[发明专利]一种遥感图像地面场景分类方法

说明书

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。

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