[发明专利]一种用于图像处理的上下文协方差矩阵构建方法

说明书

本发明公开了一种用于图像处理的上下文协方差矩阵构建方法，包括1、获取待分类的SAR图像；2、对图像中的每个像素点，构建上下文散射矢量，根据上下文散射矢量构建该像素点的上下文协方差矩阵；3、计算像素点与以像素点为中心的滑窗内每个像素点的上下文协方差矩阵的相似度参数；4、计算判决门限；5、选取相似样本像素集，对待滤波像素点进行滤波处理；6、得到相干斑滤波结果图；7、提取滤波后的图像中已知真实地物类别的像素点；8、使用各像素的的上下文协方差矩阵对分类器进行训练；9、对未知地物类别像素点逐个进行分类，分类结果。本发明使用图像的上下文协方差矩阵信息作为分类器的输入特征，使得分类精度更高。

技术领域

本发明属于合成孔径雷达(Synthetic Aperture Radar，SAR)成像遥感技术领域，涉及一种用于图像处理的上下文协方差矩阵构建方法。

背景技术

目前常用遥感图像包括光学图像和雷达图像等。其中，获取得到雷达图像的成像雷达系统主要包括合成孔径雷达和逆合成孔径雷达，两者都具有全天时、全天候、远距离的观测能力，在目标侦察监视、态势感知等方面发挥着重要作用。SAR作为典型的成像雷达系统，是一种主动发射信号的微波传感器。20世纪50年代，合成孔径雷达成像概念被首次提出，到如今经过了约七十年的发展。SAR成像的基本原理是利用实际传感器天线沿方位向移动，形成比物理尺寸更长的有效天线，从而提高雷达的方位向分辨率。极化SAR通过收发极化状态相互正交的电磁波以获取观测场景的全极化信息。

地物分类作为SAR图像的重要应用，通常只是使用图像的幅度作为分类器的输入特征。由于可利用的信息量有限，故所得地物分类精度较低。因此怎样利用图像单一幅度之外的信息提高地物分类精度显得尤为重要。

就SAR图像信息表征而言，极化SAR图像常见的表征方式包括极化散射矩阵，极化协方差矩阵和极化相干矩阵等。而由于单极化SAR系统的收发天线仅有一种极化方式，得到的各像素点的数据是极化散射矩阵中的一项，全图即包含散射幅度和相位；在双极化SAR系统中，得到的图像各像素点的数据是极化散射矩阵中的一行或一列；全极化SAR则可以得到一个图像各像素点的数据的完整的极化散射矩阵。此外，干涉SAR数据类似于双极化SAR数据，包含的两项分别属于两条干涉基线的二维复数矩阵；极化干涉SAR数据相对而言较复杂，共包含两条干涉基线数据，每条干涉基线的数据都包含了整个极化散射矩阵。通过对极化散射矩阵进行变换，可以得到极化协方差矩阵和极化相干矩阵，进而提取数据中的目标散射信息。但是极化协方差矩阵和极化相干矩阵的表征方式，只适用于全极化SAR数据。对于其它类型的数据如光学图像、单极化SAR图像、双极化SAR图像等，怎样提取图像的散射矩阵信息，从而丰富地物分类中图像数据信息的输入，进而提高地物分类精度是一个值得深入研究的问题。

发明内容

本发明解决的技术问题是怎样提高地物分类精度，提供了一种用于图像处理的上下文协方差矩阵构建方法。

本发明的基本思路是：图像中某一像素的取值与其周围邻域像素的取值是密切相关的。这种相关性中蕴含着丰富的信息，即上下文信息。为了有效地提取这种相关性，可以在像素的一定邻域范围内，以像素的取值为元素得到上下文散射矢量，进而构建上下文协方差矩阵。通过提取种子像素的上下文协方差矩阵信息来取代图像的幅度信息作为分类器的输入特征。具体而言：针对图像中的每个像素，首先选取一个包含种子像素的win×win邻域，使用其邻域像素的像素值，按照一定的规则得到几组上下文散射矢量，然后将各上下文散射矢量与自身的共轭转置相乘构建对应数量的上下文协方差矩阵，最后对该种子像素的几组上下文协方差矩阵做平均处理得到属于该像素的上下文协方差矩阵。在SAR图像地物分类中，以各个像素点所对应的上下文协方差矩阵的正对角线和上三角元素作为分类器的输入，经过相应的训练和测试过程，实现对SAR图像中不同地物类别像素点的分类处理。

本发明所采用的技术方案是：

一种用于图像处理的上下文协方差矩阵构建方法，包括以下步骤：