法律状态公告日
法律状态信息
法律状态
2017-09-05
授权
授权
2015-05-27
实质审查的生效 IPC(主分类):G06K9/62 申请日:20150107
实质审查的生效
2015-05-06
公开
公开
技术领域
本发明涉及一种基于模糊C均值的全极化SAR图像分类方法,属于极化SAR 数据处理技术领域。
背景技术
近些年,随着星载极化SAR系统的陆续投入使用,极化SAR技术在遥感应用 中占据越来越重要的位置。由于具有四个极化通道,全极化SAR数据获取的地 物信息比单极化SAR更加丰富。如何有效地分析全极化SAR数据,提取全极化 SAR数据中包含的散射体的特征一直是极化研究的难点。许多极化特征参数曾经 被提出,如通道强度、通道强度比、通道相位差等,但这些特征参数只对特定 的应用环境适用,受具体实验和需求的限制。
Cloude-Pottier算法作为一种典型的目标极化分解方法在解决以上难题中 有绝对的优势。该算法不需要知道数据的概率分布状态就可以对分类结果进行 合理的解译,但是由于散射机制与真实地表之间缺乏一一对应关系,所以每种 地物的分类边界比较模糊。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于模糊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。
为了实现上述目标,本发明采用如下的技术方案:
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Wij重新定义:
其中<T>为像素点的相干矩阵,Vm为每一类的平均相干矩阵,即聚类中心,μij代表数据点xi隶属于类别j的概率;所述距离因子Wij表示的含义为Wij越大,每 个像素与类别中心Vm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。
前述的基于模糊C均值的全极化SAR图像分类方法,其特征在于:所述步骤 2)中,散射熵H、散射角α及平均散射强度λ三个极化参数采用Cloude-Pottier 分解算法对预处理后的数据进行极化分解得到:
λ=λ1pl+λ2p2+λ3p3
其中λi为相干矩阵T的特征值,且∞>λ1≥λ2≥λ3>0,pi的表达式为:
前述的基于模糊C均值的全极化SAR图像分类方法,其特征在于:所述步骤 3)中,根据平均散射强度将极化数据分成三大类,每类的λ边界的确定采用 取中值的方法,即根据λ值的动态范围将图像分成均匀的三部分,每部分分别 对应高散射强度区域、中等散射强度区域和低散射强度区域。
前述的基于模糊C均值的全极化SAR图像分类方法,其特征在于:所述步骤 4)中,利用层次聚类算法合并过分割的类别,公式如下:
其中Ti与Tj代表两个类别的类别中心,Dij为Wishart距离,表示类别i与类 别j之间的分离度;根据所选试验区域地物覆盖的真实情况,将图像分为n (0<n≤24)类。
前述的基于模糊C均值的全极化SAR图像分类方法,其特征在于:所述步骤 5)中模糊C均值聚类算法的目标函数为:
其中m为任意大于1的实数,C为类别数目,N为图像中像素点的个数,μij代 表数据点xi隶属于类别j的概率,cj为第j类的类别中心。d为像素点到聚类中 心的距离。
本发明所达到的有益效果:本发明在传统Cloude-Pottier分解的基础上, 利用平均散射熵将初始图像分为三大类,避免了散射机制相似但是散射强度不 同的地物之间的混淆;在模糊C均值聚类的过程中,用Wishart距离取代传统 的欧氏距离,与全极化SAR图像中像素点的分布更为吻合;引入了一个距离因 子,在减小相同类别像素点之间距离的同时,增大不同类别像素点的距离。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,对散射机制相似的地物类型的分类结果更准确。
附图说明
图1为本发明的流程图;
图2为本发明利用Cloude-Pottier分解提取的极化参数图像;
图3为利用本发明所提分类方法、以及现有的H/α/FCM、H/α/λ/FCM方法的 最终结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明 本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示的基于模糊C均值的全极化SAR图像分类方法,包括以下步骤:
步骤1,对原始全极化SAR数据进行预处理,分别采用多视处理及Refined Lee滤波等消除SAR图像中斑点噪声的影响,增强图像的可读性。
为了定性和定量分析本发明方法的有效性,数据采用L波段ALOS PALSAR全 极化数据,图像入射角度为23.858°,空间分辨率为9.37m×3.57m(距离向× 方位向)。为了增强图像的可读性及减少相干斑噪声对实验结果的影响,首先对 原始数据进行预处理。其中多视处理在方位向和距离向的比例为6:1,Refined Lee滤波器的窗口大小为3×3。
需要说明的是:本发明的方法不仅适用于该实验中选取的ALOS PALSAR数据, 对其他星载及机载数据同样适用,只是在预处理的时候多视处理的比例和滤波 处理的窗口大小会有不同,需要针对不同的数据源进行选择。
步骤2,对预处理后的图像进行Cloude-Pottier极化分解,得到散射熵H (图2b)、散射角α(图2c)、平均散射强度λ(图2a)等三个极化参数;
利用Cloude-Pottier分解算法对预处理后的数据进行极化分解的公式如 下:
λ=λ1p1+λ2p2+λ3p3
其中λi为相干矩阵T的特征值,且∞>λ1≥λ2≥λ3>0,pi的表达式为:
步骤3,根据平均散射强度的值将图像分为三大类,每类的λ边界的确定 采用取中值的方法,即根据λ值的动态范围将图像分成均匀的三部分,每部分 分别对应:高散射强度区域、中等散射强度区域和低散射强度区域,在每一大 类中,利用H/α平面进一步分割,共得到24小类;
步骤4,为了避免上一步骤中出现过分割,根据实验中选取试验区域的地物 覆盖情况,采用层次聚类算法将以上得到的24类合并为7类。需要说明的是: 聚合成多少类别是由所选区域的地表覆盖类型确定的,该参数可以根据选取的 试验区域进行调整。
层次聚类算法的计算公式如下:
其中Ti与Tj代表两个类别的类别中心,Dij为Wishart距离,表示类别i与 类别j之间的分离度。根据对图像覆盖区域进行野外调查及与高分辨率光学卫 星图像进行对比分析,将图像分为7类。
步骤5,计算每个像素点与每一类聚类中心的距离,采用改进的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。
采用模糊C均值聚类算法的目标函数为:
其中m为任意大于1的实数,C为类别数目,N为图像中像素点的个数,μij代 表数据点xi隶属于类别j的概率,cj为第j类的类别中心。d为像素点到聚类中 心的距离。本方法采用Wishart距离和一个距离因子Wij重新定义距离d,来降低 传统FCM算法中欧氏距离对极化SAR计算不准确的缺陷。
其中<T>为像素点的相干矩阵,Vm为每类的平均相干矩阵,即聚类中心,μij代表数据点xi隶属于类别j的概率。Wij越大,每个像素与类别中心Vm的距离越 小,该因子使得离聚类中心近的点变得更近,与聚类中心远的点变得更远。
为了定量分析本发明全极化SAR图像分类方法的效果(图3c),采用总体精 度(OA)、生产者精度(PA)和用户精度(UA)评价该发明中分类结果的精度,并与 H/α/FCM算法(图3a)和H/α/λ/FCM算法(图3b)进行比较(表1)。
需要说明的是:在H/α/FCM方法中对预处理后的图像在H/α平面分割,然 后采用传统的模糊C均值算法进行聚类;在H/α/λ/FCM方法中,平均散射强度 也参与了分类,但是聚类方法仍然采用传统的模糊C均值聚类算法。
表1 不同极化SAR图像分类方法的精度比较
从表1和图3可以看出,与H/α/FCM算法和H/α/λ/FCM算法相比具有更 好的效果:利用本发明所提方法得到的分类结果中,地物的边界更清晰且连续, 散射机制类似的区域得到了较好的区分,最终结果与真实地表更加接近。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通 技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变 形,这些改进和变形也应视为本发明的保护范围。
机译: 基于分布式k型k均值,存储介质和分类装置的电力用户分类方法
机译: 基于改进的K均值算法的网络流量分类方法和系统
机译: 一种基于动态直方图的粗糙模糊C均值的彩色图像分割方法