[发明专利]基于改进的近邻传播聚类的极化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近邻传播聚类算法的极化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

极化SAR雷达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SAR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：

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 of polarimetricSAR[J]．IEEETrans．Geosci．RemoteSensing．1997，35(1)：549-557．该方法主要是通过Cloude分解提取两个表征极化数据的特征H和α，然后根据H/α平面将极化图像划分为9个区域，其中一个理论上不可能存在的区域，因此最终将图像划分为8类。H/α分类存在的两个缺陷：一个是区域的划分过于武断；另一个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H/α-Wishart非监督分类方法，见Lee J S，Grunes M R，Ainsworth T L，etal.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J]．IEEE Trans.Geosci．Remote Sensing．1999，37(5)：2249-2258．该方法是在原始H/α分类基础上增加了Wishart迭代，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，但是又存在不能很好的保持各类的极化散射特性的不足。

近邻传播聚类是近年出现的一种在数据挖掘领域极具竞争力的聚类算法，相比较于传统聚类算法，近邻传播聚类方法能够在较短时间内完成大规模多类别数据集的聚类，并且该算法能够很好地解决非欧空间问题。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，提出一种基于改进的近邻传播聚类的极化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、基于改进的近邻传播聚类的极化SAR图像分类方法，包括如下步骤：

(1)对待分类的极化SAR图像进行滤波，去除斑点噪声；

(2)对滤波后的极化SAR图像中每个像素点的相干矩阵T进行四种分量的分解，得到每个像素点的体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h；

(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、表面散射功率P_s和螺旋散射功率P_h，对滤波后的极化SAR图像进行初始划分：

3a)根据max(P_s,P_d,P_v,P_h)的值，将滤波后的极化SAR图像数据初始划分为四类，即平面散射类、二面角散射类、体散射类和螺旋散射类；

3b)将平面散射类、二面角散射类、体散射类和螺旋散射类再分别进行划分，每一类按照对应散射功率的大小均等的划分成20个小类别；

(4)利用每一类划分后得到的20个小类别，计算每一个小类别的平均聚类中心V_u：