[发明专利]一种类别自适应的极化SAR分类方法

说明书

技术领域

本发明属于图像处理领域，具体地说是针对极化SAR图像分类，可应用于对极化SAR的目标检测和目标识别。

背景技术

与传统的合成孔径雷达SAR系统相比，极化SAR可以得到更丰富的目标信息，大大提高对地物的识别能力。因此，极化SAR已成为SAR的发展趋势，并在军事领域、地质与资源勘探、地形测绘和制图、海洋应用与研究、水资源应用、农业和林业应用等多方面有广泛的应用。其中，地物分类是极化SAR图像解译的重要内容。目前经典分类方法有：

1997年，Cloude和Pottier提出的基于H/α极化分解的分类方法，并成为基于散射机制进行极化SAR图像分类的典型代表，见CloudeS R，Pottier E.An entropy based classification scheme for land applications of polarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997，35(1)：549-557.

1999年，Lee等人提出了基于H/α目标分解和Wishart分类器的H/α-Wishart 分类方法，见Lee J S，Grunes M R，Ainsworth T L，et al.Unsupervised classificationusing polarimetric decomposition and the complex Wishart classifier[J].IEEE 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，但是不能很好的保持各类的极化散射特性。

2011年，西安电子科技大学Shuang Wang等利用Freeman分解得到的三种散射功率对图像进行初始大类的划分，并利用同极化比对初始大类进行更细致的划分，最后在初始类别划分的基础上又对整幅图像进行复Wishart迭代，进一步提高了分类精度，见文献Shuang Wang，Jingjing Pei，Kun Liu，et al.Unsupervised classification of POLSAR data based on the polarimetric decomposition and the co-polarization.Geoscience and Remote Sensing Symposium(IGARSS)，2011IEEE International，2011：424-427.该算法思想简单，易于理解，具有较高的分类精度，但是该算法仍然存在着一定的局限性，该算法分类类别数目固定不变，一般为9类，因此对于类别多于9类或少于9类的数据来说，该算法的分类效果会有所影响。

发明内容

本发明的目的在于克服上述已有技术的不足，在上述基于Freeman分解和同极化比的极化SAR图像分类方法的基础上，提出了结合另一个自极化参数、可视化聚类趋势估计算法(VAT，Visual Assessment of(Cluster)Tendency)和黑框识别算法(DBE，dark block extraction)，实现分类数目的自适应，同时提高了分类效果。

为实现上述目的，本发明包括如下步骤：

(1)对输入数据进行Freeman分解，得到三种散射功率矩阵P_s，P_d，P_v，其中，P_s表示表面散射功率矩阵，P_d表示二面角散射功率矩阵，P_v表示体散射功率矩阵；

(2)计算同极化比R，并根据功率矩阵P_s，P_d，P_v和同极化比R对极化SAR图像数据初始化并划分成9类，具体步骤如下：

2a)利用下式计算每个像素点的同极化比R值，得到每类数据的一系列R值：