《基于视觉先验模型的极化SAR图像分类方法.pdf》由会员分享，可在线阅读，更多相关《基于视觉先验模型的极化SAR图像分类方法.pdf（14页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103714353 A (43)申请公布日 2014.04.09 CN 103714353 A (21)申请号 201410010708.5 (22)申请日 2014.01.09 G06K 9/66(2006.01) (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路 2 号 (72)发明人 侯彪 焦李成 陈超 王爽 张向荣 马文萍 马晶晶 (74)专利代理机构 陕西电子工业专利中心 61205 代理人 王品华 朱红星 (54) 发明名称 基于视觉先验模型的极化 SAR 图像分类方法 (57) 摘要 本发明公开了一种基于视觉先验模型的极化 SA。
2、R 图像分类方法， 主要解决现有技术分类准确 度低的问题。 其分类步骤为 ： 对极化SAR原始相干 矩阵 T 进行重排得到重排矩阵 Tr， 并用主成分分 析方法对 Tr进行处理， 得到白化矩阵 W ； 用基于视 觉先验模型的方法对 Tr进行字典学习， 得到自适 应字典 u； 将重排矩阵 Tr和自适应字典 u作为 输入数据， 利用最大后验概率估计方法计算 Tr中 所有像元的稀疏系数并组合得到极化 SAR 图像的 稀疏系数 Y， 并用 K 均值算法对 Y 进行初始聚类， 得到聚类标签 ； 用聚类标签对矩阵 T 进行复迭代 分类并上色， 得到最终彩色分类结果图。 本发明具 有自适应性和普适性强、 分。
3、类结果图像细节信息 保留完整、 分类准确度高的优点， 可用于极化 SAR 图像目标识别。 (51)Int.Cl. 权利要求书 3 页 说明书 7 页 附图 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书7页 附图3页 (10)申请公布号 CN 103714353 A CN 103714353 A 1/3 页 2 1. 一种基于视觉先验模型的极化 SAR 图像分类方法， 包括如下步骤 ： (1) 将极化 SAR 的原始相干矩阵 T 作为输入数据， 对矩阵 T 中元素进行重新排列， 得到 重排矩阵 Tr； (2) 用主成分分析 PCA 方法对重排矩阵 T。
4、r进行处理， 得到矩阵 Tr的白化矩阵 W ； (3) 用基于视觉先验模型的字典学习方法对重排矩阵 Tr进行字典学习， 得到针对待分 类极化 SAR 图像的自适应字典 u： 3a) 初始化视觉先验模型的参数 ： 设初始迭代计数 i 0， 模型中神经元个数 j 15， 神经元中方向向量 Bi的列数 k 30， 初始自适应字典 i由方向向量 Bi和权值 Ri组成 i Ri,Bi， 方向向量 Bi是大小为 8k 的随机矩阵， 权值 Ri是大小为 kj 的随机矩阵 ； 3b) 从重排矩阵 Tr中随机独立地选取 100 个像元作为每次迭代时的训练样本 xi， 对每 次迭代时的训练样本 xi进行零均值和白。
5、化处理， 得到预处理样本 xi ： xi W(xi-mean(xi) ； 3c) 输入预处理样本 xi和初始自适应字典 i， 通过最大后验概率估计方法计算稀疏 系数 yij： yij argmaxp(yij|i,xi ) 其中， p(yij|i,xi ) 是稀疏系数 yij的后验概率， argmax 表示稀疏系数 yij是使 p(yij|i,xi ) 取最大值时的值 ； 3d) 将 3c) 中得到的稀疏系数 yij作为输入数据， 用最大似然估计方法更新自适应字典 i， 得到更新后的自适应字典 i+1： i+1 argmaxlogp(xi |i,yij)p(yij)， 其中， argmax 表示。
6、 i+1是使 logp(xi |i,yij)p(yij) 取最大值时的值， p(yij) 是稀 疏系数 yij的先验概率， p(xi |i,yij) 是预处理样本 xi的后验概率 ； 3e)迭代计数ii+1， 重复步骤3b)-3d)直到迭代计数i等于给定的迭代次数u=5000， 得到最终的自适应字典 u； (4) 将重排矩阵 Tr和步骤 (3) 中学习到的自适应字典 u作为输入数据， 根据下式， 利 用最大后验概率估计方法计算矩阵 Tr中每个像元的稀疏系数 ya： ya argmaxp(ya|u,Tr)a 1,2,.,N ； 将所有像元的稀疏系数组合在一起， 得到极化 SAR 图像的稀疏系数 。
7、： Y y1,y2,.,yN， 其中， N 表示重排矩阵 Tr中像元的数目 ； (5)用K均值聚类算法对极化SAR图像稀疏系数Y进行初始类别划分， 得到极化SAR图 像的最终的聚类标签 Class1,Class2,.,Classl ； (6) 将 原 始 极 化 SAR 相 干 矩 阵 T 和 步 骤 (5) 获 得 的 最 终 的 聚 类 标 签 Class1,Class2,.,Classl作为输入数据， 用复Wishart迭代方法对极化SAR图像进行二 次分类， 得到最终分类结果 F1(z),F2(z),.,Fl(z) ； (7) 用红色 R、 绿色 G、 蓝色 B 三个颜色分量作为三基色。
8、， 给步骤 (6) 得到的分类结果 F1(z),F2(z),.,Fl(z) 上色， 得到最终彩色分类结果图， 并将此结果作为最终的分类结果。 2. 根据权利要求 1 所述的基于视觉先验模型的极化 SAR 分类方法， 其特征在于 ： 步骤 (1) 所述的将极化 SAR 的原始相干矩阵 T 作为输入数据， 对矩阵 T 中元素进行重新排列， 得 到新矩阵 Tr， 按如下步骤进行 ： 权 利 要 求 书 CN 103714353 A 2 2/3 页 3 1a) 读入有 N 个像元的极化相干矩阵 T， 每个像元为一个含有 9 个元素的 33 极化相 干矩阵 T3： 1b) 将 T3中的复数元素 T12,。
9、T13,T23的实部 ReT12， ReT13， ReT23 和虚部 ImT12， ImT13， ImT23 拆开， 然后按照以下顺序重新排列得到新矩阵 T3r： T3r (T11,T22,T33,ReT12,ImT12,ReT13,ImT13,ReT23,ImT23)T， 其中， ()T表示矩阵的转置， Re 表示取实部， Im 表示取虚部。而所有像元的 向量 T3r组合在一起得到 9 维矩阵 Tr。 3. 根据权利要求 1 所述的基于视觉先验模型的极化 SAR 分类方法， 其特征在于 ： 步骤 (2) 所述的用主成分分析 PCA 方法对重排矩阵 Tr进行处理， 得到矩阵 Tr的白化矩阵 W。
10、， 按如 下步骤进行 ： 2a) 从重排矩阵 Tr中先独立随机地选取 n 个像元作为计算白化矩阵的训练样本 X， n=10000， 再对该训练样本 X 进行零均值处理， 得到零均值矩阵 XM： XM X-mean(X) 其中， mean() 代表对矩阵 X 按列取均值 ； 2b) 计算零均值矩阵 XM的协方差矩阵 C ： 其中， 上标 T 表示矩阵的转置 ； 2c) 通过下式对协方差矩阵 C 进行特征值分解 ： C EDET 其中， E 为协方差矩阵 C 的特征向量， D 为协方差矩阵 C 的特征值 ； 2d) 利用特征向量 E 和特征值 D 计算白化矩阵 W ： 4. 根据权利要求 1 所述。
11、的基于视觉先验模型的极化 SAR 分类方法， 其特征在于 ： 步骤 (5) 所述的用 K 均值聚类算法对极化 SAR 图像稀疏系数 Y 进行初始类别划分， 得到极化 SAR 图像的最终的聚类标签 Class1,Class2,.,Classl， 按如下步骤进行 ： 5a)根据实际地物类别数给聚类类别数l赋值， 从极化SAR图像稀疏系数Y中任意选择 l 个对象作为初始聚类中心 K1,K2,.,Kl ； 5b) 根据下式计算极化 SAR 图像中第 t 个像元到第 v 个聚类中心 Kv的距离 d(t,v) ： 其中， yt为第 t 个像元的稀疏系数 ； 5c) 将图中每个像元的标签标记为与之距离 d(。
12、t,v) 最近的类别， 得到极化 SAR 图像的 初始聚类标签 Class1 ,Class2 ,.,Classl ； 5d) 通过下式计算每个类别的聚类中心 Kv： 权 利 要 求 书 CN 103714353 A 3 3/3 页 4 其中， Nv为第 v 类的像素个数， yc为第 v 类的第 c 个像素的特征向量 ； 5e) 重复步骤 5b)-5d) 直到下式的准则函数 Ql不再变化， 得到极化 SAR 图像的最终的 聚类标签 Class1,Class2,.,Classl， 其中， |2表示求欧几里得范数的平方。 5. 根据权利要求 1 所述的基于视觉先验模型的极化 SAR 分类方法， 其特。
13、征在于 ： 步 骤 (6) 所述的将原始极化 SAR 相干矩阵 T 和最终的聚类标签 Class1,Class2,.,Classl 作为输入数据， 用复 Wishart 迭代方法对极化 SAR 图像进行分类， 得到最终分类结果 F1(z),F2(z),.,Fl(z)， 按如下步骤进行 ： 6a) 设初始迭代计数 s=0， 再利用最终的聚类标签 Class1,Class2,.,Classl 给原始 相干矩阵 T 中每个像元划分类别， 得到矩阵 T 的第 s 次迭代的共 l 个类别集合的划分结果 F1(s),F2(s),.,Fl(s) ； 6b) 根据类别划分结果 F1(s),F2(s),.,Fl。
14、(s)， 通过下式计算矩阵 T 中每个类别的聚类 中心， 得到第 v 类的第 s 次迭代的聚类中心 Av(s)： 其中， Nv为第 v 个类别的集合 Fv(s)中像元的个数， Tvp为第 v 个类别集合 Fv(s)中第 p 个 像元的相干矩阵 ； 6c) 通过下式计算矩阵 T 中每个像元的相干矩阵 Te到第 v 类聚类中心 Av(s)的距离 ： dm(,Av(s) ln|Av(s)|+Tr(Av(s)-1),v 1,2,.,l 其中表示按视数平均， | 表示矩阵的行列式， Tr() 表示矩阵的迹， 上标 -1 表示 对矩阵 Av(s)求逆 ； 6d) 计 算 每 个 像 元 到 第 v 类 聚。
15、 类 中 心 Av(s)的 距 离 dm(,Av(s)， 将 每 个 像 元划分到与之距离最小的聚类中心的类别中， 得到第 s+1 次迭代划分后的结果 F1(s+1),F2(s+1),.,Fl(s+1) ； 6e)迭代计数s=s+1， 重复步骤6b)-6d)直到迭代计数s等于给定的迭代次数z=5， 得到 最终的分类结果 F1(z),F2(z),.,Fl(z)。 权 利 要 求 书 CN 103714353 A 4 1/7 页 5 基于视觉先验模型的极化 SAR 图像分类方法 技术领域 0001 本发明属于图像处理领域， 具体地说是一种极化 SAR 图像的分类方法， 可应用于 极化 SAR 的目。
16、标检测和目标识别。 背景技术 0002 合成孔径雷达SAR是一种主动式高分辨有源微波遥感成像雷达， 其研究始于20世 纪 50 年代初， 而极化 SAR 是 SAR 的一个重要分支。它是一种相干多通道微波成像系统， 通 过调整收发电磁波的极化方式可以获得每个分辨单元的极化散射矩阵， 包含有丰富的地物 信息， 极大地增强了成像雷达对目标信息的获取能力。极化 SAR 图像分类是图像解译的重 要步骤， 是边缘提取、 目标检测和识别的基础， 可广泛应用于军事侦察、 地形测绘、 农作物生 长监测等领域。 0003 现有的极化 SAR 分类技术主要集中于如何充分利用极化散射回波中的信息以提 高分类精度。目。
17、前经典分类方法有 ： 0004 1997 年， Cloude 和 Pottier 提出的基于 H/ 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 Cloude S R,Pottier E.An entropy based classification scheme for land applications of polarimetric SARJ.IEEE Trans. Geosci.Remote Sensing.1997,35(1):549-557. 0005 1999年， Lee等人提出了基于H/目标分解和复Wishart分类器的H/-Wishart。
18、 分类方法， 见 Lee J S,Grunes M R,Ainsworth T L,et al.Unsupervised classification using polarimetric decomposition and the complex Wishart classifierJ. IEEE Classification using polarimetric decomposition and the complex wishart classifierJ.IEEE Trans.Geosci Remote Sensing.1999,37(5):2249-2258. 该方法是 在原始H/。
19、分类基础上增加复Wishart迭代分类过程， 主要是利用复Wishart分类器对H/ 划分后的 8 个类别中的每一个像素进行类别重新划分， 从而提高分类的精度。但是该算 法存在的不足是 ： 不能很好的保持各类的极化散射特性， 且由于将分类类别数固定为 8 类， 不能适应不同类别数的地物分类， 因此对于类别多于8类或少于8类的数据来说， 该算法的 分类效果会有所影响。 0006 2004 年， Lee 等人又提出了一种基于 Freeman 分解的性能优良的极化 SAR 分 类 算 法，见 Lee J S,et a1.Unsupervised terrain classification pres。
20、erving polarimetric scattering characteristicsJ.IEEE Trans.Geosci Remote Sensing.2004,42(4):722-731. 该算法思想简单， 易于理解， 很好地保持各类的极化散射特 性， 但是该算法仍然存在着一定的局限性， 最终分类结果易受 Freeman 分解性能的影响， 对 于不同波段的极化数据该算法的普适性差。 0007 随着各种极化 SAR 系统获取的地面数据日益增加， 对于分类方法的自适应性及普 适性的要求越来越高， 分类效果的评价也逐渐严苛起来， 如细节信息的完整性， 图像分类精 度等。上述这些方法尽管提。
21、高了图像分类效果， 但是仍然存在不能适应不同波段极化数据 说 明 书 CN 103714353 A 5 2/7 页 6 及不同类别数的地物分类， 图像细节信息保持较差， 分类准确度低等问题。 发明内容 0008 本发明的目的在于针对上述现有技术的不足， 提出一种基于视觉先验模型的极化 SAR 图像分类方法， 自适应地寻找并充分挖掘极化数据的结构特征， 以克服传统方法自适应 性和普适性差的缺陷， 同时提高极化 SAR 图像的分类精度， 保持图像的细节部分。 0009 实现本发明目的的技术方案是 ： 使用视觉先验模型对极化 SAR 数据进行建模， 通 过多次迭代学习得到具有判别性的字典， 从而得到。
22、极化数据用字典表示的稀疏系数， 再利 用 K 均值聚类算法和复 Wishart 分类器对图像进行两次类别划分得到最终的分类结果。其 具体实现步骤包括如下 ： 0010 (1) 将极化 SAR 的原始相干矩阵 T 作为输入数据， 对矩阵 T 中元素进行重新排列， 得到重排矩阵 Tr； 0011 (2) 用主成分分析 PCA 方法对重排矩阵 Tr进行处理， 得到矩阵 Tr的白化矩阵 W ； 0012 (3) 用基于视觉先验模型的字典学习方法对重排矩阵 Tr进行字典学习， 得到针对 待分类极化 SAR 图像的自适应字典 u： 0013 3a) 初始化视觉先验模型的参数 ： 设初始迭代计数 i 0， 。
23、模型中神经元个数 j 15， 神经元中方向向量 Bi的列数 k 30， 初始自适应字典 i由方向向量 Bi和权值 Ri组成 i Ri,Bi， 方向向量 Bi是大小为 8k 的随机矩阵， 权值 Ri是大小为 kj 的随机矩阵 ； 0014 3b) 从重排矩阵 Tr中随机独立地选取 100 个像元作为每次迭代时的训练样本 xi， 对训练样本 xi 进行零均值和白化处理， 得到预处理样本 xi ： 0015 xi W(xi-mean(xi) ； 0016 3c) 输入预处理样本 xi和初始自适应字典 i， 通过最大后验概率估计方法计算 稀疏系数 yij： 0017 yij argmaxp(yij|i。
24、,xi ) 0018 其中， p(yij|i,xi ) 是稀疏系数 yij的后验概率， argmax 表示稀疏系数 yij是使 p(yij|i,xi ) 取最大值时的值 ； 0019 3d) 将 3c) 中得到的稀疏系数 yij作为输入数据， 用最大似然估计方法更新自适应 字典 i， 得到更新后的自适应字典 i+1： 0020 i+1 argmaxlogp(xi |i,yij)p(yij)， 0021 其中， argmax 表示 i+1是使 logp(xi |i,yij)p(yij) 取最大值时的值， p(yij) 是稀疏系数 yij的先验概率， p(xi |i,yij) 是预处理样本 xi的。
25、后验概率 ； 0022 3e) 迭代计数 i=i+1， 重复步骤 3b)-3d) 直到迭代计数 i 等于给定的迭代次数 u=5000， 得到最终的自适应字典 u； 0023 (4) 将重排矩阵 Tr和步骤 (3) 中学习到的自适应字典 u作为输入数据， 根据下 式， 利用最大后验概率估计方法计算矩阵 Tr中每个像元的稀疏系数 ya： 0024 ya argmaxp(ya|u,Tr)a 1,2,.,N ； 0025 将所有像元的稀疏系数组合在一起， 得到极化 SAR 图像的稀疏系数 ： 0026 Y y1,y2,.,yN， 其中， N 表示重排矩阵 Tr中像元的数目 ； 0027 (5) 用 K。
26、 均值聚类算法对极化 SAR 图像稀疏系数 Y 进行初始类别划分， 得到极化 说 明 书 CN 103714353 A 6 3/7 页 7 SAR 图像的聚类标签 Class1,Class2,.,Classl ； 0028 (6) 将 原 始 极 化 SAR 相 干 矩 阵 T 和 步 骤 (5) 获 得 的 最 终 的 聚 类 标 签 Class1,Class2,.,Classl作为输入数据， 用复Wishart迭代方法对极化SAR图像进行二 次分类， 得到最终分类结果 F1(z),F2(z),.,Fl(z) ； 0029 (7) 用红色 R、 绿色 G、 蓝色 B 三个颜色分量作为三基色，。
27、 给步骤 (6) 得到的分类 结果 F1(z),F2(z),.,Fl(z) 上色， 得到最终彩色分类结果图， 并将此结果作为最终的分类结 果。 0030 本发明与现有的技术相比具有以下优点 ： 0031 1、 本发明使用视觉先验模型的非线性特性对极化 SAR 数据的结构信息进行充分 挖掘， 提取出一种新的极化数据特征， 该特征相对于传统极化目标分解特征， 具有更强的自 适应性和普适性， 分类效果更好 ； 0032 2、 本发明由于采用了基于视觉先验模型的字典训练， 训练样本是在待分类极化 SAR 图像中随机选取， 不需要人工选择， 所以算法更方便简单， 并保证了图像信息细节的完 整性 ； 00。
28、33 3、 本发明将 K-means 的聚类结果作为复 Wishart 分类器的初始类别， 有效利用了 极化矩阵的复Wishart分布特点， 弥补了K-means初始聚类未考虑极化信息的缺陷， 更好地 保证了地物区域的一致性， 对分类器的性能有很大的提高 ； 0034 4、仿 真 结 果 表 明，本 发 明 方 法 较 经 典 的 H/-Wishart 分 类 方 法 和 Freeman-Wishart 分类方法能更有效的进行极化 SAR 图像的分类。 附图说明 0035 图 1 是本发明的实现流程图 ； 0036 图 2 是用本发明与现有两种方法的分类实验结果对比图 ； 0037 图 3 是。
29、用本发明与现有两种方法的分类实验结果对比图。 具体实施方式 0038 参照图 1， 本发明的具体实现步骤如下 ： 0039 步骤一 . 将极化 SAR 的原始相干矩阵 T 作为输入数据， 对矩阵 T 中元素进行重新 排列， 得到重排矩阵 Tr。 0040 1a) 读入有 N 个像元的极化相干矩阵 T， 每个像元为一个含有 9 个元素的 33 极 化相干矩阵 T3： 0041 0042 1b)将T3中的复数元素T12,T13,T23的实部ReT12， ReT13， ReT23和虚部ImT12， ImT13， ImT23 拆开， 然后按照以下顺序重新排列得到新矩阵 T3r： 0043 T3r (T。
30、11,T22,T33,ReT12,ImT12,ReT13,ImT13,ReT23,ImT23)T， 0044 其中， ()T表示矩阵的转置， Re 表示取实部， Im 表示取虚部。而所有像 说 明 书 CN 103714353 A 7 4/7 页 8 元的向量 T3r组合在一起得到 9 维矩阵 Tr。 0045 步骤二 . 用主成分分析 PCA 方法对重排矩阵 Tr进行处理， 得到矩阵 Tr的白化矩阵 W。 0046 2a)从重排矩阵Tr中先独立随机地选取n个像元作为计算白化矩阵的训练样本X， n=10000， 再对该训练样本 X 进行零均值处理， 得到零均值矩阵 XM： 0047 XM X-。
31、mean(X)， 0048 其中， mean() 代表对矩阵 X 按列取均值 ； 0049 2b) 计算零均值矩阵 XM的协方差矩阵 C ： 0050 0051 其中， 上标 T 表示矩阵的转置 ； 0052 2c) 通过下式对协方差矩阵 C 进行特征值分解 ： 0053 C EDET 0054 其中， E 为协方差矩阵 C 的特征向量， D 为协方差矩阵 C 的特征值 ； 0055 2d) 利用特征向量 E 和特征值 D 计算白化矩阵 W ： 0056 0057 步骤三 . 用基于视觉先验模型的字典学习方法对重排矩阵 Tr进行字典学习， 得到 针对待分类极化 SAR 图像的自适应字典 u。 。
32、0058 基于视觉先验模型的学习字典算法是 2009 年由国外学者提出的一种字典学 习方法， 见文献 Y.Karklin,M.S.Levicki.Emergence of Complex Cell Properties by Learning to Generalize in Natural Scenes.Nature,vol.457,pp.83-86,2009， 具体步骤 如下 ： 0059 3a) 初始化视觉先验模型的参数 ： 设初始迭代计数 i=0， 模型中神经元个数 j=15， 神经元中方向向量 Bi的列数 k=30， 初始自适应字典 i由方向向量 Bi和权值 Ri组成 i Ri,Bi。
33、， 方向向量 Bi是大小为 8k 的随机矩阵， 权值 Ri是大小为 kj 的随机矩阵 ； 0060 3b) 从重排矩阵 Tr中随机独立地选取 100 个像元作为每次迭代时的训练样本 xi， 对每次迭代时的训练样本 xi进行零均值和白化处理， 得到预处理样本 xi ： 0061 xi W(xi-mean(xi) ； 0062 3c) 输入预处理样本 xi和初始自适应字典 i， 通过最大后验概率估计方法计算 稀疏系数 yij： 0063 yij argmaxp(yij|i,xi )， 0064 其中， p(yij|i,xi ) 是稀疏系数 yij的后验概率， argmax 表示稀疏系数 yij是使。
34、 p(yij|i,xi ) 取最大值时的值 ； 0065 3d) 将 3c) 中得到的稀疏系数 yij作为输入数据， 用最大似然估计方法更新自适应 字典 i， 得到更新后的自适应字典 i+1： 0066 i+1 argmaxlogp(xi |i,yij)p(yij)， 0067 其中， argmax 表示 i+1是使 logp(xi |i,yij)p(yij) 取最大值时的值， p(yij) 是稀疏系数 yij的先验概率， p(xi |i,yij) 是预处理样本 xi的后验概率 ； 说 明 书 CN 103714353 A 8 5/7 页 9 0068 3e) 迭代计数 i=i+1， 重复步骤。
35、 3b)-3d) 直到迭代计数 i 等于给定的迭代次数 u=5000， 得到最终的自适应字典 u。 0069 步骤四 . 将重排矩阵 Tr和步骤三中学习到的自适应字典 u作为输入数据， 利用 最大后验概率估计方法计算极化 SAR 图像的稀疏系数 Y。 0070 4a) 将重排矩阵 Tr和自适应字典 u作为输入数据， 根据下式， 利用最大后验概率 估计方法计算重排矩阵 Tr中每个像元的稀疏系数 ya： 0071 ya argmaxp(ya|u,Tr)a 1,2,.,N， 0072 其中， N 表示重排矩阵 Tr中像元的数目 ； 0073 4b) 将所有像元的稀疏系数 ya组合在一起， 得到极化 。
36、SAR 图像的稀疏系数 Y ： 0074 Y y1,y2,.,yN。 0075 步骤五 . 用 K 均值聚类算法对极化 SAR 图像稀疏系数 Y 进行初始类别划分， 得到 极化 SAR 图像的最终的聚类标签 Class1,Class2,.,Classl。 0076 5a)根据实际地物类别数给聚类类别数l赋值， 从极化SAR图像稀疏系数Y中任意 选择 l 个对象作为初始聚类中心 K1,K2,.,Kl ； 0077 5b) 根据下式计算极化 SAR 图像中第 t 个像元到第 v 个聚类中心 Kv的距离 d(t,v) ： 0078 0079 其中， yt为第 t 个像元的稀疏系数 ； 0080 5c。
37、) 将极化 SAR 图像中每个像元的标签标记为与之距离 d(t,v) 最近的类别， 得到 极化 SAR 图像的初始聚类标签 Class1 ,Class2 ,.,Classl ； 0081 5d) 通过下式计算每个类别的聚类中心 Kv： 0082 0083 其中， Nv为第 v 类的像素个数， yc为第 v 类的第 c 个像素的特征向量 ； 0084 5e) 重复步骤 5b)-5d) 直到下式的准则函数 Ql不再变化， 得到极化 SAR 图像的最 终的聚类标签 Class1,Class2,.,Classl， 0085 0086 其中， |2表示求欧几里得范数的平方。 0087 步 骤 六 . 将。
38、 原 始 极 化 SAR 相 干 矩 阵 T 和 步 骤 五 获 得 的 最 终 的 聚 类 标 签 Class1,Class2,.,Classl作为输入数据， 用复Wishart迭代方法对极化SAR图像进行二 次分类， 得到最终分类结果 F1(z),F2(z),.,Fl(z)。 0088 复 Wishart 迭代方法是 1994 年由国外学者提出的一种迭代分类方法， 见文献 J.S.Lee,M.R.Grunes.Classification of multi-look polarimetric SAR data based on complex Wishart distributionA.I。
39、nt.J.Remote SensingC,15(11),1994,15(11):229 9-2311， 利用该迭代方法对整个极化 SAR 图像数据的 l 类初始划分结果进行迭代的步骤如 下 ： 0089 6a) 设初始迭代计数 s=0， 再利用最终的聚类标签 Class1,Class2,.,Classl 给 说 明 书 CN 103714353 A 9 6/7 页 10 原始相干矩阵 T 中每个像元划分类别， 得到矩阵 T 的第 s 次迭代的共 l 个类别集合的划分 结果 F1(s),F2(s),.,Fl(s) ； 0090 6b) 根据类别划分结果 F1(s),F2(s),.,Fl(s)， 。
40、通过下式计算矩阵 T 中每个类别的 聚类中心， 得到第 v 类的第 s 次迭代的聚类中心 Av(s)： 0091 0092 其中， Nv为第 v 个类别的集合 Fv(s)中像元的个数， Tvp为第 v 个类别集合 Fv(s)中第 p 个像元的相干矩阵 ； 0093 6c) 通过下式计算矩阵 T 中每个像元的相干矩阵 Te到第 v 类聚类中心 Av(s)的距 离 ： 0094 dm(,Av(s) ln|Av(s)|+Tr(Av(s)-1),v 1,2,.,l， 0095 其中 表示按视数平均， | 表示矩阵的行列式， Tr() 表示矩阵的迹， 上 标 -1 表示对矩阵 Av(s)求逆 ； 009。
41、6 6d) 计 算 每 个 像 元 到 第 v 类 聚 类 中 心 Av(s)的 距 离 dm(,Av(s)， 将 每 个 像元划分到与之距离最小的聚类中心的类别中， 得到第 s+1 次迭代划分后的结果 F1(s+1),F2(s+1),.,Fl(s+1) ； 0097 6e) 设迭代计数 s=s+1， 重复步骤 6b)-6d) 直到迭代计数 s 等于给定的迭代次数 z=5， 得到最终的分类结果 F1(z),F2(z),.,Fl(z) ； 0098 这里是本发明规定的迭代终止条件， 其它的终止条件也可以是前后两次聚类中心 浮动， 达到人为规定范围， 或者是分类结果的变化小于一个百分比， 像素点归。
42、属稳定。 0099 步骤七 . 用红色 R、 绿色 G、 蓝色 B 三个颜色分量作为三基色， 给步骤六得到的分类 结果 F1(z),F2(z),.,Fl(z) 上色， 同一类别的像元用同一种颜色上色， 不同类别的像元分别 用不同颜色上色， 得到有 l 种颜色的彩色分类结果图， 并将此结果作为最终的分类结果。 0100 本发明的效果可通过以下仿真进一步说明 ： 0101 1. 仿真内容 ： 应用本发明方法和经典的 H/-Wishart 方法、 Freeman-Wishart 方 法分别对两幅真实极化 SAR 图像数据进行分类实验， 并从分类方法的自适应性和普适性、 分类结果的图像细节信息的完整性。
43、、 分类准确度等方面评价这三种方法的各自性能。 0102 2. 仿真实验结果 0103 仿真 1, 用本发明以及经典的 H/-Wishart 方法、 Freeman-Wishart 方法对西安 西部地区六类地物极化 SAR 数据进行分类实验， 其比较如图 2 所示。其中 ： 0104 图 2(a) 为由 RadarSAT2 系统获取的 C 波段中国西安西部地区的全极化 SAR 数据， 该图像大小为 512512 像素点， 图中主要包括沣河、 村庄、 街道、 农田、 裸地等典型地物 ； 0105 图 2(b) 为用现有 H/-Wishart 方法的分类结果 ； 0106 图 2(c) 为用现有 。
44、Freeman-Wishart 方法的分类结果 ； 0107 图 2(d) 为用本发明方法的分类结果。 0108 从图 2(b) 可见， H/-Wishart 方法分类类别数目固定为 8 类， 不能根据图中实际 类别数进行分类， 从而将一类地物错分成多类地物， 影响分类效果， 并且图像中的河流并未 划分出来， 村庄中的街道细节丢失严重， 错分较多。 0109 从图 2(c) 可见， Freeman-Wishart 方法也没将图中的河流划分出来， 村庄中的街 说 明 书 CN 103714353 A 10 7/7 页 11 道细节丢失也相当严重， 并有区域错分现象。这说明这两种方法普适性差， 对。
45、于 C 波段的极 化数据不能进行有效分类。 0110 从图 2(d) 可见， 本发明能根据实际地物类别数设置不同分类类别数， 解决了 H/ -Wishart方法不能改变分类数目固定为8的问题， 而且从效果上看， 本发明方法对C波段 极化数据也能进行有效分类， 将图中河流清晰的划分出来， 这充分说明了本发明对不同波 段极化数据的普适性， 并且在图像细节信息的保持和图像准确度方面都比对比方法好。 0111 仿真 2, 用本发明以及经典的 H/-Wishart 方法、 Freeman-Wishart 方法对美国 旧金山金海湾地区八类地物极化 SAR 数据进行分类实验， 其比较如图 3 所示。其中 ：。
46、 0112 图 3(a) 为利用 NASA/JPL 的 AIRSAR 系统获取的 L 波段美国旧金山金海湾地区四 视全极化数据， 该极化SAR数据大小为9001024像素点， 主要包括海面、 沙滩、 草地、 森林、 建筑物和街道等典型地物， 是极化 SAR 数据分类中被广泛使用的一组数据 ； 0113 图 3(b) 为用现有 H/-Wishart 方法的分类结果 ； 0114 图 3(c) 为用现有 Freeman-Wishart 方法的分类结果 ； 0115 图 3(d) 为用本发明方法的分类结果。 0116 从图 3(b) 可见， H/-Wishart 分类方法分类结果的区域同质性较好， 。
47、但图像城市 区域纹理信息丢失严重， 图像细节保持较差， 而且大桥与海面交界处有大量噪声点 ； 0117 从图 3(c) 可见， Freeman-Wishart 方法分类结果区域划分过于细致， 将图像分为 15 类， 所以图像视觉效果相对较差， 而且城区的纹理细节仍然丢失很严重 ； 0118 从图3(d)可见， 本发明的分类结果与现有H/-Wishart方法的结果相近， 但城区 的纹理细节更清晰， 连贯性更好， 分类准确度更高。相比之下， 现有 H/-Wishart 方法和 Freeman-Wishart 方法对图像纹理细节丢失较多、 错分区域较多、 分类准确度较低， 这一效 应很大程度上是由于 H/-Wishart 方法和 Freeman-Wishart 方法对极化数据的特征信息 提取的欠缺性所致。 说 明 书 CN 103714353 A 11 1/3 页 12 图 1 说 明 书 附 图 CN 103714353 A 12 2/3 页 13 图 2 说 明 书 附 图 CN 103714353 A 13 3/3 页 14 图 3 说 明 书 附 图 CN 103714353 A 14 。