本發(fā)明屬于全極化SAR(Synthetic Aperture Radar，合成孔徑雷達(dá))成像遙感技術(shù)領(lǐng)域，涉及一種基于聚類的極化SAR圖像相干斑自適應(yīng)濾波方法。

背景技術(shù)：

相干斑現(xiàn)象廣泛存在于極化SAR等相干成像系統(tǒng)所獲得的圖像中。相干斑的存在給極化SAR圖像理解和解譯帶來了困難和挑戰(zhàn)。在進(jìn)行諸如目標(biāo)檢測、分類和識別等處理時，通常需要對極化SAR圖像進(jìn)行相干斑濾波預(yù)處理。性能優(yōu)良的相干斑濾波方法要求在充分抑制相干斑的同時很好地保護(hù)地物細(xì)節(jié)。作為極化SAR圖像預(yù)處理，相干斑濾波性能直接影響后續(xù)各種處理和應(yīng)用的效果。因此，發(fā)展具有高精度的極化SAR相干斑自適應(yīng)濾波方法具有重要意義。

相干斑濾波主要包含兩個步驟：一是相似候選樣本像素的選取，二是無偏估計器的構(gòu)建。其中，相似候選樣本像素的選取是決定相干斑濾波性能的關(guān)鍵，成為該領(lǐng)域的研究重點。當(dāng)前，極化SAR圖像中相似候選樣本像素的選取主要基于各極化通道的能量信息，較少利用各極化通道的相關(guān)信息和完整的極化矩陣信息，相似候選樣本像素選取的適應(yīng)性和準(zhǔn)確性有待提高。文獻(xiàn)Si-Wei Chen,Xue-Song Wang and Motoyuki Sato,“PolInSAR complex coherence estimation based on covariance matrix similarity test,”IEEE Transactions on Geoscience and Remote Sensing,vol.50,no.11,pp.4699–4710,Nov.2012提出了一種基于極化矩陣相似性檢驗的相似候選樣本像素選取方法，獲得了更好的相干斑濾波性能。該方法利用了全極化信息，通過預(yù)設(shè)一個全局門限和門限判斷來選取鄰域內(nèi)與待濾波像素相似的候選樣本集。然而，全局門限并不能始終適應(yīng)極化SAR圖像中的各種紋理特征，相似候選樣本像素選取的適應(yīng)性和準(zhǔn)確性仍有待提高。如何根據(jù)極化SAR圖像局部紋理特征自適應(yīng)地選取門限參數(shù)，是當(dāng)前面臨的技術(shù)挑戰(zhàn)。因此，發(fā)展一種利用全極化信息的極化SAR圖像自適應(yīng)相干斑濾波方法具有重要意義。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是，提供一種基于聚類的極化SAR圖像相干斑自適應(yīng)濾波方法，本方法能夠準(zhǔn)確和自適應(yīng)地選取候選樣本像素集，實現(xiàn)對極化SAR圖像的自適應(yīng)相干斑濾波。

本發(fā)明的基本思路是：基于極化SAR圖像極化矩陣相似性檢驗的相似度參數(shù)能夠很好地衡量不同像素之間的相似程度。根據(jù)像素之間的相似程度，通過聚類處理則可自適應(yīng)地確定具有不同紋理特征的鄰域內(nèi)各像素的類別，進(jìn)而選取與待濾波像素類別相同的像素為候選樣本集，實現(xiàn)極化SAR圖像相干斑自適應(yīng)濾波。具體而言，本發(fā)明通過計算待濾波像素鄰域內(nèi)兩兩像素之間的相似度參數(shù)，并構(gòu)建相似度參數(shù)的距離測度。在此基礎(chǔ)上，通過構(gòu)建聚類特征參數(shù)，自適應(yīng)確定聚類類別數(shù)目實現(xiàn)鄰域內(nèi)像素的聚類處理，并準(zhǔn)確選取候選樣本像素集，實現(xiàn)對極化SAR圖像的自適應(yīng)相干斑濾波。具體技術(shù)方案如下：

一種基于聚類的極化SAR圖像相干斑自適應(yīng)濾波方法，具體包括以下步驟：

(S1)輸入待濾波的極化SAR圖像，由極化SAR圖像的極化相干矩陣計算相似度參數(shù)；

(S2)根據(jù)相似度參數(shù)，計算相似度參數(shù)的距離測度；

(S3)計算原始聚類特征參數(shù)；

(S4)對原始聚類特征參數(shù)序列進(jìn)行降序排列；

(S5)確定聚類類別數(shù)目和聚類中心；

(S6)根據(jù)聚類中心，進(jìn)行聚類處理，得到聚類類別參數(shù)序列；

(S7)選取候選樣本像素集，并對待濾波像素進(jìn)行濾波處理，遍歷極化SAR圖像中的每一個像素，得到極化SAR相干斑濾波結(jié)果圖。

具體地，所述步驟(S1)中計算相似度參數(shù)具體為：極化SAR圖像中的每一個像素(i，j)對應(yīng)一個極化相干矩陣，記為T_ij,i＝1,2,…,I,j＝1,2,…,J，極化SAR圖像的大小為I×J，I,J分別表示圖像的行、列像素點總數(shù)，取整數(shù)，對每一個待濾波像素對應(yīng)的極化相干矩陣T_ij，記以T_ij為中心的鄰域N×M內(nèi)每一個極化相干矩陣T_nm，n＝1,2,…,N，m＝1,2,…,M，N、M分別表示鄰域的行、列像素點總數(shù)，N、M為奇數(shù)，

計算T_ij和T_nm的相似度參數(shù)ln Q_ij-nm：

ln Q_ij-nm＝6ln2+ln[Det(T_ij)]+ln[Det(T_nm)]-2ln[Det(T_ij+T_nm)]

當(dāng)T_ij＝T_nm時，ln Q_ij-nm＝0；當(dāng)T_ij≠T_nm時，ln Q_ij-nm＜0。Det(·)表示取矩陣的行列式。符號ln表示自然對數(shù)。

遍歷鄰域N×M內(nèi)的每一個極化相干矩陣T_nm，得到相似度參數(shù)矩陣ln Q_ij-NM。

具體地，所述步驟(S2)計算相似度參數(shù)的距離測度具體為：將鄰域N×M內(nèi)的相似度參數(shù)矩陣ln Q_ij-NM按列展開，構(gòu)建相似度參數(shù)向量ln Q_ij-P，P＝N×M，計算相似度參數(shù)向量ln Q_ij-P內(nèi)兩兩元素之間的距離測度D_xy：

D_xy＝|ln Q_ij-x-ln Q_ij-y|

其中，x，y表示鄰域內(nèi)的像素，x＝1,2,…,P，y＝1,2,…,P；|·|為取絕對值。

具體地，所述步驟(S3)計算聚類參數(shù)具體過程為：

對鄰域N×M內(nèi)的每一個像素x，x＝1,2,…,P，計算該像素的局部密度參數(shù)ρ_x：

其中，d_c為截斷距離，y＝1,2,…,P，P＝N×M，D_xy為距離測度，e為自然指數(shù)。

計算鄰域N×M內(nèi)的每一個像素x與鄰域N×M內(nèi)局部密度大于ρ_x的像素的最小距離，即：

δ_x＝min(D_xy)，其中ρ_x＜ρ_y

ρ_y表示像素y的局部密度參數(shù)，min(·)表示求最小值；同時，記錄滿足δ_x＝min(D_xy)的ρ_y的下標(biāo)為即鄰域N×M內(nèi)像素是所有局部密度大于ρ_x的像素中與像素x距離最小的像素，即：

計算鄰域N×M內(nèi)每一個像素x的聚類特征參數(shù)η_x：

η_x＝ρ_x×δ_x

遍歷鄰域N×M內(nèi)的每一個像素，得到原始聚類特征參數(shù)序列η_P，即η_P＝{η_x}，x＝1,2,…,P。

具體地，所述步驟(S5)具體過程為：

記按降序排列的聚類特征參數(shù)序列z＝1,2,…,N×M，計算聚類特征參數(shù)序列的一階差分序列，記為

設(shè)定門限值th，將一階差分序列中取值超過門限值th的元素中下標(biāo)z的最大值確定為聚類類別數(shù)目w：

其中，門限th與極化SAR圖像的分辨率有關(guān)，根據(jù)實際情況確定。

若一階差分序列中所有元素的取值均不超過門限th，則聚類類別數(shù)目w＝1；

將對應(yīng)的像素確定為聚類中心，根據(jù)序列中每一元素與原始聚類特征參數(shù)序列η_P＝{η_x}中每一元素η_x的對應(yīng)關(guān)系為下標(biāo)u_z為整數(shù)，且u_z∈(-N×M,N×M)，則聚類中心在原始聚類特征參數(shù)序列中對應(yīng)的元素為

具體地，所述步驟(S6)中的聚類處理具體為：

設(shè)鄰域N×M內(nèi)每一像素x的聚類類別參數(shù)為b_x，并初始化為b_x＝0，令w個聚類中心對應(yīng)像素的聚類類別參數(shù)取值為{1,2,…,w}，即

對鄰域N×M內(nèi)每一像素x，確定聚類類別參數(shù)b_x的取值：

其中，像素是鄰域N×M內(nèi)所有局部密度大于ρ_x的像素中與像素x距離最小的像素，即滿足即為像素的聚類類別參數(shù)。

此處主要描述的是首先確定了聚類中心的類別參數(shù)，然后對與聚類中心距離最近的像素的聚類類別參數(shù)賦值，如此循環(huán)，即可對所有像素進(jìn)行聚類類別參數(shù)賦值。

遍歷鄰域N×M內(nèi)每一像素x，直至任意聚類類別參數(shù)b_x的取值均不為0，則得到聚類類別參數(shù)序列{b_x}，x＝1,2,…,P。

具體地，所述步驟(S7)具體步驟為：

在鄰域N×M內(nèi)，待濾波像素對應(yīng)聚類類別參數(shù)序列{b_x}的元素為b_(N×M+1)/2，將序列{b_x}內(nèi)取值與b_(N×M+1)/2相等的像素確定為候選樣本像素集，記為：

{b_g}＝{b_x|b_x＝b_(N×M+1)/2}

設(shè){b_g}中元素數(shù)目為G，且b_g對應(yīng)鄰域N×M內(nèi)像素的極化相干矩陣為T_g，則對待濾波像素的極化相干矩陣T_ij的濾波處理結(jié)果為：

遍歷極化SAR圖像中的每一個像素像素(i，j)對應(yīng)一個極化相干矩陣，記為T_ij,i＝1,2,…,I；j＝1,2,…,J，則得到極化SAR相干斑濾波結(jié)果圖。

具體地，所述N，M取值為15～25。

具體地，所述d_c取值為0.02。

具體地，將所述步驟(S1)中極化相干矩陣替換成極化協(xié)方差矩陣。

用本發(fā)明獲得的有益效果：

本發(fā)明所述的基于聚類的極化SAR圖像相干斑自適應(yīng)濾波方法，通過計算待濾波像素與鄰域內(nèi)像素散射特性的相似度參數(shù)的距離測度，構(gòu)建聚類特征參數(shù)，自適應(yīng)確定聚類類別數(shù)目實現(xiàn)鄰域內(nèi)像素的聚類處理，并準(zhǔn)確選取候選樣本像素集，實現(xiàn)對極化SAR圖像的自適應(yīng)相干斑濾波。本發(fā)明實現(xiàn)簡單，對不同地物具有很好的魯棒性，并且實施起來也非常方便，可直接用于對各種極化SAR系統(tǒng)獲得的具有不同波段和不同分辨率的極化SAR圖像進(jìn)行處理。本發(fā)明對于極化SAR圖像預(yù)處理、相干斑濾波、模式識別、目標(biāo)檢測與分類等應(yīng)用領(lǐng)域有著重要的參考價值。

附圖說明

圖1為本發(fā)明的實施流程圖；

圖2為美國UAVSAR待濾波極化SAR圖；

圖3為對具有典型紋理特征的像素區(qū)域進(jìn)行聚類與候選樣本像素選取示意圖；

圖4為美國UAVSAR極化SAR圖像相干斑濾波結(jié)果圖；

圖5為德國F-SAR待濾波極化SAR圖；

圖6為對具有典型紋理特征的像素區(qū)域進(jìn)行聚類與候選樣本像素選取示意圖；

圖7為德國F-SAR極化SAR圖像相干斑濾波結(jié)果圖。

具體實施方式

為了更好地理解本發(fā)明的技術(shù)方案，以下結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步描述。

圖1為本發(fā)明的實施流程圖。本發(fā)明適用于極化相干矩陣T和極化協(xié)方差矩陣C。本發(fā)明的輸入為待濾波極化SAR圖像的極化相干矩陣T或極化協(xié)方差矩陣C。其中，滿足互易條件S_HV＝S_VH時，極化相干矩陣T和極化協(xié)方差矩陣C分別為：

其中，S_HH為在水平極化H發(fā)射和水平極化H接收條件下獲取的復(fù)后向散射系數(shù)；S_VH為在水平極化H發(fā)射和垂直極化V接收條件下獲取的復(fù)后向散射系數(shù)；S_HV為在垂直極化V發(fā)射和水平極化H接收條件下獲取的復(fù)后向散射系數(shù)；S_VV為在垂直極化V發(fā)射和垂直極化V接收條件下獲取的復(fù)后向散射系數(shù)。上標(biāo)*為共軛處理，|·|表示取絕對值。

下面以極化相干矩陣T為例進(jìn)行技術(shù)方案介紹(對極化協(xié)方差矩陣C進(jìn)行處理時，只需將極化相干矩陣T替換為極化協(xié)方差矩陣C即可)。極化SAR圖像中的每一個像素對應(yīng)一個極化相干矩陣，記為T_ij,i＝1,2,…,I,j＝1,2,…,J，極化SAR圖像的大小為I×J。對每一個待濾波像素的極化相干矩陣T_ij，在其鄰域N×M(N和M為奇數(shù)，N和M的取值與分辨率有關(guān)。一般取N＝M＝15～25)內(nèi)，進(jìn)行下面第一步至第七步的處理：

第一步，計算極化相干矩陣的相似度參數(shù)；

對極化相干矩陣T_ij和以極化相干矩陣T_ij為中心的鄰域N×M內(nèi)的每一個極化相干矩陣T_nm，n＝1,2,…,N，m＝1,2,…,M，計算T_ij和T_nm的相似度參數(shù)ln Q_ij-nm：

ln Q_ij-nm＝6ln2+ln[Det(T_ij)]+ln[Det(T_nm)]-2ln[Det(T_ij+T_nm)]

當(dāng)T_ij＝T_nm時，ln Q_ij-nm＝0；當(dāng)T_ij≠T_nm時，ln Q_ij-nm＜0。Det(·)表示取矩陣的行列式。

遍歷鄰域N×M內(nèi)的每一個極化相干矩陣T_nm，可得到相似度參數(shù)矩陣ln Q_ij-NM。

第二步，計算相似度參數(shù)的距離測度；

將鄰域N×M內(nèi)的相似度參數(shù)矩陣ln Q_ij-NM按列展開，構(gòu)建相似度參數(shù)向量ln Q_ij-P，P＝N×M，計算相似度參數(shù)向量ln Q_ij-P內(nèi)兩兩元素之間的距離測度D_xy：

D_xy＝|ln Q_ij-x-ln Q_ij-y|

其中，x＝1,2,…,P，y＝1,2,…,P。

第三步，計算聚類特征參數(shù)；

對鄰域N×M內(nèi)的每一個像素x，計算該像素的局部密度參數(shù)ρ_x：

其中，d_c為截斷距離，通常取d_c＝0.02。

在此基礎(chǔ)上，計算鄰域N×M內(nèi)的每一個像素x與鄰域N×M內(nèi)局部密度大于ρ_x的像素的最小距離，即：

δ_x＝min(D_xy)，其中ρ_x＜ρ_y

同時，記錄滿足δ_x＝min(D_xy)的ρ_y的下標(biāo)為即鄰域N×M內(nèi)像素是所有局部密度大于ρ_x的像素中與像素x距離最小的像素，即：

計算鄰域N×M內(nèi)的每一個像素的聚類特征參數(shù)η_x：

0_x＝ρ_x×δ_x

遍歷鄰域N×M內(nèi)的每一個像素，可得到原始聚類特征參數(shù)序列η_P，即η_P＝{η_x}。

第四步,對聚類特征參數(shù)序列進(jìn)行降序排列；

對聚類特征參數(shù)序列η_P進(jìn)行降序排列，得到按降序排列的聚類特征參數(shù)序列z＝1,2,…,N×M。同時序列中每一元素與原始聚類特征參數(shù)序列η_P＝{η_x}中每一元素η_x的對應(yīng)關(guān)系為下標(biāo)u_z為整數(shù)，且u_z∈(-N×M,N×M)。

第五步，確定聚類類別數(shù)目和聚類中心；

計算聚類特征參數(shù)序列的一階差分序列，記為

將一階差分序列中取值超過門限th的元素中下標(biāo)z的最大值確定為聚類類別數(shù)目w：

其中，門限th與極化SAR圖像的分辨率有關(guān)，根據(jù)實際情況確定。若一階差分序列中所有元素的取值均不超過門限th，則聚類類別數(shù)目w＝1。

將對應(yīng)的像素樣本確定為聚類中心。根據(jù)序列中每一元素與原始聚類特征參數(shù)序列η_P＝{η_x}中每一元素η_x的對應(yīng)關(guān)系為則聚類中心在原始聚類特征參數(shù)序列中對應(yīng)的元素為

第六步，聚類處理；

設(shè)鄰域N×M內(nèi)每一像素x的聚類類別參數(shù)為b_x，并初始化為b_x＝0。令w個聚類中心對應(yīng)像素的聚類類別參數(shù)取值為{1,2,…,w}，即

對鄰域N×M內(nèi)每一像素x，確定聚類類別參數(shù)b_x的取值

遍歷鄰域N×M內(nèi)每一像素x，直至任意聚類類別參數(shù)b_x的取值均不為0，則可得到聚類類別參數(shù)序列{b_x}。

第七步，候選樣本像素集選取與濾波處理。

在鄰域N×M內(nèi)，待濾波像素對應(yīng)聚類類別參數(shù)序列{b_x}的元素為b_(N×M+1)/2。將序列{b_x}內(nèi)取值與b_(N×M+1)/2相等的像素確定為候選樣本像素集，記為

{b_g}＝{b_x|b_x＝b_(N×M+1)/2}

設(shè){b_g}中元素數(shù)目為G，且b_g對應(yīng)鄰域N×M內(nèi)像素的極化相干矩陣為T_g，則對待濾波像素的極化相干矩陣T_ij的濾波處理為：

遍歷極化SAR圖像中的每一個像素，則可得到極化SAR相干斑濾波結(jié)果圖。

圖2至圖4是利用本發(fā)明的具體實施方式進(jìn)行實驗一的處理結(jié)果。該實驗采用的是美國UAVSAR系統(tǒng)在加拿大農(nóng)作物區(qū)域獲取的L波段極化SAR圖像，其中門限取值為th＝0.1。該極化SAR圖像分辨率為距離向5米，方位向7米。

圖2為美國UAVSAR待濾波極化SAR圖像。圖2(a)為待濾波HH極化圖像，圖2(b)為待濾波HV極化圖像，圖2(c)為待濾波VV極化圖像。HH表示水平極化H發(fā)射和水平極化H接收；HV表示垂直極化V發(fā)射和水平極化H接收；VV表示垂直極化V發(fā)射和垂直極化V接收。

圖3為具有典型紋理特征的像素區(qū)域進(jìn)行聚類與候選樣本像素選取示意圖，其中白色或黑色箭頭指示待濾波像素。其中，圖3(a1)-圖3(a5)為待濾波像素位于三角紋理區(qū)域的處理結(jié)果；圖3(b1)-圖3(b5)為待濾波像素位于橫線紋理區(qū)域的處理結(jié)果；圖3(c1)-圖3(c5)為待濾波像素位于斜線紋理區(qū)域的處理結(jié)果；圖3(d1)-圖3(d5)為待濾波像素位于點目標(biāo)紋理區(qū)域的處理結(jié)果。圖3(a1)-圖3(d1)為待濾波HH極化圖像；圖3(a2)-圖3(d2)為待濾波HV極化圖像；圖3(a3)-圖3(d3)為待濾波VV極化圖像；圖3(a4)-圖3(d4)為聚類結(jié)果圖；圖3(a5)-圖3(d5)為候選樣本像素結(jié)果圖，其中白色為候選樣本像素?？梢钥吹剑景l(fā)明對不同的地物紋理均能自適應(yīng)并準(zhǔn)確選取與待濾波像素最為相似的候選樣本像素，為相干斑濾波性能奠定了堅實基礎(chǔ)。

圖4為美國UAVSAR極化SAR圖像相干斑濾波結(jié)果圖。圖4(a)為HH極化濾波結(jié)果圖，圖4(b)為HV極化濾波結(jié)果圖，圖4(c)為VV極化濾波結(jié)果圖?？梢钥吹?，相干斑得到充分抑制，同時地物細(xì)節(jié)得到有效保護(hù)，很好地實現(xiàn)了相干斑濾波處理。

圖5至圖7是利用本發(fā)明的具體實施方式進(jìn)行實驗二的處理結(jié)果。該實驗采用的是德國F-SAR系統(tǒng)在德國建筑物區(qū)域獲取的X波段極化SAR圖像，其中門限取值為th＝0.1。該極化SAR圖像分辨率為距離向0.25米，方位向0.25米。

圖5為德國F-SAR待濾波極化SAR圖像。圖5(a)為待濾波HH極化通道圖像，圖5(b)為待濾波HV通道極化圖像，圖5(c)為待濾波VV通道極化圖像。

圖6為具有典型紋理特征的像素區(qū)域進(jìn)行聚類與候選樣本像素選取示意圖，其中白色或黑色箭頭指示待濾波像素。其中，圖6(a1)-圖6(a5)為待濾波像素位于三角紋理區(qū)域的處理結(jié)果；圖6(b1)-圖6(b5)為待濾波像素位于橫線紋理區(qū)域的處理結(jié)果；圖6(c1)-圖6(c5)為待濾波像素位于豎線紋理區(qū)域的處理結(jié)果；圖6(d1)-圖6(d5)為待濾波像素位于點目標(biāo)紋理區(qū)域的處理結(jié)果。圖6(a1)-圖6(d1)為待濾波HH極化圖像；圖6(a2)-圖6(d2)為待濾波HV極化圖像；圖6(a3)-圖6(d3)為待濾波VV極化圖像；圖6(a4)-圖6(d4)為聚類結(jié)果圖；圖6(a5)-圖6(d5)為候選樣本像素結(jié)果圖，其中白色為候選樣本像素。從圖中可以看到，本發(fā)明對不同的地物紋理均能自適應(yīng)并準(zhǔn)確選取與待濾波像素最為相似的候選樣本像素，為相干斑濾波性能奠定了堅實基礎(chǔ)。

圖7為德國F-SAR極化SAR圖像相干斑濾波結(jié)果圖。圖7(a)為HH極化通道濾波結(jié)果圖，圖7(b)為HV通道極化濾波結(jié)果圖，圖7(c)為VV通道極化濾波結(jié)果圖?？梢钥吹剑喔砂叩玫匠浞忠种?，同時地物細(xì)節(jié)得到有效保護(hù)，很好地實現(xiàn)了相干斑濾波處理。

以上所述僅是本發(fā)明的優(yōu)選實施方式，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。