基于近邻传播聚类与区域增长的极化SAR图像分类方法

摘要

本发明公开了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，主要解决传统极化SAR图像分类方法分类区域一致性较差的问题。其实现步骤为：(1)对经过精致Lee滤波后的极化SAR图像进行Pauli分解，得到散射分量；(2)根据散射分量计算图像的边缘强度，利用分水岭算法对整幅图像进行过分割；(3)使用基于区域的K-均值聚类得到初始分类结果；(4)用近邻传播聚类对初始分类结果进行聚类得到中间分类结果；(5)运用区域增长方法，优化中间分类结果；(6)用Wishart分类方法对边界点进行分类得到最终分类结果。本发明具有区域一致性较好，分类较准确，边缘清晰的优点，可用于极化SAR图像地物分类。

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I₁；(2)对滤波后的极化SAR图像I₁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I₁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I₁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I₂，根据I₂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I₂中每一小块区域的平均相干矩阵作为该块的中心矩阵V_i，i表示I₂中的第i小块，根据中心矩阵V_i的对角线值求得初始分割结果I₂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I₂分为500类，得到初步分类结果I₃；(5)计算初步分类结果I₃中每一类的中心矩阵V_m，m表示I₃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I₃进行聚类，得到中间分类结果I₄；(7)令迭代次数μ＝1，根据邻接图Ψ，求初始分割结果I₂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I₄中合并小块i与相邻小块j，将中间分类结果I₄中小块i对应像素的标号更新为中间分类结果I₄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I₄中不同类的中心矩阵V_l，l表示I₄中的第l类，根据I₄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_l计算I₄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I₅。