基于图和Wishart距离的极化SAR图像分类方法

摘要

本发明公开了一种基于图和Wishart距离的极化SAR图像分类方法，主要解决传统有监督分类方法中杂点过多，地物类别模糊的问题。其实现步骤是：1.读取极化SAR数据协方差矩阵并对其进行滤波；2.用滤波后的协方差矩阵构建权值图,并将其按权值递增排序；3.按序遍历权值图，判断每条权值边的权值连接的两个区域是否合并，若合并则更新两个区域的标签号，否则不变，遍历完后得到过分割标签；4.合并该过分割标签中像素点过小的区域，得到新的标签；5.将新标签中的每个区域用有监督分类法标注为标准图中与其最相似的那一类区域的标签号，得到最终分类标签。本发明抗干扰强，地物类别模糊小，分类精度高，可用于极化SAR目标识别。

主权项

一种基于图和Wishart距离的极化SAR图像分类方法，包括如下步骤：1)读取极化SAR数据协方差矩阵m×n为像素个数，对协方差矩阵C⁰进行精致Lee滤波处理得到滤波后的协方差矩阵C(C₁,C₂,...,C_m×n)；2)根据协方差矩阵C(C₁,C₂,...,C_m×n)构建权值图G(V,E)：2a)将极化SAR图像的每个像素点都作为权值图中的一个顶点，设v_i为第i个顶点，v_j为顶点v_i八邻域中的一个顶点，计算顶点v_i和v_j的不相似度e(v_i,v_j)：$e(v_i,v_j)={(\mathrm{re}\left(\mathrm{tr}(C_i\times C_j^{-1})\right)+\mathrm{re}\left(\mathrm{tr}(C_i^{-1}\times C_j)\right))}^2---<1>$其中，i∈(1,m×n)，C_i为v_i的协方差矩阵，C_j为顶点v_j的协方差矩阵，是对C_i的求逆，是对C_j的求逆，tr是指矩阵的迹，re(·)表示取实部；2b)利用步骤式<1>，计算顶点集V(v₁,v₂,...,v_m×n)中的所有顶点与其对应的八邻域的不相似度即图的边集E(e₁,e₂,...,e_w)，w为权值图中权值边的个数；2c)用顶点集V中的各顶点和连接各顶点与其对应的八邻域中的每个顶点之间的权值边集合E组成全连图即权值图G(V,E)；3)根据权值图G(V,E)对极化SAR数据进行过分割处理，得到过分割标签label₀：3a)对权值图G(V,E)按照权值边E(e₁,e₂,...,e_w)中元素递增的顺序排序；3b)定义初始分割标签S⁰，S⁰中每个顶点分别为一类；3c)，第p个权值边为p＝1；3d)如果S^p‑1分割结果中第p个权值边连接的两个顶点v_i、v_j不在同一个块中，令顶点v_i、v_j在S^p‑1中对应的标签号分别为I和J，令S^p‑1中标签号为I、J的区域为D_I、D_J，计算D_I、D_J的内部不相似度M(D_I,D_J)：$M(D_I,D_J)=\min (\mathrm{dif}\left(D_I\right)+\frac{k}{c_I},\mathrm{dif}\left(D_J\right)+\frac{k}{c_J})\text{---<2>}$其中，dif(D_I)为区域D_I的最小生成树中的最大值，dif(D_J)为区域D_J的最小生成树中的最大值，c_I为区域D_I中的像素个数，c_J为区域D_J中的像素个数，k为大于零的常数；3e)判断e_p<M(D_I,D_J)是否成立，其中e_p表示第p个权值边的权值，若成立，则将分割标签S^p‑1中D_I、D_J这两个区域的标签号I、J中的较小值作为新的分割标签S^p中这两个区域的标签号，即合并区域D_I、D_J，否则，S^p＝S^p‑1；3f)令p＝p+1，返回到步骤3d)，直到p＝w时停止，其中w为权值边的个数，得到分割结果label₀＝S^w；4)设定一个后处理阈值:m＝20，统计分割结果label₀中每一个标签的像素点个数，如果该标签的像素点个数小于m，则将该标签的像素点与它邻域中不相似度最小的块进行合并，得到新的标签图label₁。5)将标签label₁中的每个标签号对应的区域作为一个分类单元，用Wishart有监督分类方法得到label₁中每个区域在标准图中对应的标签号，即最终的分类结果。