚类中心与已经视为建筑物或植被类别的聚类中心的距离；

如果某个类别的聚类中心与视为植被类别的聚类中心的距离小于该类别的聚类中心与视为建筑物类别的聚类中心的距离，则该类别中的像元点视为植被，反之视为建筑物。

2.根据权利要求1所述的基于全极化SAR图像的植被覆盖信息提取方法，其特征在于，所述的极化熵H＝0时，相关矩阵K^*仅有一个特征值不为零，此时散射波处于完全极化状态，只有一种确定性的散射机制起作用；若H＝1时，有三个相等的特征值，目标的散射退化为随机的噪声，散射波处于完全非极化状态。