基于Freeman分解和粒子群优化的极化SAR图像分类方法

摘要

本发明公开了一种基于Freeman分解和粒子群优化的极化SAR图像分类方法，主要解决现有技术计算复杂度较高和分类效果差的问题，其实现步骤为：（1）输入极化SAR数据的协方差矩阵；（2）对输入的矩阵进行Freeman分解，获取平面散射、二面角散射及体散射三种散射功率矩阵；（3）根据三种散射功率矩阵将极化SAR数据进行初始划分；（4）用基于QPSO优化的二维双阈值Otsu法获得每一类的两个阈值；（5）再将初始划分的每一类极化SAR数据划分为3类，从而将整个极化SAR数据划分为9类；（6）对整个极化SAR数据的划分结果进行复Wishart迭代并上色，得到最终彩色分类结果图。本发明与经典分类方法相比，对极化SAR数据的划分更加严谨，分类结果明显，计算复杂度相对较小。

主权项

1.一种基于Freeman分解和粒子群优化的极化SAR图像分类方法，包括如下步骤：（1）用Lee滤波对输入的极化SAR图像做预处理；（2）对滤波后的数据用上面介绍的方法进行Freeman分解，得到三种散射功率矩阵：P_s表示表面散射功率矩阵其中，P_d表示二面角散射功率矩阵，P_v表示体散射功率矩阵；（3）根据功率矩阵P_s,P_d,P_v对极化SAR图像数据进行初始划分：a）根据max(P_s,P_v,P_d)的值，将极化SAR图像数据初始划分为三类，则满足max(P_s,P_v,P_d)＝P_s的像素点划分为平面散射类，max(P_s,P_d,P_v)＝P_d所对应的像素点划分为二面角散射类，max(P_s,P_d,P_v)＝P_v对应的像素点划分为体散射类；b）对每一类应用基于粒子群优化的双阈值Otsu方法选取阈值，阈值的选取公式如下式，当下式取得最大值时，向量(u₁,v₁)，(u₂,v₂)则为二维双阈值Otsu的最佳门限向量那么我们就得到了每一类的两个阈值。应用此方法做进一步划分，将整幅极化SAR图像划分为9类；$\mathrm{tr}\left({\sigma }_B\right)=\frac{{\omega }_1[{\omega }_0{\mu }_{\mathrm{Ti}}-{\mu }_i{\left(u_{1,}{v}_1\right)]}^2+{\omega }_0[{\omega }_1{\mu }_{\mathrm{Ti}}-{\mu }_i{\left(u_{2,}{v}_2\right)]}^2+[{\omega }_1{\mu }_1\left(u_{1,}{v}_1\right)-{\omega }_0{\mu }_i{\left(u_{2,}{v}_2\right)]}^2}{{\omega }_0\times {\omega }_1\times (1-{\omega }_0-{\omega }_1)}$$\frac{{\omega }_1[{\omega }_0{\mu }_{\mathrm{Ti}}-{\mu }_i{\left(u_{1,}{v}_1\right)]}^2+{\omega }_0[{\omega }_1{\mu }_{\mathrm{Ti}}-{\mu }_i{\left(u_{2,}{v}_2\right)]}^2+[{\omega }_1{\mu }_1\left(u_{1,}{v}_1\right)-{\omega }_0{\mu }_i{\left(u_{2,}{v}_2\right)]}^2}{{\omega }_0\times {\omega }_1\times (1-{\omega }_0-{\omega }_1)}$（4）对整个极化SAR图像数据的9类划分结果进行复Wishart迭代，得到更为准确的分类结果；（5）用红色R、绿色G、蓝色B三个颜色分量作为三基色，根据三基色原理给步骤（5）得到更为准确的分类结果上色，得到最终彩色分类结果图。