基于模糊C均值的全极化SAR图像分类方法

摘要

本发明公开了一种基于模糊C均值的全极化SAR图像分类方法，针对传统的基于Cloude-Pottier分解的极化SAR图像分类方法中由于分割阈值固定导致的地类边界不准确的问题，采用Wishart距离取代传统模糊C均值聚类中的欧氏距离，并引入一个距离因子，使得分类结果与真实地表更加接近，准确度更高。本发明所达到的有益效果：本发明中基于改进的模糊C均值聚类方法采用Wishart距离取代传统的欧氏距离，更加符合全极化SAR图像中像素点的分布规律，同时还引入了一个距离因子来增加散射机制相似的地类之间的可分度。该方法有效解决了传统的基于Cloude-Pottier分解的极化SAR图像分类中由于分割阈值固定导致的地类边界不准确的问题，因此得到的分类结果与真实地表更加接近。

主权项

基于模糊C均值的全极化SAR图像分类方法，其特征在于：包括如下步骤：1)对原始全极化SAR数据进行预处理，采用多视处理和Refined Lee滤波方法消除SAR图像中斑点噪声的影响；2)对预处理后的图像进行Cloude‑Pottier极化分解，得到散射熵H、散射角α、平均散射强度λ三个极化参数；3)根据平均散射强度的值将图像分为三大类，分别为：高散射强度区域、中等散射强度区域和低散射强度区域，将每一大类利用H/α平面进一步分割，共得到24小类；4)采用层次聚类算法将得到的24类合并为n(0<n≤24)类；5)计算每个像素点与每一类聚类中心的距离，采用FCM算法调整每一类地物的边界，直至满足目标函数最小，迭代终止并输出分类结果；所述FCM算法中的像素点到聚类中心的距离d采用Wishart距离和一个距离因子W_ij重新定义：$d^2(<T>,V_m)={\left(\frac{\ln \left|V_m\right|+\mathrm{Tr}(V_m^{-1}<T>)}{W_{\mathrm{ij}}}\right)}^2$$W_{\mathrm{ij}}=\frac{{\mu }_{\mathrm{ij}}}{\underset{i=1}{\overset{N}{\Sigma }}{\mu }_{\mathrm{ij}}}$其中<T>为像素点的相干矩阵，V_m为每一类的平均相干矩阵，即聚类中心，μ_ij代表数据点x_i隶属于类别j的概率；所述距离因子W_ij表示的含义为W_ij越大，每个像素与类别中心V_m的距离越小，离聚类中心近的点变得更近，与聚类中心远的点变得更远。