[发明专利]基于2D‑KPCA的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及极化SAR图像地物分类领域的应用，具体的说是一种基于2D-KPCA的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种微波成像的航空机载雷达或太空星载雷达，它一般安装在移动的载体上对相对静止目标进行成像。它的特点是分辨率高，可以全天候工作，能有效的识别伪装和穿透掩盖物，在军事侦查、测绘、火控、制导，以及环境遥感和资源勘探等方面有广泛用途。极化SAR数据是以矩阵基本单位进行像素描述，并且极化散射矩阵往往可以记录更完整的目标后向散射信息，因此其信息的挖掘和提取更为复杂，但也是由于它所描述的目标信息更加完整，所以极化数据称为国内外所研究的热点之一。经典的极化SAR分类方法包括：

Cloude等人提出了基于H/α目标分解的极化SAR图像非监督分类方法，见Cloude S R，Pottier E.An entropy based classification scheme for land applications of polarimetric SAR[J].IEEE Trans.Geosci.Remote Sensing.1997，35(1)：549-557.该方法主要是通过Cloude分解提取两个表征极化数据的特征H和α，然后根据H/α平面将极化图像划分为9个区域，其中一个理论上不可能存在的区域，因此最终将图像划分为8类。H/α分类存在的两个缺陷：一个是区域的划分过于武断；另一个是当同一个区域里共存几种不同的地物时，将不能有效区分。

Lee等人提出了基于H/α目标分解和Wishart分类器的H/α-Wishart非监督分类方法，见Lee J S，Grunes M R，Ainsworth T L，et a1.Unsupervised classification using polarimetric decomposition and the complex Wishart classifier[J].IEEE Trans.Geosci.Remote Sensing.1999，37(5)：2249-2258.该方法是在原始H/α分类基础上增加了Wishart迭代，主要是对H/α划分后的8类利用Wishart分类器对每一个像素进行重新划分，从而有效的提高了分类的精度，但是又存在不能很好的保持各类的极化散射特性的不足。

两维核主成份分析是近年来流行的特征提取方法。传统的PCA方法进行图像特征提取时，都是基于图像向量，使用这种技术时，首先必须把图像矩阵转化为一维图像向量，然后在进行PCA分析。由于将图像矩阵转化为图像向量后，形成的图像向量维数很高，同时也失去了图像高阶矩阵统计信息，但通过2D-KPCA方法可获取图像矩阵像素问的高阶相关信息。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于2D-KPCA的极化SAR图像分类方法，以提高分类效果。

为实现上述目的，本发明包括如下步骤：

步骤1，对极化SAR图像中每个像素点的协方差矩阵C进行Freeman分解，得到每个像素点的体散射功率P_v、二面角散射功率P_d和表面散射功率P_s；

步骤2，根据每个像素点的体散射功率P_v、二面角散射功率P_d、表面散射功率P_s和螺旋散射功率P_h，将极化SAR图像数据初始划分为三类，即平面散射类、二面角散射类和体散射类；

步骤3，对极化SAR图像中每个像素点的协方差矩阵C变换，得到变换矩阵

步骤4，在初始划分的基础上用2D-KPCA对每个像素点变换后的矩阵C_ij(φ)进行降维，获得类别数；

步骤5，对预分类得到的整幅图像用Wishart分类器进行迭代分类，得到最终的分类结果。

本发明与现有的技术相比具有以下优点：

1.本发明用2D-KPCA来进行极化SAR的降维分类效果更加细致也更符合极化SAR数据分布；

2.本发明可以不用对极化SAR图像进行滤波处理；

3.本发明利用三种散射功率将极化SAR图像大致划分为3大类别，然后在各大类别内进行2D-KPCA降维分类，可以很好的保持各类地物的极化散射特性；

4.本发明可根据图像的具体情况对图像自适应的进行聚类。