專利名稱：基于改進(jìn)的近鄰傳播聚類的極化sar圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及極化SAR圖像地物分類領(lǐng)域的應(yīng)用，具體的說是一種基于近鄰傳播聚類算法的極化SAR圖像分類方法，可用于對極化SAR圖像的地物分類和目標(biāo)識別。
背景技術(shù)：
極化SAR雷達(dá)能夠得到更豐富的目標(biāo)信息，在農(nóng)業(yè)、林業(yè)、軍事、地質(zhì)學(xué)、水文學(xué)和海洋等方面具有廣泛的研究和應(yīng)用價值，如地物種類的識別、農(nóng)作物成長監(jiān)視、產(chǎn)量評估、地物分類、海冰監(jiān)測、地面沉降監(jiān)測，目標(biāo)檢測和海洋污染檢測等。極化SAR圖像分類的目的是利用機(jī)載或星載極化傳感器獲得的極化測量數(shù)據(jù)，確定每個像素所屬的類別。經(jīng)典的極化SAR分類方法包括:Cloude等人提出了基于H/α目標(biāo)分解的極化SAR圖像非監(jiān)督分類方法，見CloudeS R,Pottier E.An entropy based classification scheme for land applications ofpolarimetricSAR[J].1EEETrans.Geosc1.RemoteSensing.1997, 35 (I):549-557.該方法主要是通過Cloude分解提取兩個表征極化數(shù)據(jù)的特征H和α，然后根據(jù)Η/α平面將極化圖像劃分為9個區(qū)域，其中一個理論上不可能存在的區(qū)域，因此最終將圖像劃分為8類。Η/α分類存在的兩個缺陷:一個是區(qū)域的劃分過于武斷；另一個是當(dāng)同一個區(qū)域里共存幾種不同的地物時，將不能有效區(qū)分。Lee等人提出了基于H/α目標(biāo)分解和Wishart分類器的H/a-Wishart非監(jiān)督分類方法，見 Lee J S, Grunes M R, Ainsworth T L, etal.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].1EEETrans.Geosc1.Remote Sensing.1999,37(5):2249-2258.該方法是在原始 H/α 分類基礎(chǔ)上增加了 Wishart迭代，主要是對H/ α劃分后的8類利用Wishart分類器對每一個像素進(jìn)行重新劃分，從而有效的提高了分類的精度，但是又存在不能很好的保持各類的極化散射特性的不足。近鄰傳播聚類是近年出現(xiàn)的一種在數(shù)據(jù)挖掘領(lǐng)域極具競爭力的聚類算法，相比較于傳統(tǒng)聚類算法，近鄰傳播聚類方法能夠在較短時間內(nèi)完成大規(guī)模多類別數(shù)據(jù)集的聚類，并且該算法能夠很好地解決非歐空間問題。然而該算法在應(yīng)用到圖像分割領(lǐng)域時，計(jì)算量和存儲量是難以承受的，嚴(yán)重阻礙了該算法的性能發(fā)揮。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對已有技術(shù)的不足，提出一種基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，以提高分類效果。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟:1、基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，包括如下步驟:(I)對待分類的極化SAR圖像進(jìn)行濾波，去除斑點(diǎn)噪聲；
(2)對濾波后的極化SAR圖像中每個像素點(diǎn)的相干矩陣T進(jìn)行四種分量的分解，得到每個像素點(diǎn)的體散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph ；
(3)根據(jù)每個像素點(diǎn)的體散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率ph，對濾波后的極化SAR圖像進(jìn)行初始劃分:3a)根據(jù)max(Ps，Pd，Pv，Ph)的值，將濾波后的極化SAR圖像數(shù)據(jù)初始劃分為四類，即平面散射類、二面角散射類、體散射類和螺旋散射類；3b)將平面散射類、二面角散射類、體散射類和螺旋散射類再分別進(jìn)行劃分，每一類按照對應(yīng)散射功率的大小均等的劃分成20個小類別；(4)利用每一類劃分后得到的20個小類別，計(jì)算每一個小類別的平均聚類中心Vu =
權(quán)利要求
1.一種基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，包括如下步驟: (I)對待分類的極化SAR圖像進(jìn)行濾波，去除斑點(diǎn)噪聲； ⑵對濾波后的極化SAR圖像中每個像素點(diǎn)的相干矩陣T進(jìn)行四種分量的分解，得到每個像素點(diǎn)的體散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph ； (3)根據(jù)每個像素點(diǎn)的體散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph，對濾波后的極化SAR圖像進(jìn)行初始劃分: 3a)根據(jù)max(Ps，Pd，Pv，Ph)的值，將濾波后的極化SAR圖像數(shù)據(jù)初始劃分為四類，即平面散射類、二面角散射類、體散射類和螺旋散射類； 3b)將平面散射類、二面角散射類、體散射類和螺旋散射類再分別進(jìn)行劃分，每一類按照對應(yīng)散射功率的大小均等的劃分成20個小類別； (4)利用每一類劃分后得到的20個小類別，計(jì)算每一個小類別的平均聚類中心Vu: 其中Tk是第u個小類別中各像素點(diǎn)的相干矩陣，mu是屬于第u個小類別中像素點(diǎn)的個數(shù)； (5)根據(jù)每一類得到的平均聚類中心\，構(gòu)造每一類的相似度矩陣W，將相似度矩陣W中每一個元素Wiu定義為: 其中，Wiu是相似度矩陣W中第i行第u列的元素，i=l,...,20, u=l,…，20，Vi是第i個小類別的平均聚類中心，Vu是第u個小類別的平均聚類中心，TH.)是矩陣的軌跡，(O—1表示對矩陣求逆，I.I是求矩陣的行列式，ln(.)是求對數(shù)； (6)根據(jù)每一類的相似度矩陣W，用近鄰傳播聚類對每一類的20個小類別進(jìn)行聚類，得到整幅圖像的預(yù)分類結(jié)果； (7)對預(yù)分類得到的整幅圖像用Wishart分類器進(jìn)行迭代分類，得到最終的分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，其中步驟(I)所述的對待分類的極化SAR圖像進(jìn)行濾波，采用精致極化LEE濾波法，其濾波窗口大小為7X7。
3.根據(jù)權(quán)利要求書I所述的基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，其中步驟(2)所述的對每個像素點(diǎn)的相干矩陣T進(jìn)行四種分量的分解，按如下步驟進(jìn)行: (2a)讀入濾波后圖像的每個像素點(diǎn)，這些像素點(diǎn)為一個3X3的相干矩陣T，根據(jù)相干矩陣T得到協(xié)方差矩陣C ； —(|^|2) W〈“〉〈“〉' C=^r1H/= 4i{sffPsrm) 2〈間 4i{sffpifpp) 1)(Κι)其中，U是中間變量，
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，其中步驟(6)所述的根據(jù)每一類的相似度矩陣W，用近鄰傳播聚類對每一類的20個小類別進(jìn)行聚類，得到整幅圖像的預(yù)分類結(jié)果，按如下步驟進(jìn)行: (6a)對每一類的相似度矩陣W，將相似度矩陣W的對角線上的值都設(shè)為I，I取值為-1000，將歸屬度矩陣A和吸引度矩陣L初始值設(shè)置為O ; (6b)將歸屬度矩陣A和吸引度矩陣L分別賦值給中間變量a和b，即a=A，b=L ； (6c)根據(jù)相似度矩陣W和歸屬度矩陣A，計(jì)算吸引度矩陣L，吸引度矩陣L中的每一個兀素Liu: 其中，Liu是吸引度矩陣L中第i行第u列的元素，i=l,...,20, u=l,...,20,Φ=1,..., 20 ； (6d)根據(jù)相似度矩陣W和吸引度矩陣L，計(jì)算歸屬度矩陣A，歸屬度矩陣A中每一個元素Aiu為；
5.根據(jù)權(quán)利要求1所述的基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，其中步驟(7)所述的對預(yù)分類得到的整幅圖像用Wishart分類器進(jìn)行迭代分類，按如下步驟進(jìn)行: (7a)對整幅圖像預(yù)分類得到的結(jié)果，計(jì)算每一類的聚類中心B。:
全文摘要
本發(fā)明公開了一種基于改進(jìn)的近鄰傳播聚類的極化SAR圖像分類方法，主要解決現(xiàn)有無監(jiān)督極化SAR分類方法分類精度不高的問題。其實(shí)現(xiàn)步驟為對每個像素點(diǎn)進(jìn)行四種分量分解，提取像素點(diǎn)的四種散射功率；根據(jù)獲得的散射功率對圖像進(jìn)行劃分，得到4種類別；對獲得的每一類，將其均等的分成20個小類；對每一類中的20個小類別，用改進(jìn)后的近鄰傳播聚類對其聚類，得到圖像的預(yù)分類結(jié)果；最后，對預(yù)分類得到的圖像用Wishart分類器進(jìn)行迭代分類，得到最終分類結(jié)果。本發(fā)明與經(jīng)典分類方法相比，對極化SAR圖像的劃分更加嚴(yán)謹(jǐn)，分類效果更佳，計(jì)算復(fù)雜度相對較小，可用于對極化SAR圖像的進(jìn)行地物分類和目標(biāo)識別。
文檔編號G06K9/62GK103186794SQ201310102660
公開日2013年7月3日 申請日期2013年3月27日 優(yōu)先權(quán)日2013年3月27日
發(fā)明者王爽, 焦李成, 劉亞超, 侯小謹(jǐn), 侯彪, 劉坤, 張濤 申請人:西安電子科技大學(xué)