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P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h：(2a)读入滤波后图像的每个像素点，这些像素点为一个3×3的相干矩阵T，根据相干矩阵T得到协方差矩阵C；$C=U^{-1}TU=\left[\begin{array}{ccc}<|S_{HH}{|}^2>& \sqrt{2}<S_{HH}{S}_{HP}^{*}>& <S_{HH}{S}_{PP}^{*}>\\ \sqrt{2}<S_{HP}{S}_{HH}^{*}>& 2<|S_{HP}{|}^2>& \sqrt{2}<S_{HP}{S}_{PP}^{*}>\\ <S_{PP}{S}_{HH}^{*}>& \sqrt{2}<S_{PP}{S}_{HP}^{*}>& <|S_{PP}{|}^2>\end{array}\right]---1)$其中，U是中间变量，$U=\frac{1}{\sqrt{2}}\times \left(\begin{array}{ccc}1& 0& 1\\ 1& 0& -1\\ 0& \sqrt{2}& 0\end{array}\right),$H表示水平极化，P表示垂直极化，S_HH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_HP表示水平向发射垂直向接收的回波数据，()^*表示这个数据的共轭，<·>表示按视数平均；(2b)将协方差矩阵C分解成如下表示：其中，F_s为平面散射分量的分解系数，F_d为二面角散射分量的分解系数，F_v为体散射分量的分解系数，F_h为螺旋散射分量的分解系数，β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射发射系数的比值，α被定义为α＝I_HI_PH/I_PI_PP，I_H和I_P分别表示地表的水平及垂直反射系数，I_PH和I_PP分别表示竖直墙体的水平及垂直反射系数，j为虚部；(2c)将式2)中矩阵的元素与式1)中协方差矩阵C的元素相对应，获得一个具有六个未知数F_s,F_v,F_d,F_h,α,β和五个方程的方程组如下：$\left\{\begin{array}{c}<|S_{HH}{|}^2>=F_s|\beta {|}^2+F_d|\alpha {|}^2+\frac{1}{15}{F}_v+\frac{F_h}{4}\\ <|S_{HP}{|}^2>=\frac{2}{15}{F}_v+\frac{F_h}{4}\\ <|S_{PP}{|}^2>=F_s+F_d+\frac{3}{15}{F}_v+\frac{F_h}{4}\\ <S_{HH}{S}_{PP}^{*}>=F_s\beta +F_d\alpha +\frac{2}{15}{F}_v-\frac{F_h}{4}\\ \frac{1}{2}\mathrm{Im}(<S_{HH}{S}_{HP}^{*}>+<S_{HV}{S}_{PP}^{*}>)=\frac{F_h}{4}\end{array}\right.---3);$其中，Im(·)表示取虚部；(2d)求解方程组3)，得到F_s,F_v,F_d,F_h,α,β的值：取像素点的协方差矩阵C中的的实部的值并与零相比较，如果则令β＝1，反之，则令α＝‑1，根据得到α或β的值，解方程组3)，得到其余的未知数F_s,F_v,F_d,F_h的值，其中，Re(·)表示取实部；(2e)根据求解出的F_s,F_v,F_d,F_h,α,β，得到体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h：P_s＝F_s(1+|β|²)P_d＝F_d(1+|α|²)；P_v＝F_vP_h＝F_h(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、表面散射功率P_s和螺旋散射功率P_h，对滤波后的极化SAR图像进行初始划分：3a)根据max(P_s,P_d,P_v,P_h)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V_u：$\begin{array}{ccc}{V}_u=\frac{\underset{\kappa =1}{\overset{m_u}{\Sigma }}{T}_{\kappa }}{m_u}& u=1,...,20,& \kappa =1,2,...,m_u\end{array},$其中T_κ是第u个小类别中各像素点的相干矩阵，m_u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V_u，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W_iu定义为：$W_{iu}=-\frac{1}{2}\{ln\left(\right|V_i\left|\right)+ln\left(\right|V_u\left|\right)+Tr(V_i^{-1}{V}_u+V_u^{-1}{V}_i)\},$其中，W_iu是相似度矩阵W中第i行第u列的元素，i＝1,...,20，u＝1,...,20，V_i是第i个小类别的平均聚类中心，V_u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：(6a)对每一类的相似度矩阵W，将相似度矩阵W的对角线上的值都设为I，I取值为‑1000，将归属度矩阵A和吸引度矩阵L初始值设置为0；(6b)将归属度矩阵A和吸引度矩阵L分别赋值给中间变量a和b，即a＝A，b＝L；(6c)根据相似度矩阵W和归属度矩阵A，计算吸引度矩阵L，吸引度矩阵L中的每一个元素L_iu：$L_{iu}=W_{iu}-\underset{\phi \ne u}{max}(W_{i\phi }+A_{i\phi }),$其中，L_iu是吸引度矩阵L中第i行第u列的元素，i＝1,...,20，u＝1,...,20，φ＝1,...,20；(6d)根据相似度矩阵W和吸引度矩阵L，计算归属度矩阵A，归属度矩阵A中每一个元素A_iu为；$A_{iu}=\left\{\begin{array}{c}\underset{\phi \ne u}{\Sigma }\max (0,L_{\phi u}),i=u\\ \min \{0,L_{uu}+\underset{\phi \ne i,u}{\Sigma }\max (0,L_{\phi u})\},i\ne u\end{array}\right.,$其中，A_iu是归属度矩阵A中第i行第u列的元素，i＝1,...,20，u＝1,...,20，φ＝1,...,20；(6e)更新归属度矩阵A和吸引度矩阵L：根据已获得的归属度矩阵A和吸引度矩阵L，则中间变量g＝(1‑λ)×A+λ×a，中间变量f＝(1‑λ)×L+λ×b，再令A＝g，L＝f，更新归属度矩阵A和吸引度矩阵L，其中，λ是收敛系数，λ∈[0.5,1)；(6g)重复步骤(6b)‑(6e)，直到迭代次数等于给定的迭代次数n，其中n＝1000，根据L(u,u)+A(u,u)的值判断u是否为聚类中心，如果L(u,u)+A(u,u)>0，则u是聚类中心，反之，u不是聚类中心，u＝1,...,20，从而获得预分类结果；(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。