基于低秩分解和直方圖統(tǒng)計的極化sar圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理和遙感技術(shù)領(lǐng)域，涉及極化SAR圖像的分割方法，可用于后 續(xù)對極化合成孔徑雷達P0LSAR圖像的識別。
【背景技術(shù)】
[0002] 極化合成孔徑雷達P0LSAR圖像分割方法是指根據(jù)圖像的灰度、極化信息、結(jié)構(gòu)、 聚集性等特征將不同的區(qū)域區(qū)分開來。對極化合成孔徑雷達P0LSAR圖像分割方法的研究 有著非?，F(xiàn)實的意義，在軍事、農(nóng)業(yè)上都有著非常重要的應(yīng)用。極化合成孔徑雷達P0LSAR 圖像分割是極化圖像處理和解譯的重要基礎(chǔ)，其分割質(zhì)量的好壞會直接影響到后續(xù)的分析 和識別的工作。
[0003] 現(xiàn)有的極化合成孔徑雷達P0LSAR圖像分割方法主要可以分為三種：第一種是基 于極化統(tǒng)計特性的分類方法；第二種是基于極化電磁波和散射機理的分類方法；第三種是 結(jié)合統(tǒng)計特性和散射機理的分類方法?；跇O化統(tǒng)計特性的方法主要有：1988年，Kong等 人提出了單視極化SAR圖像的極大似然ML分類器；1994年，Lee等人提出了多視情況下的 基于Wishart分布的ML分類器，提出了有監(jiān)督的極化SAR圖像分類方法?；跇O化電磁波 和散射機理的方法主要有：1989年，VanZyl等人提出了一種基于奇次散射、偶次散射和體 散射三種散射機理的非監(jiān)督分類方法；1997年，Cloude等人提出了基于Η/α目標分解的極 化SAR圖像非監(jiān)督分類方法，通過分解得到地物散射熵Η和表征地物散射機理的角度α，實 現(xiàn)了無監(jiān)督的極化SAR圖像分類。結(jié)合極化統(tǒng)計特性和散射機理的分類方法主要有：1999 年，Lee等人提出了基于Η/α目標分解和Wishart分類器的非監(jiān)督分類方法；2004年，Lee 等人提出了基于Freeman分解和Wishart分類器的非監(jiān)督分類方法，該算法具有保持極化 散射特性的性質(zhì)；2007年，Jager等人將GraphCut最優(yōu)化方法用于極化SAR圖像分類，結(jié) 合EM(ExpectationMaximization,EM)算法取得了比較好的效果。
[0004] 上述方法能夠很好的利用極化SAR數(shù)據(jù)的統(tǒng)計特性和散射機理進行分類，但是這 些方法主要都是基于像素點的分類方法并沒有利用極化SAR圖像的語義信息和語義區(qū)域 本身具有的低秩結(jié)構(gòu)來進行語義分割。因此，上述傳統(tǒng)的極化SAR圖像分割的方法存在很 多缺陷：（1)同一地物的區(qū)域一致性不好，產(chǎn)生斑點噪聲；（2)對于灰度變化明暗相間的地 物，傳統(tǒng)的分類方法都很難將這類地物從人類視覺和圖像理解的角度上分為一類。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服上述已有方法的不足，提出一種基于低秩分解和直方圖統(tǒng) 計的極化SAR圖像分割方法，提高極化SAR圖像的分割效果。
[0006] 為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
[0007] (1)輸入待分割的極化SAR圖像的數(shù)據(jù)，對該極化SAR圖像進行Pauli分解，得到 極化SAR圖像相干矩陣對角線三個通道的幅度值，融合三個通道幅度值得到極化SAR圖像 的功率圖，根據(jù)稀疏表示模型對極化SAR圖像功率圖提取素描圖；
[0008] (2)根據(jù)極化SAR圖像功率圖的素描圖提取區(qū)域圖，并根據(jù)區(qū)域圖將極化SAR圖像 映射為聚集區(qū)域、勻質(zhì)區(qū)域和結(jié)構(gòu)區(qū)域；
[0009] (3)對聚集區(qū)域進行分割：
[0010] (3a)對空間上不連通的各個聚集區(qū)域分別提取樣本并構(gòu)造低秩觀測矩陣；
[0011] (3b)對構(gòu)造的低秩觀測矩陣分別進行低秩分解，得到每個聚集區(qū)域低秩分解的低 秩部分和稀疏部分；
[0012] (3c)對每個聚集區(qū)域低秩分解的低秩部分進行直方圖統(tǒng)計；
[0013] (3d)計算每兩個聚集區(qū)域低秩矩陣直方圖統(tǒng)計的巴氏距離，構(gòu)造相似性矩陣；
[0014] (3e)利用相似性矩陣，合并相似的聚集區(qū)域，得到聚集區(qū)域的分割結(jié)果；
[0015] (4)對勻質(zhì)區(qū)域進行分割；
[0016] (5)對結(jié)構(gòu)區(qū)域進行分割，提取出孤立目標和邊界；
[0017] (6)將聚集區(qū)域、勻制區(qū)域和結(jié)構(gòu)區(qū)域的分割結(jié)果進行合并，得到分割后的極化 SAR圖像。
[0018] 本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：
[0019] 第一，由于本發(fā)明利用極化SAR圖像功率圖的素描圖，對線段包含的語義信息進 行分析，提出了基于線段語義信息分析的區(qū)域劃分技術(shù)，在素描圖上有效的提取了線段的 聚集區(qū)域，克服了現(xiàn)有技術(shù)對聚集區(qū)域分割結(jié)果區(qū)域一致性不好的問題，有效提高了極化 SAR圖像的分割精度。
[0020] 第二，由于本發(fā)明對空間上不連通的各個聚集區(qū)域分別構(gòu)造低秩觀測矩陣，用不 同聚集區(qū)域低秩分解的直方圖統(tǒng)計特征作為區(qū)域的特征，克服了現(xiàn)有技術(shù)對極化SAR圖像 像素之間空間關(guān)系利用不足的問題，使得本發(fā)明可以更好的提取聚集區(qū)域中物體的結(jié)構(gòu)關(guān) 系。
[0021] 第三，由于本發(fā)明對不同類型的地物區(qū)域采用不同的分割合并策略，克服了現(xiàn)有 技術(shù)采用一種方法對不同類型的地物進行分割不具有針對性的問題，使得本發(fā)明對的區(qū)域 合并更有針對性，保證了不同地物區(qū)域都能得到較好的合并，提高了分割的精度。
【附圖說明】
[0022] 圖1是本發(fā)明的流程圖；
[0023] 圖2是本發(fā)明的仿真圖。
【具體實施方式】
[0024] 下面結(jié)合附圖對本發(fā)明做進一步的描述。
[0025] 參照附圖1，本發(fā)明的實現(xiàn)步驟如下。
[0026] 步驟1，素描化極化合成孔徑雷達SAR圖像。
[0027] 輸入待分類的極化SAR圖像的數(shù)據(jù)，對極化SAR數(shù)據(jù)進行處理得到協(xié)方差矩陣，融 合協(xié)方差矩陣對角線元素三個通道幅度值得到極化SAR圖像的功率圖，根據(jù)稀疏表示模型 對極化SAR圖像功率圖提取素描圖。
[0028] 本發(fā)明使用的極化合成孔徑雷達SAR圖像素描模型是Jie-Wu等人于2014年 發(fā)表在IEEETransactionsonGeoscienceandRemoteSensing雜志上的文章〈〈Local maximalhomogenousregionsearchforSARspecklereductionwithsketch-based geometricalkernelfunction》中所提出的模型，其提取素描圖步驟如：
[0029] 第1步，構(gòu)造具有不同方向和尺度的邊、線模板，并利用模板的方向和尺度信息構(gòu) 造各向異性高斯函數(shù)來計算該模板中每一點的加權(quán)系數(shù)，其中尺度個數(shù)取值為3~5,方向 個數(shù)取值為18 ;
[0030] 第2步，按照下式，計算模板不同區(qū)域?qū)?yīng)在極化合成孔徑雷達SAR圖像中像素的 均值和方差：
[0031]
[0032]
[0033] 其中，μ表示區(qū)域Ω對應(yīng)在極化合成孔徑雷達SAR圖像中像素的均值，Ω表示模 板中的一個區(qū)域，g表示區(qū)域Ω中一個像素點的位置，e表示屬于符號，Σ表示求和操作，wg 表示區(qū)域Ω中位置g處的權(quán)重系數(shù)，Wg的取值范圍為Wge[0，1]，八彥示區(qū)域Ω中位置 g對應(yīng)在極化合成孔徑雷達SAR圖像中的像素值，v表示區(qū)域Ω與極化合成孔徑雷達SAR 圖像中對應(yīng)像素的方差；
[0034] 第3步，按照下式，計算極化合成孔徑雷達SAR圖像中每個像素對比值算子的響應(yīng) 值：
[0035]
[0036] 其中，R表示極化合成孔徑雷達SAR圖像