基于近鄰傳播聚類與區(qū)域增長的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于近鄰傳播聚類與區(qū)域增長的極化SAR圖像分類方法，主要解決傳統(tǒng)極化SAR圖像分類方法分類區(qū)域一致性較差的問題。其實現(xiàn)步驟為：(1)對經(jīng)過精致Lee濾波后的極化SAR圖像進行Pauli分解，得到散射分量；(2)根據(jù)散射分量計算圖像的邊緣強度，利用分水嶺算法對整幅圖像進行過分割；(3)使用基于區(qū)域的K-均值聚類得到初始分類結(jié)果；(4)用近鄰傳播聚類對初始分類結(jié)果進行聚類得到中間分類結(jié)果；(5)運用區(qū)域增長方法，優(yōu)化中間分類結(jié)果；(6)用Wishart分類方法對邊界點進行分類得到最終分類結(jié)果。本發(fā)明具有區(qū)域一致性較好，分類較準確，邊緣清晰的優(yōu)點，可用于極化SAR圖像地物分類。
【專利說明】基于近鄰傳播聚類與區(qū)域增長的極化SAR圖像分類方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，特別是一種基于區(qū)域的極化SAR圖像無監(jiān)督分類方法，可用來對極化SAR圖像中的地物進行分類。

【背景技術(shù)】
[0002]極化合成孔徑雷達SAR所提供的信息在海冰監(jiān)控、地物分類以及農(nóng)作物識別等多個領(lǐng)域具有廣泛而豐富的應(yīng)用，近幾年來，隨著加拿大等國發(fā)射的多個雷達空間平臺返回了大量的極化SAR數(shù)據(jù)，為了更好地利用這些數(shù)據(jù)獲取真實地物信息，針對極化SAR圖像數(shù)據(jù)的特點，人們研究了許多對極化SAR圖像進行分割分類的方法。經(jīng)典的分類方法有:
[0003]一.利用極化目標分解的分類方法。這類方法通過對目標信息進行分解，分析散射機理，將目標分解為幾種基本的散射類型，不同散射類型對應(yīng)不同地物種類，然后根據(jù)分類單元與基本散射類型的相似性進行分類。例如利用Pauli分解將目標的散射矩陣分解為奇次散射、偶次散射以及與水平方向有45°傾角的偶次散射，見Lee J S, PottierE.Polarimetric radar imaging:from basics to applicat1ns[M].CRC press,2009。該方法得到的幾種散射類型所代表的目標并不是相互獨立的，只能有效區(qū)分單次散射和偶次散射兩種散射機理所對應(yīng)的地物，不能對含有多種不同地物的極化SAR圖像進行有效分類。
[0004]二.利用極化數(shù)據(jù)統(tǒng)計信息的分類方法。如Lee等人所提出的基于Wishart距離的極化 SAR 圖像分類器，見 Lee J S, Grunes M R, Kwok R.Classificat1n of mult1-lookpolarimetric SAR imagery based on complex Wishart distribut1n[J].1nternat1nalJournal of Remote Sensing, 1994，15 (11): 2299-2311。該類方法直接利用協(xié)方差矩陣和相干矩陣作為分類特征進行分類。但該方法只考慮了統(tǒng)計信息，沒有有效利用極化散射信肩、O
[0005]三.利用散射機理和統(tǒng)計信息對極化SAR數(shù)據(jù)進行分類。如Lee等人提出的利用Cloude-Pottier分解得到初始分類，再利用Wishart分類器得到最終分類結(jié)果的分類方法° 見 Lee J S，Grunes M R, Ainsworth T L, et al.Unsupervised classificat1n usingpolarimetric decomposit1n and the complex Wishart classifier[J].Geoscience andRemote Sensing, IEEE Transact1ns on, 1999, 37 (5): 2249-2258。該方法有效提高了分類精度，但沒有考慮像素的空間上下文關(guān)系，將它應(yīng)用在具有勻質(zhì)區(qū)域的極化SAR圖像上不能得到準確的分類結(jié)果。
[0006]四.基于像素點和基于區(qū)域的分類方法。過去的分類方法主要是基于像素點的分類方法，這會導致分類結(jié)果中出現(xiàn)許多未正確分類的雜點，影響分類精度；近幾年來出現(xiàn)了許多基于區(qū)域的分類方法，比如吳永輝等人提出的基于區(qū)域的WMRF極化 SAR 圖像分類方法，見 Wu Y, Ji K, Yu ff, et al.Reg1n-based classificat1n ofpolarimetric SAR images using Wishart MRF[J].Geoscience and Remote SensingLetters, IEEE, 2008,5(4):668-672。該方法先將圖像分成若干正方形小塊作為分類單元，然后用改進的WMRF模型對分類單元進行分類，并得到最終分類結(jié)果。該方法在初始劃分時的分割方法過于武斷，使最終分類結(jié)果中不同類別間的邊緣線不夠準確。
[0007]上述的幾種經(jīng)典極化SAR分類方法均沒有充分利用極化SAR數(shù)據(jù)的極化散射信息、空間上下文信息，且不能對圖像中不同類別間的邊緣進行準確的分割。


【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于近鄰傳播聚類與、、域增長的極化SAR圖像地物分類方法，以充分利用極化SAR數(shù)據(jù)的極化散射信息、空間上下文信息，對圖像中不同類別間的邊緣進行準確的分割。
[0009]實現(xiàn)本發(fā)明目的的技術(shù)方案是:利用極化目標分解計算圖像的邊緣強度，根據(jù)邊緣強度進行初始過分割，將圖像分為保留準確邊緣的若干小塊區(qū)域；再使用基于區(qū)域的近鄰傳播聚類得到初步分類結(jié)果，最終通過區(qū)域增長并結(jié)合空間上下文信息優(yōu)化分類結(jié)果。其實現(xiàn)步驟包括如下:
[0010](I)對待分類的極化SAR圖像進行精致Lee濾波，得到濾波后的極化SAR圖像I1 ；
[0011](2)對濾波后的極化SAR圖像I1中每個像素的相干矩陣T進行Pauli分解，得到每個像素點的三個散射特征分量，即奇次散射分量P，偶次散射分量Q，與水平方向有45°傾角的偶次散射分量C，根據(jù)這三個散射特征分量P，Q, C求得該圖像I1的偽彩色通道值R，G，B，其中R表示紅色通道值，G表示綠色通道值，B表示藍色通道值；
[0012](3)利用Sobel算子與彩色通道值R，G, B求得濾波后極化SAR圖像I1的邊界強度圖g，使用分水嶺算法將邊界強度圖g劃分為N個不同小塊區(qū)域和未分類的邊界點b，得到初始分割結(jié)果I2，根據(jù)I2中每一個小塊區(qū)域與相鄰小塊的鄰接信息建立鄰接圖Ψ ;
[0013](4)將初始分割結(jié)果I2中每一小塊區(qū)域的平均相干矩陣作為該塊的中心矩陣Vi,i表示I2中的第i小塊，根據(jù)中心矩陣\的對角線值求得初始分割結(jié)果I2的三個特征分量H，f2，f3，利用基于區(qū)域的K-均值聚類方法對特征值Π，f2, f3進行聚類，將初始過分割結(jié)果I2分為500類，得到初步分類結(jié)果I3 ；
[0014](5)計算初步分類結(jié)果I3中每一類的中心矩陣Vni,m表示I3中的第m類，利用中心矩陣計算每兩類之間的Wishart距離作為這兩類的相似度，得到一個500X500的相似度矩陣S ；
[0015](6)根據(jù)相似度矩陣S，利用近鄰傳播聚類算法對初步分類結(jié)果13進行聚類，得到中間分類結(jié)果I4 ;
[0016](7)令迭代次數(shù)μ = 1，根據(jù)鄰接圖Ψ，求初始分割結(jié)果I2中每一小塊i與相鄰小塊之間的相似度，獲取與小塊i相似度值最小的相鄰小塊的標號j，在中間分類結(jié)果I4中合并小塊i與相鄰小塊j，將中間分類結(jié)果I4中小塊i對應(yīng)像素的標號更新為中間分類結(jié)果I4中相鄰小塊j所對應(yīng)像素的標號，
[0017](8)重復步驟(7)直到迭代次數(shù)μ = 100 ;
[0018](9)計算中間分類結(jié)果I4中不同類的中心矩陣V1, I表示I4中的第I類，根據(jù)I4得到未分類邊界點b的8鄰域內(nèi)像素的類別，利用未分類邊界點b的相干矩陣和中心矩陣V1計算I4中未分類邊界點與相鄰類別間的Wishart距離，將未分類邊界點b的類別分配為與其Wishart距離最小的類別的標號，得到最終分類結(jié)果15。
[0019]本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點:
[0020]1、本發(fā)明由于使用經(jīng)過Pauli分解后得到的極化散射信息求得邊緣強度，并依據(jù)邊緣強度使用分水嶺算法得到最初過分割圖像，保留圖像的邊緣信息，使分類結(jié)果各類別邊緣更加準確；
[0021]2、本發(fā)明根據(jù)極化分解得到的邊緣強度，使用基于區(qū)域的K-均值聚類方法對過分割所得到的大量小區(qū)域進行初始劃分，減少了近鄰傳播聚類所需要的數(shù)據(jù)數(shù)量，降低了算法需要的時間；
[0022]3、本發(fā)明使用區(qū)域增長的方法，考慮空間上下文關(guān)系，結(jié)合近鄰傳播聚類方法所得到的初步分類結(jié)果，對分水嶺算法得到的小塊區(qū)域，計算每一小塊區(qū)域與周圍已經(jīng)分類別的小塊的相似度，合并相似度最高的區(qū)域，對近鄰傳播聚類所得到的初步分類結(jié)果進行優(yōu)化；
[0023]4、本發(fā)明對分水嶺算法產(chǎn)生的單個像素大小的邊界點考慮它與周圍已分類區(qū)域的關(guān)系，更準確的對邊界點進行分類，使分類結(jié)果的邊緣更準確；
[0024]5、仿真結(jié)果表明，相比單獨使用近鄰傳播聚類的極化SAR圖像分類方法，本發(fā)明能得到更好的分類結(jié)果。

【專利附圖】

【附圖說明】
[0025]圖1是本發(fā)明的流程示意圖；
[0026]圖2是本發(fā)明仿真使用的荷蘭Flevoland農(nóng)田數(shù)據(jù)經(jīng)過精致Lee濾波后得到的圖像；
[0027]圖3是使用現(xiàn)有的基于Freeman分解的方法對圖2的分類結(jié)果圖；
[0028]圖4是使用現(xiàn)有的近鄰傳播聚類方法對圖2的分類結(jié)果圖；
[0029]圖5是用本發(fā)明對圖2進行分類的分類結(jié)果圖。

【具體實施方式】
[0030]參照圖1，本發(fā)明的實現(xiàn)步驟如下:
[0031]步驟一、對極化SAR圖像進行精致Lee濾波，得到濾波后的極化SAR圖像1:。
[0032]步驟二、對濾波后的極化SAR圖像I1中每個像素的相干矩陣T進行Pauli分解，得到每個像素點的三個散射特征分量。
[0033](2a)讀入經(jīng)過精致Lee濾波后待分類的極化SAR圖像，其中每個像素點可表示為一個3X3相干矩陣T:

【權(quán)利要求】
1.一種基于近鄰傳播聚類與區(qū)域增長的極化SAR圖像分類方法，包括如下步驟: (1)對待分類的極化SAR圖像進行精致Lee濾波，得到濾波后的極化SAR圖像I1； (2)對濾波后的極化SAR圖像I1中每個像素的相干矩陣T進行Pauli分解，得到每個像素點的三個散射特征分量，即奇次散射分量P，偶次散射分量Q，與水平方向有45°傾角的偶次散射分量C，根據(jù)這三個散射特征分量P，Q, C求得該圖像I1的偽彩色通道值R，G, B，其中R表示紅色通道值，G表示綠色通道值，B表示藍色通道值； (3)利用Sobel算子與彩色通道值R，G,B求得濾波后極化SAR圖像I1的邊界強度圖g，使用分水嶺算法將邊界強度圖g劃分為N個不同小塊區(qū)域和未分類的邊界點b，得到初始分割結(jié)果I2，根據(jù)I2中每一個小塊區(qū)域與相鄰小塊的鄰接信息建立鄰接圖Ψ ； (4)將初始分割結(jié)果I2中每一小塊區(qū)域的平均相干矩陣作為該塊的中心矩陣\，i表示I2中的第i小塊，根據(jù)中心矩陣\的對角線值求得初始分割結(jié)果I2的三個特征分量fl，?2, f3，利用基于區(qū)域的K-均值聚類方法對特征值fl，f2, f3進行聚類，將初始過分割結(jié)果I2分為500類，得到初步分類結(jié)果I3 ； (5)計算初步分類結(jié)果I3中每一類的中心矩陣Vm，m表示I3中的第m類，利用中心矩陣計算每兩類之間的Wishart距離作為這兩類的相似度，得到一個500X500的相似度矩陣S ； (6)根據(jù)相似度矩陣S，利用近鄰傳播聚類算法對初步分類結(jié)果13進行聚類，得到中間分類結(jié)果I4 ； (7)令迭代次數(shù)μ= 1，根據(jù)鄰接圖Ψ，求初始分割結(jié)果I2中每一小塊i與相鄰小塊之間的相似度，獲取與小塊i相似度值最小的相鄰小塊的標號j，在中間分類結(jié)果I4中合并小塊i與相鄰小塊j，將中間分類結(jié)果I4中小塊i對應(yīng)像素的標號更新為中間分類結(jié)果I4中相鄰小塊j所對應(yīng)像素的標號； (8)重復步驟(7)直到迭代次數(shù)μ= 100 ; (9)計算中間分類結(jié)果I4中不同類的中心矩陣V1,I表示I4中的第I類，根據(jù)I4得到未分類邊界點b的8鄰域內(nèi)像素的類別，利用未分類邊界點b的相干矩陣和中心矩陣V1計算I4中未分類邊界點與相鄰類別間的Wishart距離，將未分類邊界點b的類別分配為與其Wishart距離最小的類別的標號，得到最終分類結(jié)果15。
2.根據(jù)權(quán)利要求1所述的基于近鄰傳播聚類和區(qū)域增長的極化SAR圖像分類方法，其中所述步驟(2)中根據(jù)三個散射特征分量P，Q，C求得該圖像I1的偽彩色通道值R，G，B，按如下步驟進行: (2a)讀入經(jīng)過精致Lee濾波后的極化SAR圖像I1,利用Pauli分解得到該圖像I1的三個散射特征分量P，Q，C ; (2b)根據(jù)三個散射特征分量P，Q, C求得圖像I1的偽彩色通道值R，G, B,即紅色通道值R，綠色通道值G，藍色通道值B:
/?-201og02 < G-201ogC" ο β = 20 log/)2
3.根據(jù)權(quán)利要求1所述的基于近鄰傳播聚類和區(qū)域增長的極化SAR圖像分類方法，其中所述步驟(3)中使用分水嶺算法將邊界強度圖g劃分為N個不同小塊區(qū)域和未分類的邊界點b，按如下步驟進行: (3a)利用Sobel算子分別求得濾波后的極化SAR圖像I1的紅色通道值R在水平方向上的邊緣值Rgl和垂直方向上的邊緣值Rg2、濾波后的極化SAR圖像I1的綠色通道值G在水平方向上的邊緣值Ggl和垂直方向上的邊緣值Ggl以及濾波后的極化SAR圖像I1的藍色通道值B在水平方向上的邊緣值Bgl和垂直方向上的邊緣值Bgl ； (3b)利用步驟(3a)得到的所述邊緣值Rgl，Rg2，Ggl, Gg2，Bgl, Bg2，求得濾波后的極化SAR圖像I1的邊緣強度圖g: g=、/%12 + RgT2 + ^BgYl + BgTl + 知 2 + Ggl 2 ; 其中~2表示平方； (3c)使用分水嶺算法，對濾波后的極化SAR圖像I1的邊界強度圖g進行初始過分割，得到由N個不同小塊區(qū)域和未分類的邊界點b組成的初始分割圖12。
4.根據(jù)權(quán)利要求1所述的基于近鄰傳播聚類和區(qū)域增長的極化SAR圖像分類方法，其中所述步驟(4)中根據(jù)中心矩陣Vi的對角線值求得初始分割結(jié)果I2的三個特征分量fl，f2, f3，按如下步驟進行: (4a)將初始分割結(jié)果I2中小塊區(qū)域i的平均相干矩陣作為該塊的中心矩陣Vi:
η
η 其中L是初始分割結(jié)果I2中小塊i內(nèi)像素j的相干矩陣，N是初始過分割結(jié)果I2內(nèi)小塊區(qū)域的個數(shù)，η是小塊i中像素的個數(shù)； (4b)根據(jù)中心矩陣Vi的對角線值Vi (1，I) ,Vi (2，2) ,Vi (3，3)，求得三個特征分量Π，f2, f3:
fl = 201ogVi(l, I)
f2 = 201ogVi (2, 2)
f3 = 201ogVi (3, 3) 其中Vi(l，I)表示中心矩陣Vi中第I行第I列元素，Vi (2, 2)表示中心矩陣Vi中第2行第2列元素，Vi (3，3)表示中心矩陣Vi中第3行第3列元素。
5.根據(jù)權(quán)利要求1所述的基于近鄰傳播聚類和區(qū)域增長的極化SAR圖像分類方法，其中步驟(6)所述根據(jù)相似度矩陣S，利用近鄰傳播聚類算法對初步分類結(jié)果I3進行聚類，按如下步驟進行: (6a)將相似度矩陣S的對角線值S (k, k)設(shè)置為相似度矩陣S的均值p，該值表示初步分類結(jié)果I3中第k個類作為聚類中心的可能性大小，并將吸引度矩陣R和歸屬度矩陣A初始化為全O矩陣； (6b)將迭代次數(shù)δ初始為1，根據(jù)相似度矩陣S計算吸引度矩陣R以及歸屬度矩陣Α，其中吸引度矩陣R中的每一個元素R(i，k)以及歸屬度矩陣A中的每一個元素A(i，k)計算式為:
R(1.k) = S(1.k) - max | A{1.k ) + S(Lk )} ' ' k^k 1 ' }
其中S(i，k)是相似度矩陣S中第i行k列元素，吸引度矩陣R中元素R(i，k)表示初步分類結(jié)果I3中數(shù)據(jù)類k對數(shù)據(jù)類i的吸引度，R(i’，k)表示數(shù)據(jù)類k對數(shù)據(jù)類i’的吸引度，數(shù)據(jù)類i’是分類結(jié)果I3中除數(shù)據(jù)類i和數(shù)據(jù)類k以外的其他數(shù)據(jù)類，歸屬度矩陣A中元素A(i，k)表示初步分類結(jié)果I3中數(shù)據(jù)類i對數(shù)據(jù)類k的歸屬度，A (i，k’)表示數(shù)據(jù)類i對數(shù)據(jù)類k’的歸屬度，數(shù)據(jù)類k’是初步分類結(jié)果I3中除數(shù)據(jù)類k以外的其他數(shù)據(jù)類，i =I,..., 500, k = I,..., 500, i’ = I,..., 500, k’ = I,..., 500 ； (6c)根據(jù)本次迭代之前的吸引度矩陣R與歸屬度矩陣A以及步驟(6b)得到的所述吸引度矩陣R與歸屬度矩陣A，求更新后的吸引度矩R中的每一個元素Rmw(i，k)與更新后的歸屬度矩陣A中的每一個元素Amw (i，k):
其中Rtjld(Lk)是本次迭代之前的吸引度矩陣R中第i行k列元素，A-ak)是本次迭代之前的歸屬度矩陣A中第i行k列元素，R(i，k)是步驟(6b)得到的吸引度矩陣R中第i行k列元素，A(i，k)是步驟(6b)得到的歸屬度矩陣A中第i行k列元素，i = 1,...,500,k = 1，...，500，λ e (O, I)是收斂系數(shù)，用于調(diào)節(jié)算法的收斂速度與穩(wěn)定性； (6d)根據(jù)步驟(6c)得到的更新后的吸引度矩陣R和歸屬度矩陣A，確定數(shù)據(jù)點i的聚類中心k:
k = argmaxk {Anew (i, k) +Rnew (i, k)}, 其中R_(i，k)是更新后的吸引度矩陣R中第i行k列元素，AnOT(i，k)是更新后的歸屬度矩陣A中第i行k列元素，當i = k時，若AnOT(i，k)+Rnew(i, k) > 0，則i為聚類中心，迭代次數(shù)δ加I ; (6e)重復步驟(6b) —(6d)，直到迭代次數(shù)δ = 1000，得到中間分類結(jié)果14。
6.根據(jù)權(quán)利要求1所述的基于近鄰傳播聚類和區(qū)域增長的極化SAR圖像分類方法，其中所述步驟(7)中求初始分割結(jié)果I2中每一小塊i與相鄰小塊之間的相似度D(i，j)，通過如下公式計算:
D(i，j) =NijInlVij1-NiInlVi1-NjInlVj 其中，Ni表示小塊i內(nèi)的像素點個數(shù)，Nj表示小塊j內(nèi)的像素點個數(shù)，Nij = N^NrVi表示初始分割結(jié)果I2中小塊i的中心矩陣，Vj表示初始分割結(jié)果I2中相鄰小塊j的中心矩陣，Vu表示若i，j兩個相鄰小塊合并為一個小塊后的中心矩陣，1.1表示矩陣的行列式。
【文檔編號】G06T7/00GK104166856SQ201410369580
【公開日】2014年11月26日 申請日期:2014年7月30日 優(yōu)先權(quán)日:2014年7月30日
【發(fā)明者】侯彪, 焦李成, 姜宇恒, 王爽, 張向榮, 馬文萍 申請人:西安電子科技大學