基于Cloude分解和K-wishart分布的极化SAR图像分类方法

摘要

本发明公开了一种基于Cloude分解和K-wishart分布的极化SAR图像分类方法，主要解决现有技术分类效果差及计算复杂度高的问题，其实现步骤为：(1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α；(2)根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；(3)对整个极化SAR图像的8类划分结果进行K-wishart迭代，得到更为准确的分类结果。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Cloude分解和K‑wishart分布的极化SAR图像分类方法，包括如下步骤：(1)读入一幅待分类的极化SAR图像，对图像中的每个像素点进行Cloude分解，得到熵H和散射角α；(2)根据熵H和散射角α的值对极化SAR图像进行初始划分，将图像划分为8类；(3)对整个极化SAR图像的8类划分结果进行K‑wishart迭代，得到更为准确的分类结果：3a)对整个极化SAR图像的8类划分结果，根据下式求每一类的聚类中心V_i：$V_i=\frac{\underset{j=1}{\overset{N_i}{\Sigma }}{C}_j}{N_i},i=1,2,...,8,j=1,2,...,N_i$其中，C_j表示属于第j类像素的协方差矩阵，N_i表示属于第i类的像素的个数3b)根据下式计算每个像素点的分布特征参数χ_L：${\chi }_L=\frac{qL+1}{q+1}/(RK-1),$其中，L为极化SAR图像的视数，q为向量维数，取q＝3，RK是每个像素点及其周围的像素点总共九个像素点组成的区域的相对峰值，RK定义如下：$RK=\frac{1}{3}\left(\frac{F\left\{|S_{EE}{|}^2\right\}}{F{\left\{\left|S_{EE}\right|\right\}}^2}+\frac{F\left\{|S_{EP}{|}^2\right\}}{F{\left\{\left|S_{EP}\right|\right\}}^2}+\frac{F\left\{|S_{PP}{|}^2\right\}}{F{\left\{\left|S_{PP}\right|\right\}}^2}\right),$其中，S_EE表示水平向发射和水平向接收的回波数据，S_PP表示垂直向发射和垂直向接收的回波数据，S_EP表示水平向发射垂直向接收的回波数据，|·|表示取这个数的模值，F{·}表示取这个数的均值；3c)根据每个像素点的分布特征参数χ_L，计算每个像素点到第i类聚类中心V_i的距离d(<C>,V_i)：$d\left(<C>,V_i\right)=L\ln \left[V_i\right]+\ln \left(\Gamma \right({\chi }_L\left)\right)-\frac{{\chi }_L+qL}{2}\ln \left({\mathrm{L\chi }}_L\right)-\frac{{\chi }_L-qL}{2}\ln Tr\left(V_i^{-1}<C>\right)-{\mathrm{lnK}}_{{\chi }_L-qL}\left(2\sqrt{{\mathrm{L\chi }}_{L}Tr\left(V_i^{-1}<C>\right)}\right)$其中C是像素点的协方差矩阵，<·>表示按视数平均，[·]表示矩阵的行列式，Tr(·)表示矩阵的迹，V_i^‑1表示对聚类中心V_i求逆，Γ(·)表示Gamma函数，K_χL‑qL(·)表示(χ_L‑qL)阶的第二类修正贝塞尔函数，L为图像的视数，q为向量维数，取q＝3；3d)根据每个像素点到第i类聚类中心的距离对极化SAR图像进行重新划分：如果d(<C>,B_τ)≤d(<C>,B_ψ)，则将该像素点划分为第τ类，如果d(<C>,B_τ)>d(<C>,B_ψ)，则将该像素点划分为第ψ类，其中d(<C>,B_τ)是像素点到第τ类聚类中心的距离，d(<C>,B_ψ)是像素点到第ψ类聚类中心的距离，τ,ψ＝1,...,8,τ≠ψ；3e)重复步骤3a)‑3d)直到迭代次数等于给定的迭代次数μ，其中μ＝5，得到更为准确的分类结果。