[发明专利]用于SAR图像的小波金字塔极化纹理基元特征提取方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及一种用于提取合成孔径雷达(Synthetic Aperture Radar，SAR)图像小波极化纹理基元特征的方法。

背景技术

极化是波的一个重要特性，它描述了垂直于波传播方向振动面内振动矢量的方向性。目前对电磁波极化状态的研究已成为了电磁场理论研究的一个重要方向，广泛应用于雷达、导航、制导和通信等各领域。

SAR是一种高分辨的微波遥感成像雷达，在军事和民用上都有广泛的用途，由于SAR成像环境的极端复杂性和特有的成像机理，使得SAR图像的信息表达相对于光学图像有很大差别，并受到相干斑噪声及顶底倒置、迎坡缩短、透视收缩等几何特征的影响，使得对SAR图像的处理比光学图像的处理困难得多。因此研究SAR图像的特征，更好地对SAR图像进行分析和解译是国际上研究的一个重要方向。针对SAR图像的极化特征，目前已提出了很多算法，下面列出一些常用的极化特征分解方法：

1)Pauli分解：将目标在线性(H，V)极化基下的极化散射矩阵分解为四种成分，即面、二面角、45°倾斜二面角和交叉极化子，在满足互易对称的条件下，可简化为前面三种成分，分别表示奇次散射、偶次散射、体散射机制；

2)Krogager分解：将圆极化基下的目标极化散射矩阵分解为球、二面体和螺旋体三种成分，分别对应于奇次散射、偶次散射和旋转体散射机制；

3)Freeman分解：将目标的协方差矩阵分解为三个分量之和，即表面散射、偶次散射以及体散射机制，每种散射机制都对应着一种物理模型，表面散射可采用一阶Bragg散射模型来描述，偶次散射分量对应着二面角反射器，体散射主要来自于植被树冠层的散射；

4)Cloude分解：又称为H-α分解，是一种基于二阶统计的平均参数提取算法，对相干矩阵的特征向量和特征值进行分析，把相干矩阵分解成不同类型的散射成分，将要识别的目标场景按H/α坐标区域分类，依据每个区域对应一种散射机制的原理对图像分类。

小波变换也被广泛应用于图像处理领域，小波分析的优越性就在于它的时频局部特性和多分辨率功能，应用于图像边缘信息提取和检测、图像去噪和编码以及数据压缩等方面。

在计算机视觉和图像处理领域，图像亮度按某种特定重复模式的变化称之为纹理，纹理是一种普遍存在的视觉现象，但由于其抽象性而没有统一的定义。纹理基元是构成自然图像的微观结构，是视觉感知初始阶段构成纹理的基本元素。纹理基元表现出一定的排列规则，它被定义为包含一些几何结构的图像基的微小模板，与物理结构做类比，把图像基比作质子，中子和电子，那么纹理基元就如同原子。虽然纹理基元在各种文献中仍然是一个很模糊的概念，但纹理基元的研究在很多问题中都有很重要的意义。

SAR图像也是一种纹理图像，其处理方法一般是基于极化目标特征分解和统计估计的，而传统的纹理基元的分析方法是基于滤波的，考虑到充分运用SAR图像的极化特征，并且小波变换也是一种滤波过程，因此将极化特征与小波分析和纹理基元的方法结合起来很有必要。但本领域尚未有相关技术出现。

发明内容

本发明的目的在于针对极化SAR图像分类问题，提出一种新的基于金字塔表达的小波极化纹理基元的特征，可以高效地识别纹理模式，获得高精度的分类结果。

本发明的技术方案为一种用于SAR图像的小波金字塔极化纹理基元特征提取方法，其特征在于，包括以下步骤，

步骤1，将极化SAR图像的原始协方差矩阵C转换到不同的线性极化基下，得到由方向角表示的极化合成协方差矩阵然后选取极化合成协方差矩阵中第二行第二列的元素生成极化特征图所述方向角的个数记为

步骤2，对步骤1所得的极化特征图进行小波分解，提取极化SAR图像中每个像素点的小波极化特征矢量，小波分解尺度的个数记为J；最后运用滑动窗以极化SAR图像中每个像素点为中心，根据滑动窗内所有像素点的小波极化特征矢量，提取极化SAR图像中每个像素点的小波极化方差特征矢量；

提取极化SAR图像中每个像素点的小波极化特征矢量f时，小波极化特征矢量f中元素根据极化特征图进行提取的计算公式如下，

其中，是第i-1次分解低通滤波的近似系数，是第i次分解x、y方向上高通滤波的细节系数的平方和，分别是第i次分解x、y方向上高通滤波的细节系数，是通过整数因子m扩展的离散三阶B-spline函数；i的取值为1，2，...J；

提取极化SAR图像中每个像素点的小波极化方差特征矢量V时，小波极化方差特征矢量V中元素根据以下计算公式得到，