基于Freeman分解和谱聚类的极化SAR图像分类方法

摘要

本发明公开了一种基于Freeman分解和谱聚类的极化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Freeman分解，提取像素点的体散射功率，二面角散射功率和表面散射功率；将像素点的三种散射功率及其坐标作为Mean Shift算法的输入特征向量，用Mean Shift算法对图像进行分割，得到M个区域；选取M个区域的代表点作为谱聚类的输入点，对各区域进行谱聚类，获得图像的预分类结果；最后，对预分类得到的整幅图像Wishart分类器进行迭代分类，得到最终分类结果。实验结果表明本发明所实现的极化SAR图像分类效果更好，可用于对各种极化SAR图像进行无监督分类。

主权项

一种基于Freeman分解和谱聚类的极化SAR图像分类方法，包括如下步骤：(1)对待分类的大小为R×Q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Freeman分解，得到每个像素点的体散射功率P_v、二面角散射功率P_d和表面散射功率P_s；(3)根据每个像素点的体散射功率P_v、二面角散射功率P_d和表面散射功率P_s，及像素点的坐标，用Mean Shift算法对滤波后的图像进行预分割，得到M个区域；(4)在已获得的M个区域上，将每个区域的中心点作为新的像素点Y_δ，得到M个新像素点，δ＝1,...,M，将这M个新像素点映射为具有M个节点的全连接图，并对这个全连接图按如下步骤进行谱聚类：(4a)根据新像素点Y_δ的势能函数，构造新的相似度矩阵A为：新相似度矩阵A中的每一个元素A_ij为：$A_{ij}=\left\{\begin{array}{cc}1& i=j\\ \frac{1}{1+{\Delta }_{ij}{d}_{ij}}& i\ne j\end{array}\right.,i=1,...,M,j=1,...,M$其中Δ_ij是新像素点Y_i和Y_j的强度差，其由Huber函数定义如下：${\Delta }_{ij}=\left\{\begin{array}{cc}{d}_{SRW}^2(T_i,T_j)& d_{SRW}(T_i,T_j)\le t\\ t^2+2\times \left(d_{SRW}\right(T_i,T_j)-t)& d_{SRW}(T_i,T_j)>t\end{array}\right.$d_ij是新像素点Y_i和Y_j坐标的欧式距离，t为常数，t取100，d_SRW(T_i,T_j)为新像素点Y_i和Y_j的相似性度量，T_i和T_j分别是新像素点Y_i和Y_j的相干矩阵，d_SRW(T_i,T_j)定义如下：$d_{SRW}(T_i,T_j)=\frac{1}{2}tr(T_i\times T_j^{-1}+T_j\times T_i^{-1})-q$其中q为常数，取值为q＝3，tr(·)是矩阵的迹，(·)^‑1是矩阵的逆；(4b)根据新的相似度矩阵A，构造拉普拉斯矩阵L：$L=D^{-\frac{1}{2}}{\mathrm{AD}}^{-\frac{1}{2}}$其中D是对角矩阵对角矩阵D上的每一个元素D_ij为：$D_{ij}=\left\{\begin{array}{cc}\underset{j=1}{\overset{M}{\Sigma }}{A}_{ij}& i=j\\ 0& i\ne j\end{array}\right.;$(4c)对拉普拉斯矩阵L进行特征值分解，得到前k个最大特征值对应的特征向量x₁,x₂,...,x_k，形成特征向量矩阵X＝[x₁,x₂,...,x_k]，k为分类类别数；(4d)根据特征向量矩阵X得到规范化矩阵V：将规范化矩阵V中每一个元素V_θ,Ζ定义为：$V_{\theta ,Z}=\frac{X_{\theta ,Z}}{{\left(\underset{Z=1}{\overset{k}{\Sigma }}{X}_{\theta ,Z}^2\right)}^{-\frac{1}{2}}}$其中X_θ,Ζ是特征向量矩阵X第θ行第Ζ列的元素，θ＝1,…,M,Ζ＝1,…,k；(4e)用k‑means算法对规范化矩阵V的行向量进行聚类；(4f)对规范化矩阵V的行向量聚类后，当规范化矩阵V的第θ行为第c类时，将规范化矩阵V的第θ行对应的新像素点Y_θ标记为第c类，θ＝1,…,M，c＝1,…,k；(5)在M个区域上，将由新像素点Y_δ所代表的区域标记为与新像素点Y_δ相同的类别，完成对整幅图像的预分类；(6)对预分类得到的整幅图像用能反映极化SAR分布特性的Wishart分类器进行迭代分类，得到更为准确的分类结果。