主权项 |
一种基于近邻传播聚类与区域增长的极化SAR图像分类方法,包括如下步骤:(1)对待分类的极化SAR图像进行精致Lee滤波,得到滤波后的极化SAR图像I<sub>1</sub>;(2)对滤波后的极化SAR图像I<sub>1</sub>中每个像素的相干矩阵T进行Pauli分解,得到每个像素点的三个散射特征分量,即奇次散射分量P,偶次散射分量Q,与水平方向有45°倾角的偶次散射分量C,根据这三个散射特征分量P,Q,C求得该图像I<sub>1</sub>的伪彩色通道值R,G,B,其中R表示红色通道值,G表示绿色通道值,B表示蓝色通道值;(3)利用Sobel算子与彩色通道值R,G,B求得滤波后极化SAR图像I<sub>1</sub>的边界强度图g,使用分水岭算法将边界强度图g划分为N个不同小块区域和未分类的边界点b,得到初始分割结果I<sub>2</sub>,根据I<sub>2</sub>中每一个小块区域与相邻小块的邻接信息建立邻接图Ψ;(4)将初始分割结果I<sub>2</sub>中每一小块区域的平均相干矩阵作为该块的中心矩阵V<sub>i</sub>,i表示I<sub>2</sub>中的第i小块,根据中心矩阵V<sub>i</sub>的对角线值求得初始分割结果I<sub>2</sub>的三个特征分量f1,f2,f3,利用基于区域的K‑均值聚类方法对特征值f1,f2,f3进行聚类,将初始过分割结果I<sub>2</sub>分为500类,得到初步分类结果I<sub>3</sub>;(5)计算初步分类结果I<sub>3</sub>中每一类的中心矩阵V<sub>m</sub>,m表示I<sub>3</sub>中的第m类,利用中心矩阵计算每两类之间的Wishart距离作为这两类的相似度,得到一个500×500的相似度矩阵S;(6)根据相似度矩阵S,利用近邻传播聚类算法对初步分类结果I<sub>3</sub>进行聚类,得到中间分类结果I<sub>4</sub>;(7)令迭代次数μ=1,根据邻接图Ψ,求初始分割结果I<sub>2</sub>中每一小块i与相邻小块之间的相似度,获取与小块i相似度值最小的相邻小块的标号j,在中间分类结果I<sub>4</sub>中合并小块i与相邻小块j,将中间分类结果I<sub>4</sub>中小块i对应像素的标号更新为中间分类结果I<sub>4</sub>中相邻小块j所对应像素的标号;(8)重复步骤(7)直到迭代次数μ=100;(9)计算中间分类结果I<sub>4</sub>中不同类的中心矩阵V<sub>l</sub>,l表示I<sub>4</sub>中的第l类,根据I<sub>4</sub>得到未分类边界点b的8邻域内像素的类别,利用未分类边界点b的相干矩阵和中心矩阵V<sub>l</sub>计算I<sub>4</sub>中未分类边界点与相邻类别间的Wishart距离,将未分类边界点b的类别分配为与其Wishart距离最小的类别的标号,得到最终分类结果I<sub>5</sub>。 |