[发明专利]基于谱聚类的极化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SAR图像地物分类领域的应用，具体的说是一种基于谱聚类算法的极化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

合成孔径雷达SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，可应用于军事、农业、导航、地理监视等诸多领域。极化SAR通过调整收发电磁波的极化方式可以获得场景目标的极化散射矩阵，由于极化散射矩阵包含有丰富的地物信息，为更加深入地研究目标的散射特性提供了重要的依据，极大地增强了成像雷达对目标信息的获取能力。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为SAR图像分类的主要研究方向。

根据处理方法的不同，全极化SAR图像分类方法可以分为监督分类和非监督分类。监督分类方法主要包括基于统计知识、神经网络、小波分析和模糊逻辑的分类方法。非监督分类方法中最多的是基于目标散射机理的方法。一般是对目标进行特定的极化分解，提取散射特征，进行硬分割，如H/α方法，Freeman分解方法。相对于监督分类方法而言，基于散射机理的全极化SAR非监督分类方法具有与数据无关的优点。应用这种方法不需要知道数据的概率分布，也不需要利用类别已知的数据进行训练，适应性较强。

经典的极化SAR图像分类方法包括：

Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法，见Cloude S R，Pottier E．An entropy based classification scheme for land applications ofpolarimetric SAR[J]．IEEE Trans．Geosci．Remote Sensing．1997，35(1)：549-557．该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断，当同一类的数据分布在两类或几类的边界上时分类器性能将变差，另一不足之处是当同一个区域里共存几种不同的地物时，将不能有效区分。

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 JS，Grunes M R，Ainsworth T L，et a1．Unsupervised classification using polarimetricdecomposition and the complex Wishart classifier[J]．IEEE Trans．Geosci．RemoteSensing．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，从而有效的提高了分类的精度，但是存在不能很好的保持各类的极化散射特性的不足。

谱聚类算法是近年来国际上机器学习领域的研究热点，该算法首先根据给定的数据集定义一个描述成对数据点相似度的亲和矩阵，并计算该矩阵的特征值和特征向量，然后选择合适的特征向量聚类不同的数据点。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。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于谱聚类的极化SAR图像分类方法，以降低计算复杂度并进一步提高分类效果。

实现本发明目的的技术方案为：提取表征极化SAR目标散射特征的散射熵H，结合空间坐标信息，作为Mean Shift算法的输入特征空间。将Mean Shift的分割区域，作为谱聚类的输入数据点，从而减少了谱聚类算法的运算量和存储量。最后，用能反应极化SAR数据分布特性的Wishart分类器进行迭代分类，取得最终结果。其具体步骤包括：

1、一种基于谱聚类的极化SAR图像分类方法，包括如下步骤：

(1)对待分类的大小为R×Q的极化SAR图像进行滤波，去除斑点噪声；

(2)对滤波后的极化SAR图像每个像素点的相干矩阵T进行Cloude分解，提取每个像素的散射熵H特征，得到整幅图像的关于散射熵H的特征空间；

(3)用Mean Shift算法对获取到的特征空间进行分割，得到M个区域；