CN109740475B - 一种遥感图像地面场景分类方法 - Google Patents
一种遥感图像地面场景分类方法 Download PDFInfo
- Publication number
- CN109740475B CN109740475B CN201811594292.0A CN201811594292A CN109740475B CN 109740475 B CN109740475 B CN 109740475B CN 201811594292 A CN201811594292 A CN 201811594292A CN 109740475 B CN109740475 B CN 109740475B
- Authority
- CN
- China
- Prior art keywords
- scattering
- polarization
- image
- matrix
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 230000010287 polarization Effects 0.000 claims abstract description 48
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 230000001427 coherent effect Effects 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 208000025048 Action myoclonus-renal failure syndrome Diseases 0.000 claims description 6
- 208000027025 progressive myoclonus epilepsy 4 Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 241001394244 Planea Species 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000002184 metal Substances 0.000 claims description 2
- 229910052751 metal Inorganic materials 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种遥感图像地面场景分类方法，包括以下步骤：针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；对极化相干矩阵进行
分解，得到极化散射熵H、各向异性度A以及平均散射角
计算极化SAR图像的span图像，并在此基础上设计图像自适应邻域；基于图像自适应邻域，设计自适应平滑系数，并构建MRF先验能量函数；将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，使极化SAR图像逐像素归类到具有最大隶属度的类别。本发明能够抑制分类结果中的噪声现象，并且能够较好地避免过平滑效应，保留空间细节信息。
Description
技术领域
本发明属于遥感图像解译领域，具体涉及一种遥感图像地面场景分类方法，基于邻域中像素的空间相关特性，利用马尔科夫模型在特定的邻域内建立类别的先验概率，并在此基础上结合空间信息进行遥感图像分类，从而为图像内容分析以及场景分类提供类别属性信息。
背景技术
极化SAR图像分类是遥感图像解译中最为重要的研究内容。在极化SAR应用中，很多情况下需要将图像划分为不同的区域。例如，在农作物评估中需要区分不同的作物类型，在地理制图、城市规划应用中，需要区分不同类型的地物。分类的结果还可以用于目标检测和识别以及变化检测等领域，也可以直接作为最终输出，为用户和决策者提供实时准确的类别和情报信息。考虑到雷达遥感图像相干斑噪声的特点，基于区域/对象的分析和处理方法已经成为极化SAR遥感图像解译的热点，而获取准确可靠的目标地物分类结果则是后续处理和应用的关键。基于统计模型的极化SAR图像分类方法是当前研究的主要内容，该类方法考虑极化SAR数据的统计随机性，利用相干斑噪声的统计特性来构建特定的距离函数或相似性度量。在中低分辨率情况下，极化SAR数据常常假设满足高斯统计特性，这种统计分布能够较好地描述分布式目标和均匀区域的后向散射。现阶段，SAR和极化SAR系统可以实现高分辨成像，分辨率已经达到米级甚至亚米级。然而空间分辨率的提高以及纹理的出现使极化SAR数据的统计特性发生改变，表现出明显的非高斯特性。另外，在城区等非匀质区域，存在混杂的相干散射和非相干散射，导致该区域的后向散射特性很难去建模。这给极化SAR图像的地物准确分类带来了新的挑战，传统的基于高斯统计特性的方法不能得到满意的结果。因此，对高分辨极化SAR数据进行精准分类值得进一步深入研究。
常规的极化SAR图像分类方法一般只使用单个像素的统计特性和/或散射特性，而忽视了图像的空域信息。空域信息指图像像素在空间域上形成某种固有模式所提供的信息，主要包括空间相关性、纹理、边缘、区域等信息。由于目标和地物的结构特性往往体现在图中的空间分布上，因此空域信息能为极化SAR图像分类和分割提供辅助信息，有效弥补单个像素所含信息的不足。例如，邻域中的空间自相关信息能够有效抑制相干斑噪声的影像，去除最终分类结果的“椒盐”噪声效应。纹理信息、边缘信息可以和极化散射信息结合，用于提高SAR遥感图像分类的精度。充分挖掘极化SAR图像中的空域信息，并将其与极化统计特性和散射特性进行有效结合，对于提升图像解译特别是地物分类的效果具有重要意义。同时，这方面的研究尚有许多难点有待突破。Markov随机场(Markov Random Field,MRF)理论是引入空间相关性的基本方法。基于Markov依赖假设，MRF考虑周围像素对当前像素的影响，通过贝叶斯理论构建像素类别的先验概率。其中，迭代条件模型(IteratedConditional Modes,ICM)是最常用的一种MRF方法，该方法求取局部最优解代替全局最优解，能简化计算，且具有较好的鲁棒性。在SAR和极化SAR图像分类中，使用MRF的方法得到了较为平滑的结果。然而，传统的MRF分析使用固定的邻域结构，经常导致过平滑的现象，一些空间细节特征变得模糊。为了解决这个问题，一些自适应MRF(Adaptive MRF,AMRF)方法采用自适应的邻域和参数，能够较好保留图像的细节特征，而条件随机场(ConditionalRandom Field,CRF)是MRF的一种变体，在SAR和极化SAR图像处理中取得了一定的应用。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种遥感图像地面场景分类方法，着重对极化SAR图像极化目标分解进行分析和研究，通过MRF在特定的邻域内建立类别的先验概率，克服分类边界不确定造成的影响，有效的提升地物分类效果。
为了实现上述目的，本发明采用的技术方案包括以下步骤：
针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；
对极化相干矩阵进行
分解，得到极化散射熵H、各向异性度A以及平均散射角
计算极化SAR图像的span图像，并在此基础上设计图像自适应邻域；
基于图像自适应邻域，设计自适应平滑系数，并构建MRF先验能量函数；
将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，使极化SAR图像逐像素归类到具有最大隶属度的类别。
构建其极化协方差矩阵和极化相干矩阵的具体过程如下：
将雷达极化散射矩阵表示为
其中，H和V分别表示水平极化和垂直极化，SPQ(P,Q＝H,V)为以Q极化方式发射、P极化方式接收时，散射矩阵的目标后向复散射系数，在满足互易定理的后向散射情况下则有SHV＝SVH；Pauli散射矢量的表达式如下：
式中，上标T表示矩阵转置；
极化相干矩阵的表达式如下：
式中，上标
表示矩阵的共轭转置，上标*表示复共轭；
极化协方差矩阵的表达式如下：
其中，
对极化相干矩阵进行
分解的具体过程如下：
通过对相干矩阵T进行特征值或特征向量分解，构造一个简单的统计模型，将T扩展为三个独立目标的响应之和，每一个目标都对应一个散射机制，由单位特征向量ui确定，并且相应的特征值λi代表该散射机制在整个散射过程中的比重；分解过程的表达式为：
极化散射熵H表征分解得到的不同散射类型在统计意义上的无序程度，表达式如下：
其中，Pi为第i种散射类型出现的伪概率，则极化熵H的取值范围是0≤H≤1；
定义极化各向异性度A来表明λ2和λ3之间的关系，表达式为：
式中，A的取值范围是0≤A≤1；
平均散射角
定义为：
当αi＝0°时，目标散射对应于表面散射，随着
逐渐增大，散射机理变为布拉格表面散射；
当αi＝45°则代表偶极子散射，随后散射类型变为两个介质表面的二次散射，
当αi＝90°的极端情况下变为金属表面的二面角散射。
极化SAR遥感图像的后向散射总功率span计算式为：
span＝|Shh|2+2|Shv|2+|Svv|2＝Tr(C)＝Tr(T)，选取span图像中具有最小方差的邻域进行马尔科夫模型分析，MRF的平滑效应被限定在选定的邻域内。
基于选定的邻域ηs及自适应的平滑系数ψsr构建MRF先验能量函数U(·)，其表达式如下：
其中，|ηs|和bs分别为邻域空间的尺寸和匀质度量；
平滑系数ψsr的计算公式如下：
其中，Lc是像素s的当前类别，
表示该像素属于类别Lc的模糊归属度。
根据定义在
平面上的二维模糊归属函数获得最初模糊归属度的值
表示像素s属于类别k的比例因子，且满足
在此基础上计算出最初的聚类中心
然后使用模糊C均值聚类算法对模糊归属度的值进行迭代和优化。
迭代的步骤如下：
首先，计算像素s的相干矩阵<Ts>与类别k聚类中心
之间的Wishart距离：
基于得到的Wishart距离，对模糊归属度进行更新：
其中，mc是一个常量，ρ(·)是Huber函数：
通过与空间相关信息结合，生成增强的模糊归属度：
其中，
为局部AMRF分析所提取出的先验概率；
最后，基于增强的模糊归属度，对聚类中心进行更新：
与现有技术相比，本发明具有如下的有益效果：通过将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，最后使极化SAR图像逐像素归类到具有最大隶属度的类别。该模糊C均值分类方法结合了自适应邻域的MRF与SAR图像的极化信息，将局部自适应邻域MRF分析得到的空间相关信息与基于极化信息的模糊归属度相结合，抑制分类结果中的噪声现象。本发明采用自适应的邻域，同时提出了自适应平滑系数，从而能够较好地避免过平滑效应，保留空间细节信息。
附图说明
图1MRF自适应邻域的示意图；
图2本发明分类方法的流程图；
图3不同方法针对AIR数据分类结果和地面实况数据遮掩示意图：
(a)
-Wishart分类器分类结果示意图；(b)
-Wishart分类器分类结果地面实况数据遮掩示意图；
(c)模糊
分类器分类结果示意图；(d)模糊
分类器分类结果地面实况数据遮掩示意图；
(e)Potts-MRF分类结果示意图；(f)Potts-MRF分类结果地面实况数据遮掩示意图；
(g)自适应MRF分类结果示意图；(h)自适应MRF分类结果地面实况数据遮掩示意图；
图4不同方法针对ESAR数据分类结果图：
(a)ESAR数据Pauli图像；(b)
-Wishart分类器分类结果图；
(c)模糊
分类器分类结果图；(d)自适应MRF分类结果图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
参见图2，本发明的遥感图像地面场景分类方法包括以下步骤：
步骤一、在水平极化和垂直极化基下，散射矩阵为：
在极化SAR数据的分析和处理过程中，通常将极化散射矩阵在正交矩阵基下进行向量化。向量化的过程表示为
其中上标T表示转置，Tr(·)表示求矩阵的迹，Ψ为Hermitian内积下正交的一组2×2复数基矩阵集合。在Lexicographic矩阵基下，得到的向量称为Lexicographic散射向量，表示为：k4L＝[Shh Shv Svh Svv]T，在Pauli矩阵基下，得到Pauli散射向量为：
在单站系统和满足互易定理的情况下，极化散射矩阵S是对称的，也就是Shv＝Svh。
散射向量的维数从4降为3，相应的Lexicographic散射向量和Pauli散射向量简化为：
和
目标的极化协方差矩阵定义为Lexicographic散射向量的二阶矩，即：
其中<·>表示多视处理或者空间平均，上标*和
分别表示复数共轭以及复向量的共轭转置。同理，极化相干矩阵为Pauli散射向量的二阶矩，表示为：
协方差矩阵C和相干矩阵T都是半正定Hermitian矩阵，两者之间可以通过单位酉矩阵U进行相互转换，因此C和T具有相同的特征值。
两者的转换关系以及酉矩阵U的形式为：
T＝UCU-1或C＝U-1TU，其中
步骤二、极化散射熵表征分解得到的不同散射类型在统计意义上的无序程度，计算式为：
其中，Pi为第i种散射类型出现的伪概率，则极化熵H的取值范围是0≤H≤1。极化熵H并不能完全描述特征值的比例关系，极化各向异性度A可用来表明λ2和λ3之间的关系：
A的取值范围也是0≤A≤1。平均散射角
定义为
由于平均散射角
的值与散射过程背后的物理性质相关，
是用于识别主要散射机制的关键参数。
步骤三、目标的后向散射总功率(span)定义为各极化通道散射系数的强度之和，可以通过协方差矩阵或相干矩阵进行计算，为span＝|Shh|2+2|Shv|2+|Svv|2＝Tr(C)＝Tr(T)。
传统的邻域配置主要包括一阶邻域和二阶邻域，然后使用固定邻域配置的传统马尔科夫模型会引起过平滑效应，导致图中细致结构信息的丢失。
为了更好地保护这些空间信息，本发明使用基于自适应邻域的MRF进行极化SAR图像分类。这些自适应邻域具体是由五种邻域备选项组成，他们的形状分别对应不同的空间情况，包括局部均匀区域和线性边缘等。对于span图像中具有最小方差的邻域，它的匀质性最高，因此最适宜进行MRF分析。通过这种方式，MRF的平滑效应被限定在选定的邻域内，从而可以较好地保持边缘和其他细致结构等空间细节信息。
步骤四、构建先验能量函数U(·)时，本发明提出一个自适应的平滑系数ψsr。它不仅考虑邻域内的类别信息，同时还考虑像素对应于不同类别的模糊归属度。
基于选定的邻域ηs以及平滑系数ψsr，能量函数U(·)的计算式为：
其中，|ηs|和bs分别为邻域空间的尺寸和匀质度量。所提出的平滑系数ψsr计算式为：
其中，Lc是像素s的当前类别，
表示该像素属于类别Lc的模糊归属度。
需要指出的是，当所有的模糊归属度被设为相同值时，ψsr的形式为δ(Ls-Lr)，等同于经典的Potts模型。因此，Potts模型可以看作所提出模型的一个特例。
步骤五、根据在
平面上的二维模糊归属函数可以获得最初模糊归属度的值
它表示像素s属于类别k的比例因子，且满足
在此基础上可以计算出最初的聚类中心
然后使用模糊C均值聚类算法可以对模糊归属度的值进行迭代和优化。本发明在迭代优化过程中将基于MRF的空间相关信息与极化信息相结合。
使用上标j来标记不同的迭代次数，迭代过程的主要步骤如下：
5a)计算像素s的相干矩阵<Ts>与类别k聚类中心
之间的Wishart距离：
5b)基于得到的Wishart距离，对模糊归属度进行更新：
其中，mc是常量，ρ(·)是Huber函数，公式为
当与聚类中心距离较近时，ρ(·)是二次方的形式，距离较远时则是线性形式，从而降低异常值的影响。
5c)通过与空间相关信息结合，生成增强的模糊归属度：
其中
为局部AMRF分析所提取出的先验概率。通过将空间信息与原始的模糊归属度相结合，可以得到更加可靠的模糊归属度，同时与空间背景更加一致。
5d)基于增强的模糊归属度，对聚类中心进行更新：
步骤六、当循环终止后，就可以将像素s的最终分割类别Cs分配为具有最大隶属度的相应类别，即
极化SAR图像基于
分解的分类方法利用预先设定的边界来区分不同的类别，这种固定的边界存在一定的限制。某类目标或地物的聚类中心有可能位于边界上或边界附近，从而导致该类像素被划分为不同的类别。为了解决这一问题，本发明将局部AMRF分析得到的空间相关信息与基于极化信息的模糊归属度相结合，可以抑制分类结果中的噪声现象。另外，本发明采用自适应的邻域，同时提出了自适应平滑系数，从而可以较好地避免过平滑效应，保留空间细节信息。本发明改进了极化SAR图像分割算法，在图像分割上得出的结果必然更加合理、有效和精确，符合当前精度应用需求。
设计实验对本发明的分类效果进行验证：
本发明采用两组极化SAR数据开展图像地物分类实验，包括AIRSAR L-波段数据和ESAR L-波段数据。其中AIRSAR L波段数据单视复图像的空间分辨率为6.6米(距离向)和9.3米(方位向)，数据尺寸为900×1000主要包含住宅区、草地、大麦、森林、土豆等地物类别。ESAR L-波段数据是由德国DLR的ESAR(Experimental SAR)传感器获得全极化SAR遥感图像，该数据在德国Oberpfaffenhofen试验区域获取，单视复图像的空间分辨率为3米，数据尺寸为1400×1000。图中包含丰富的地物类型，主要包括人工建筑物、森林、机场跑道、裸地、草地、三种不同类型的农作物以及其他植被等。
实验过程如下：
针对两组极化SAR图像分别使用本发明方法和三种对比方法进行验证。在结合空域信息的极化SAR分类方法中，采用基于传统Potts模型的MRF分析框架以及使用自适应平滑系数的MRF分析框架，这两种方法后续简称为Potts-MRF分类方法和自适应MRF分类方法。另外，作为对比，还利用
-Wishart分类器和模糊
分类器进行分类实验。根据最初
平面的区域划分准则，以上这些方法把类别的数量固定为8。需要注意的是，固定的类别数量在一定程度上会限制所提出分类方法的应用，但是空域信息也能以类似的方式结合到其他模糊分类方法中。从图3(a)和图3(c)中可以看出分类结果在均匀区域存在大量的噪声，这些噪声由相干斑以及同一地物散射特性的差异所引起。通过将AMRF分析得到的空间相关信息与极化信息相结合，可以显著改善分类结果。如图3(e)和图3(g)所示，匀质区域的分类结果非常平滑，而且形状细节也得到了较好保持。另外，本发明自适应平滑系数根据邻域内像素模糊归属度的值和相对大小，自动地调节MRF空间分析对分类的影响，从而可以进一步改善最终的分类结果。与图3(e)相比，可以看到图3(g)中存在更少的噪声，而且边缘细节也可以得到更好保留，例如白色椭圆中的边界。图3的右侧一栏展示了地面实况数据遮掩部分的结果。图3(h)中只存在很少的错分现象，证明了本发明自适应MRF分类方法的有效性。
由图4可以看出，针对ESAR L波段数据，本发明自适应MRF分类方法取得了最优的结果，匀质区域的椒盐噪声得到了明显抑制。在图4(b)和图4(c)中，白色椭圆区域的很多像素被误分。然而，通过使用空域信息，图4(d)中该区域的结果得到了明显改善，且分类结果更为平滑。另外，所提出的分类方法使用了AMRF和自适应的平滑系数，因此图像中的一些结构细节信息没有受到临近区域和类别过平滑的影响。例如，在图4(d)中白色正方形区域，草地的边缘信息得到很好的保留，且与图4(a)中的场景非常一致。相比之下，图4(b)和图4(c)中该区域的分类结果存在明显噪声，结构信息也不够清晰。以上实验结果和分析表明，本发明提出的自适应MRF分类方法能明显改善分类效果，并且使细节结构信息得到较好的保持。
Claims (3)
1.一种遥感图像地面场景分类方法，其特征在于，包括以下步骤：
针对极化SAR图像，构建其极化协方差矩阵和极化相干矩阵；
构建其极化协方差矩阵和极化相干矩阵的具体过程如下：
将雷达极化散射矩阵表示为
其中，H和V分别表示水平极化和垂直极化，SPQ为以Q极化方式发射、P极化方式接收时，散射矩阵的目标后向复散射系数，P,Q＝H,V，在满足互易定理的后向散射情况下则有SHV＝SVH；Pauli散射矢量的表达式如下：
式中，上标T表示矩阵转置；
极化相干矩阵的表达式如下：
式中，上标
表示矩阵的共轭转置，上标*表示复共轭；
极化协方差矩阵的表达式如下：
其中，
对极化相干矩阵进行
分解，得到极化散射熵H、各向异性度A以及平均散射角
根据定义在
平面上的二维模糊归属函数获得最初模糊归属度的值
表示像素s属于类别k的比例因子，且满足
在此基础上计算出最初的聚类中心
k＝1,2,...C，然后使用模糊C均值聚类算法对模糊归属度的值进行迭代和优化；
计算极化SAR图像的span图像，并在此基础上设计图像自适应邻域；
基于图像自适应邻域，设计自适应平滑系数，并构建MRF先验能量函数；
极化SAR遥感图像的后向散射总功率span计算式为span＝|Shh|2+2|Shv|2+|Svv|2＝Tr(C)＝Tr(T)，选取span图像中具有最小方差的邻域进行马尔科夫模型分析，MRF的平滑效应被限定在选定的邻域内；
基于选定的邻域ηs以及自适应的平滑系数ψsr构建MRF先验能量函数U(·)，其表达式如下：
其中，|ηs|和bs分别为邻域空间的尺寸和匀质度量；
平滑系数ψsr不仅考虑邻域内的类别信息，同时还考虑像素对应于不同类别的模糊归属度；平滑系数ψsr的计算公式如下：
其中，Lc是像素s的当前类别，
表示该像素属于类别Lc的模糊归属度；
将基于MRF的空间相关信息与极化信息结合，利用模糊C均值分类构建目标函数，迭代求解最优隶属度和分类类别中心，使极化SAR图像逐像素归类到具有最大隶属度的类别。
2.根据权利要求1所述的遥感图像地面场景分类方法，其特征在于：
对极化相干矩阵进行
分解的具体过程如下：
通过对相干矩阵T进行特征值或特征向量分解，构造一个简单的统计模型，将T扩展为三个独立目标的响应之和，每一个目标都对应一个散射机制，由单位特征向量ui确定，并且相应的特征值λi代表该散射机制在整个散射过程中的比重；分解过程的表达式为：
极化散射熵H表征分解得到的不同散射类型在统计意义上的无序程度，表达式如下：
其中，Pi为第i种散射类型出现的伪概率，则极化熵H的取值范围是0≤H≤1；
定义极化各向异性度A来表明λ2和λ3之间的关系，表达式为：
式中，A的取值范围是0≤A≤1；
平均散射角
定义为：
当αi＝0°时，目标散射对应于表面散射，随着
逐渐增大，散射机理变为布拉格表面散射；
当αi＝45°则代表偶极子散射，随后散射类型变为两个介质表面的二次散射，
当αi＝90°的极端情况下变为金属表面的二面角散射。
3.根据权利要求1所述的遥感图像地面场景分类方法，其特征在于，迭代的步骤如下：
首先，计算像素s的相干矩阵<Ts>与类别k聚类中心
之间的Wishart距离：
基于得到的Wishart距离，对模糊归属度进行更新：
其中，mc是一个常量，ρ(·)是Huber函数：
通过与空间相关信息结合，生成增强的模糊归属度：
其中，
为局部AMRF分析所提取出的先验概率；
最后，基于增强的模糊归属度，对聚类中心进行更新：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811594292.0A CN109740475B (zh) | 2018-12-25 | 2018-12-25 | 一种遥感图像地面场景分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811594292.0A CN109740475B (zh) | 2018-12-25 | 2018-12-25 | 一种遥感图像地面场景分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109740475A CN109740475A (zh) | 2019-05-10 |
| CN109740475B true CN109740475B (zh) | 2020-04-21 |
Family
ID=66359907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811594292.0A Active CN109740475B (zh) | 2018-12-25 | 2018-12-25 | 一种遥感图像地面场景分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740475B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619349A (zh) * | 2019-08-12 | 2019-12-27 | 深圳市识农智能科技有限公司 | 植物图像分类方法及装置 |
| CN113587941A (zh) * | 2020-05-01 | 2021-11-02 | 华为技术有限公司 | 高精度地图的生成方法、定位方法及装置 |
| CN112558066B (zh) * | 2020-10-30 | 2023-08-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 双极化sar图像系统 |
| CN112465837B (zh) * | 2020-12-09 | 2022-08-23 | 北京航空航天大学 | 利用空间信息约束的稀疏子空间模糊聚类的图像分割方法 |
| CN112950492B (zh) * | 2021-01-28 | 2022-04-29 | 中国石油大学(华东) | 基于自适应各向异性扩散的全极化sar图像去噪方法 |
| CN114219822B (zh) * | 2021-12-15 | 2024-06-21 | 深圳先进技术研究院 | 面向对象模糊聚类图像分割方法、系统、终端及存储介质 |
| CN118468061B (zh) * | 2024-07-15 | 2024-09-27 | 四川三合力通科技发展集团有限公司 | 一种算法自动匹配及参数优化方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7031523B2 (en) * | 2001-05-16 | 2006-04-18 | Siemens Corporate Research, Inc. | Systems and methods for automatic scale selection in real-time imaging |
| CN103294792B (zh) * | 2013-05-13 | 2016-02-10 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
| CN104598922B (zh) * | 2015-01-07 | 2017-09-05 | 河海大学 | 基于模糊c均值的全极化sar图像分类方法 |
| CN104700110B (zh) * | 2015-04-03 | 2018-08-07 | 电子科技大学 | 一种基于全极化sar图像的植被覆盖信息提取方法 |
| CN107145860B (zh) * | 2017-05-05 | 2019-11-26 | 西安电子科技大学 | 基于空间信息和深度学习的极化sar图像分类方法 |
-
2018
- 2018-12-25 CN CN201811594292.0A patent/CN109740475B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109740475A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740475B (zh) | 一种遥感图像地面场景分类方法 | |
| Bombrun et al. | Fisher distribution for texture modeling of polarimetric SAR data | |
| Ratha et al. | Unsupervised classification of PolSAR data using a scattering similarity measure derived from a geodesic distance | |
| CN103839073B (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
| Zhang et al. | Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features | |
| Schou et al. | Restoration of polarimetric SAR images using simulated annealing | |
| Lang et al. | Mean-shift-based speckle filtering of polarimetric SAR data | |
| Ince et al. | Evolutionary RBF classifier for polarimetric SAR images | |
| CN109685028B (zh) | 一种基于全极化sar数据的河冰厚度反演方法 | |
| Dong et al. | Copula-based joint statistical model for polarimetric features and its application in PolSAR image classification | |
| CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
| CN110032974A (zh) | 一种雷达遥感图像场景特征描述和分类方法 | |
| Yang et al. | Adaptive coherency matrix estimation for polarimetric SAR imagery based on local heterogeneity coefficients | |
| Liu et al. | The polarimetric detection optimization filter and its statistical test for ship detection | |
| West et al. | Polarimetric Interferometric SAR Change Detection Discrimination. | |
| CN103870842A (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
| CLOUDE et al. | Radar polarimetry and polarimetric interferometry | |
| CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
| CN112215832A (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
| Yin et al. | An improved generalized optimization of polarimetric contrast enhancement and its application to ship detection | |
| CN112950492B (zh) | 基于自适应各向异性扩散的全极化sar图像去噪方法 | |
| Liu et al. | Study on segmentation and interpretation of multi-look polarimetric SAR images | |
| CN103886327B (zh) | 基于2d‑kpca的极化sar图像分类方法 | |
| Wecklich et al. | Production of a global forest/non-forest map utilizing TanDEM-X interferometric SAR data | |
| Mu et al. | Superpixel-level CFAR Ship Detection Based on Polarimetric Bilateral Truncated Statistics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A ground scene classification method of remote sensing image Effective date of registration: 20201229 Granted publication date: 20200421 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU SHIPING INFORMATION & TECHNOLOGY Co.,Ltd. Registration number: Y2020330001331 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220128 Granted publication date: 20200421 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU SHIPING INFORMATION & TECHNOLOGY Co.,Ltd. Registration number: Y2020330001331 |