[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

摘要

本发明公开了一种基于改进的近邻传播聚类的极化SAR图像分类方法，主要解决现有无监督极化SAR分类方法分类精度不高的问题。其实现步骤为：对每个像素点进行四种分量分解，提取像素点的四种散射功率；根据获得的散射功率对图像进行划分，得到4种类别；对获得的每一类，将其均等的分成20个小类；对每一类中的20个小类别，用改进后的近邻传播聚类对其聚类，得到图像的预分类结果；最后，对预分类得到的图像用Wishart分类器进行迭代分类，得到最终分类结果。本发明与经典分类方法相比，对极化SAR图像的划分更加严谨，分类效果更佳，计算复杂度相对较小，可用于对极化SAR图像的进行地物分类和目标识别。

主权项

一种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Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph；(3)根据每个像素点的体散射功率Pv、二面角散射功率Pd、表面散射功率Ps和螺旋散射功率Ph，对滤波后的极化SAR图像进行初始划分：3a)根据max(Ps,Pd,Pv,Ph)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Vu： V u = Σ κ = 1 m u T κ m u u=1,...,20，κ=1,2,...,mu，其中Tκ是第u个小类别中各像素点的相干矩阵，mu是属于第u个小类别中像素点的个数；(5)根据每一类得到的平均聚类中心Vu，构造每一类的相似度矩阵W，将相似度矩阵W中每一个元素Wiu定义为： W iu = - 1 2 { ln ( | V i | ) + ln ( | V u | ) + Tr ( V i - 1 V u + V u - 1 V i ) } , 其中，Wiu是相似度矩阵W中第i行第u列的元素，i=1,...,20，u=1,...,20，Vi是第i个小类别的平均聚类中心，Vu是第u个小类别的平均聚类中心，Tr(·)是矩阵的轨 迹，(·)‑1表示对矩阵求逆，|·|是求矩阵的行列式，ln(·)是求对数；(6)根据每一类的相似度矩阵W，用近邻传播聚类对每一类的20个小类别进行聚类，得到整幅图像的预分类结果；(7)对预分类得到的整幅图像用Wishart分类器进行迭代分类，得到最终的分类结果。