[发明专利]基于异极化比和散射功率熵的极化SAR图像分类方法

说明书

本发明提出了一种基于异极化比和散射功率熵的极化SAR图像分类方法，用于解决现有无监督极化SAR图像分类方法中存在的分类精度低的技术问题。实现步骤为：去除待分类的极化SAR图像中的相干斑噪声；对极化SAR图像进行Freeman分解，得到图像的三种散射功率；根据三种散射功率计算图像的散射功率熵；利用三种散射功率和散射功率熵把极化SAR图像初始划分为7类；计算极化SAR图像中每个像素点的共极化与交叉极化分量之间的比值：异极化比；利用该比值对7类极化SAR数据中的每一类进行同比例的细分；基于特定的类间合并准则对分类结果进行合并；对合并后的结果进行复Wishart迭代并上色，得到最终的彩色分类图。

技术领域

本发明属于图像数据处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种基于异极化比和散射功率熵的极化SAR图像分类方法，可用于极化SAR图像的地物分类。

背景技术

极化合成孔径雷达是一种多参数、多通道的雷达成像系统，由于其较强的目标信息获取能力，在农业，军事，海洋等领域均得到广泛的研究和应用，已经成为合成孔径雷达发展的重要方向之一，极化SAR图像分类作为极化合成孔径雷达的重要应用之一，受到越来越多的关注。极化SAR图像分类是利用机载或星载极化SAR系统提供的极化测量数据，对图像中的每个像素进行类别划分，从而实现极化SAR图像的分类。现有的极化SAR图像分类方法主要包括无监督分类方法和有监督分类方法，但有监督分类方法需要大量的训练样本，并且分类精度容易受到训练数据的影响。在对图像进行地物分类时，很多情况下，我们并不知道地表的真实数据，那么人为的选择训练样本对极化SAR图像来说是很困难的。因此，目前地物分类的重点在于无监督分类，无监督分类的特点就是不需要训练样本，不需要知道图像中地物的真实数据分布，充分利用图像中包含的数据信息来对图像进行分类。比较经典的极化SAR图像无监督分类的方法有：Freeman提出的三分量散射模型和Lee提出的基于H/α目标分解和Wishart分类器的分类方法等，在这些经典的分类算法的基础上，先分类，再合并的分类策略被提出，其中包括：

2004年，J.S.Lee等人基于Freeman分解提出了一种保持目标散射特性的极化SAR图像无监督分类算法，见J.S.Lee,M.R.Grunes,E.Pottier and L.Ferro-Famil,Unsupervised terrain classification preserving polarimetric scatteringcharacteristics,in IEEE Transactions on Geoscience and Remote Sensing,vol.42,no.4,pp.722-731,April2004.该方法在Freeman散射模型的基础上，将图像分解成表面散射类，二面角散射类和体散射类三大类，然后根据每一类数据中各像素点的散射功率的大小将每一类细分成30类或者更多，之后对数据进行类别合并和Wishart迭代优化。该方法结合Freeman散射模型和复Wishart迭代，具有保持多极化SAR图像主散射机制纯净性的特性，但是该方法没有考虑到极化SAR图像中混和散射机制的存在，因此，分类精度仍有待提高。