[发明专利]基于Freeman分解和谱聚类的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及极化合成孔径雷达SAR图像地物分类领域的应用，具体的说是一种基于Freeman分解和谱聚类算法的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。

背景技术

随着雷达技术的发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测，目标检测和海洋污染检测等。极化图像分类的目的是利用机载或星载极化传感器获得的极化测量数据，确定每个像素所属的类别。经典的极化SAR分类方法包括：

Lee等人提出了基于H/α目标分解和Wishart分类器的非监督分类方法，见Lee J S，Grunes M R，Ainsworth T L，et al.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J].IEEE Trans.Geosci.Remote Sensing.1999，37(5)：2249-2258.该方法主要是对H/α划分后的8类利用Wishart分类器对每一个像素进行重新划分，从而有效的提高分类的精度，但是该方法不能很好的保持各类的极化散射特性。

J.S.Lee等基于Freeman分解于提出了一种基于Freeman-Durden分解的极化图像非监督分类算法，见Lee J S，Grunes M R，Pottier E，et al.Unsupervised terrain classification preserving polarimetric scattering characteristic[J].IEEE Trans.Geosci.Remote Sensing.2004，42(4)：722-731.该方法主要是通过Freeman分解获取表征散射体散射特性的的三个特征：平面散射功率、二面角散射功率和体散射功率，然后根据这三个特征的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器对每一个像素进行重新划分。这种算法结合了Freeman散射模型和复Wishart分布，具有保持多极化SAR的主要散射机制纯净性的特性，但是该方法无法解决混合散射机制的问题，并且由于Freeman分解中的多类的划分以及合并，因而计算复杂度较高。

谱聚类算法是近年来国际上机器学习领域的研究热点，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类并且收敛于全局最优解的优点。然而该算法在应用到图像分割领域时，计算量和存储量是难以承受的，严重阻碍了该算法的性能发挥。并且采用高斯函数构造相似矩阵时，尺度参数对分类结构影响较大并且难以得到最优的参数，使图像分割的稳定性下降。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于Freeman分解和谱聚类的极化SAR图像分类方法，以提高分类效果。

为实现上述目的，本发明包括如下步骤：

1、一种基于Freeman分解和谱聚类的极化SAR图像分类方法，包括如下步骤：

(1)对待分类的大小为R×Q极化SAR图像进行滤波，去除斑点噪声；

(2)对滤波后的极化SAR图像中每个像素点的相干矩阵T进行Freeman分解，得到每个像素点的体散射功率P_v、二面角散射功率P_d和表面散射功率P_s；

(3)根据每个像素点的体散射功率P_v、二面角散射功率P_d和表面散射功率P_s，及像素点的坐标，用MeanShift算法对滤波后的图像进行预分割，得到M个区域；

(4)在已获得的M个区域上，将每个区域的中心点作为新的像素点Y_δ，得到M个新像素点，δ＝1，...,M，将这M个新像素点映射为具有M个节点的全连接图，并对这个全连接图按如下步骤进行谱聚类：

(4a)根据新像素点Y_δ的势能函数，构造新的相似度矩阵A为：

新相似度矩阵A中的每一个元素A_ij为：