[发明专利]基于多特征集的极化SAR数据地物分类方法

摘要

本发明公开了一种基于多特征集的极化SAR数据地物分类方法。本发明实现的步骤为：(1)输入数据；(2)精致Lee滤波；(3)提取两个特征集；(4)对两个特征集聚类；(5)比较聚类结果；(6)迭代分类；(7)输出结果。本发明相比现有技术基于单一特征集的Wishart分类方法，提高了极化合成孔径雷达SAR数据的分类精度，减少了使用Wishart分类方法分类极化合成孔径雷达SAR数据时的迭代次数，解决了极化信息利用不充分和用于Wishart分类方法的训练样本集中有许多错分样本的问题。本发明可应用于极化合成孔径雷达SAR数据地物分类。

主权项

1.一种基于多特征集的极化SAR数据地物分类方法，包括如下步骤：(1)输入数据：输入一幅待分类的极化合成孔径雷达SAR数据；(2)精致Lee滤波：对待分类的极化合成孔径雷达SAR数据进行精致Lee滤波，得到滤波后的极化合成孔径雷达SAR数据；(3)提取两个特征集：(3a)对滤波后的极化合成孔径雷达SAR数据中的任意一个样本，采用特征提取方法1，得到含有八个特征分量的特征向量1；第1步，采用克拉德‑鲍狄埃Cloude‑Pottier分解方法，获得极化合成孔径雷达SAR数据中的任意一个样本的四个特征分量的具体步骤如下：按照下式，计算极化合成孔径雷达SAR数据的极化相干矩阵：T＝U*C*U‑1其中，T表示极化合成孔径雷达SAR数据极化相干矩阵，U表示极化协方差矩阵与极化相干矩阵之间的转换矩阵，*表示矩阵相乘操作，C表示极化合成孔径雷达SAR数据的极化协方差矩阵，U^‑1表示U矩阵的逆矩阵；所述极化合成孔径雷达SAR数据的极化相干矩阵T的形式表示如下：其中，T表示极化合成孔径雷达SAR数据的极化相干矩阵，U3表示T的正交特征向量，*表示矩阵相乘操作，上标'表示矩阵的共轭转置操作，λ1表示极化合成孔径雷达SAR数据的极化相干矩阵的第一个特征值，λ2表示极化合成孔径雷达SAR数据的极化相干矩阵的第二个特征值，λ3表示极化合成孔径雷达SAR数据的极化相干矩阵的第三个特征值；按照下式，得到极化合成孔径雷达SAR数据中的任意一个样本的克拉德‑鲍狄埃Cloude‑Pottier分解的四个特征分量H,A,Span：Span＝λ1+λ2+λ3其中，H表示极化合成孔径雷达SAR数据样本的散射熵，P_k表示极化合成孔径雷达SAR数据的极化相干矩阵的第k个特征值与所有特征值总和的比值，k＝1,2,3，∑(·)表示求和操作，log₃(·)表示以3为底的对数操作；A表示极化合成孔径雷达SAR数据样本的反熵参数，λ₂表示极化合成孔径雷达SAR数据的极化相干矩阵的第二个特征值，λ₃表示极化合成孔径雷达SAR数据的极化相干矩阵的第三个特征值；表示极化合成孔径雷达SAR数据样本的平均极化散射角，α_k表示极化合成孔径雷达SAR数据的极化相干矩阵的第k个特征值对应的极化散射角，Span表示极化合成孔径雷达SAR数据样本的总功率，λ₁表示极化合成孔径雷达SAR数据的极化相干矩阵的第一个特征值；第2步，采用弗里曼‑德登Freeman‑Durden分解方法，按照下式，得到极化合成孔径雷达SAR数据中的任意一个样本的四个特征分量Ps,Pd,Pv,Hp：Ps＝fs(1+|β|2)Pd＝fd(1+|α|2)其中，Ps表示极化合成孔径雷达SAR数据的任意一个样本的第1个功率分量——表面散射功率分量，fs表示极化合成孔径雷达SAR数据的平面散射分量系数，β表示Shh与Svv的比值，Shh表示水平接收/水平发射的极化波的回波数据，h表示水平极化方向，Svv表示垂直接收/垂直发射的极化波的回波数据，v表示垂直极化方向，|·|2表示模值的平方操作，Pd表示极化合成孔径雷达SAR数据的任意一个样本的第2个功率分量——二面角散射功率分量，fd表示极化合成孔径雷达SAR数据的二面角散射系数，α表示Rgh*Rvh与Rgv*Rvv的比值，Rgh表示竖直墙体的水平反射系数，Rvh表示地表的水平反射系数，Rgv表示竖直墙体的垂直反射系数，Rvv表示地表的垂直反射系数，Pv表示极化合成孔径雷达SAR数据的任意一个样本的第3个功率分量——体散射功率分量，fv表示极化合成孔径雷达SAR数据的体散射分量系数，Hp表示极化合成孔径雷达SAR数据样本的功率散射熵，Pt表示极化合成孔径雷达SAR数据的任意一个样本的第t个功率分量与其总功率的比值，t＝1,2,3，∑(·)表示求和操作，log3(·)表示以3为底的对数操作；第3步，将第1步采用克拉德‑鲍狄埃Cloude‑Pottier分解方法得到的四个特征分量和第2步采用弗里曼‑德登Freeman‑Durden分解方法得到的四个特征分量按照如下格式排列，得到极化合成孔径雷达SAR数据中的任意一个样本的含有八个特征分量的特征向量1：其中，H表示极化合成孔径雷达SAR数据样本的散射熵，表示极化合成孔径雷达SAR数据样本的平均极化散射角，A表示极化合成孔径雷达SAR数据样本的反熵参数，P_s表示极化合成孔径雷达SAR数据的任意一个样本的第1个功率分量——表面散射功率分量，P_d表示极化合成孔径雷达SAR数据的任意一个样本的第2个功率分量——二面角散射功率分量，P_v表示极化合成孔径雷达SAR数据的任意一个样本的第3个功率分量——体散射功率分量，Span表示极化合成孔径雷达SAR数据样本的总功率，H_p表示极化合成孔径雷达SAR数据样本的功率散射熵；(3b)重复执行步骤(3a)，直至完成所有样本特征向量的提取，提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集1；(3c)对滤波后的极化合成孔径雷达SAR数据中的任意一个样本，采用特征提取方法2，得到含有九个特征分量的特征向量2；第1步，按照下式，得到极化合成孔径雷达SAR数据中的任意一个样本的九个特征分量：|HH|＝<|Shh|2>|HV|＝<|Shv|2>|VV|＝<|Svv|2>|ρ(1,2)|＝|ρ(1,3)|＝|ρ(2,3)|＝其中，|HH|表示水平极化通道的散射分量模值，Shh表示水平接收/水平发射的极化波的回波数据，h表示水平极化方向，|·|2表示模值的平方操作，<·>表示求平均值操作，|HV|表示交叉极化通道的散射分量模值，Shv表示垂直接收/水平发射的极化波的回波数据，v表示垂直极化方向，*表示共轭操作，|VV|表示垂直极化通道的散射分量模值，Svv表示垂直接收/垂直发射的极化波的回波数据，ρ(1,2)表示水平/交叉极化通道的相关系数，ρ(1,3)表示水平/垂直极化通道的相关系数，ρ(2,3)表示交叉/垂直极化通道的相关系数，Ratio(HH/VV)表示水平/垂直极化通道的散射回波模值之比，Ratio(HV/HH)表示交叉/水平极化通道的散射回波模值之比，Ratio(HV/VV)表示交叉/垂直极化通道的散射回波模值之比；第2步，将第1步得到的九个特征分量，按照如下格式排列，得到极化合成孔径雷达SAR数据中的任意一个样本的含有九个特征分量的特征向量2:其中，|HH|表示水平极化通道的散射分量模值，|HV|表示交叉极化通道的散射分量模值，|VV|表示垂直极化通道的散射分量模值，|ρ(1,2)|表示水平/交叉极化通道的相关系数模值，|ρ(1,3)|表示水平/垂直极化通道的相关系数模值，|ρ(2,3)|表示交叉/垂直极化通道的相关系数模值，Ratio(HH/VV)表示水平/垂直极化通道的散射回波模值之比，Ratio(HV/HH)表示交叉/水平极化通道的散射回波模值之比，Ratio(HV/VV)表示交叉/垂直极化通道的散射回波模值之比；(3d)重复执行步骤(3c)，直至完成所有样本特征向量的提取，提取的所有样本的特征向量构成极化合成孔径雷达SAR数据的特征集2；(4)对两个特征集聚类：采用K均值聚类方法，分别对特征集1和特征集2进行聚类，得到与特征集1和特征集2对应的极化合成孔径雷达SAR数据的两个聚类结果；(5)比较聚类结果：(5a)比较极化合成孔径雷达SAR数据的两个聚类结果中任意一个样本的两个聚类结果是否相同,将聚类结果相同的样本放入可分度高的样本集中，将聚类结果不同的样本放入可分度低的样本集中；(5b)重复执行步骤(5a)，直至完成所有样本的聚类结果的比较；(6)迭代分类：(6a)将可分度高的样本集作为训练样本集，使用Wishart分类方法，有监督地分类极化合成孔径雷达SAR数据的所有样本，得到极化合成孔径雷达SAR数据的初始分类结果；(6b)使用Wishart分类方法，迭代分类极化合成孔径雷达SAR数据的初始分类结果，直到满足迭代终止条件，得到极化合成孔径雷达SAR数据的最终分类结果；(7)输出结果：用不同的颜色标识极化合成孔径雷达SAR数据的最终分类结果中的每一类样本，得到极化合成孔径雷达SAR数据的分类结果彩图，输出极化合成孔径雷达SAR数据的分类结果彩图。