基于语义信息和极化分解的极化SAR地物分类方法

摘要

本发明公开了一种基于语义信息和极化分解的极化SAR地物分类方法。其实现包括：对span图进行均值漂移，提取span图的边脊草图，并在边脊草图中用基于语义信息的区域提取技术提取线段聚集区域；基于线段聚集区域并采用临界区域众数投票合并策略和基于极化特征合并策略对span图均值漂移过分割区域进行合并，得到图像分割结果；融合基于语义信息的图像分割结果和基于MRF的H/α-Wishart分类结果，得到最终分类结果。本发明将语义信息、图像处理技术和极化散射特性相结合，主要解决了现有基于极化分解的分类技术对具有聚集特性地物(如森林、建筑群等)的分类结果区域一致性较差的问题，提高了具有聚集特性地物的分类结果的区域一致性和边界保持性。

说明书

技术领域

本发明属于图像处理和遥感技术领域，涉及极化SAR图像的地物分类，具体是 一种基于语义信息和极化分解的极化SAR地物分类方法，可用于含有具有聚集特性 地物的低分辨极化SAR图像的地物分类。

背景技术

极化合成孔径雷达(Polarimetric Synthetic Aperture Radar，POLSAR)图像处理是 国防建设和经济发展的重要学科，受到越来越多人的关注和研究。与普通的单极化合 成孔径雷达(Synthetic Aperture Radar，SAR)相比，极化SAR进行的是全极化测量，能 获得目标更丰富的地物信息，为更加深入地研究目标的散射特性提供了重要的依据。 极化SAR地物分类是极化SAR图像处理的重要任务之一，是极化SAR图像解译的 前提。极化SAR分割或地物分类的关键和难点在于同一地物的区域一致性和不同地 物之间的边界保持性。

极化SAR地物分类的方法有很多，主要分为三种：1)基于统计模型的分类方法； 2)基于电磁波散射机理的分类方法；3)基于图像处理技术的分类方法。基于统计模 型的方法主要有：Lee et al.根据极化协方差矩阵满足复wishart分布，提出了有监督的 极化SAR分类。但在实际的应用中，关于SAR图像类别的先验知识非常少。基于电 磁波散射机理的方法有很多，1997年，Cloude等人首先提出了H/α分类方法，通过 分解得到了地物散射熵H和表征地物散射机理的角度α，实现了无监督的极化SAR 图像分类。1999年，Lee等人在H/α分类方法的基础上结合统计分布引入了Wishart 分类器，通过对H/α分类方法的结果进行Wishart迭代提高了分类的精度。2004年， Lee等人又提出了一种保持极化散射特性的分类方法，该方法利用Freeman分解得到 的3种极化散射机理成分的功率进行初始分类，并通过Wishart迭代进行合并与类别 修正，达到了更好的分类效果。

上述方法很好的利用了极化SAR数据的散射特性和极化信息进行分类，但这种 基于像素的分类方法并没有考虑极化SAR图像的视觉特性，没有结合计算机视觉的 方法和图像处理的方法进行分类。因此，包括上述方法的传统的极化SAR地物分类 的方法存在很多缺陷：(1)同一地物的区域一致性不好，产生椒盐噪声式的分类结果 图；(2)基于传统图像处理方法的极化SAR地物分类方法，对于具有明暗相间灰度 变化的地物，如传统的基于像素点和超像素合并的分类方法都很难将这类地物分为一 类；(3)对于复杂地物，如建筑群，由于地物本身含有房屋、道路等，因此，地物散 射特性并不单一，具有明暗相间的地物散射特性，很难很好的分为一个完整的区域， 即使提取各种底层特征，使用各种区域合并的方法都很难将这些区域分在一起，但对 于低分辨极化SAR图像地物分类，从人类视觉和图像理解的角度上应该将其分为一 类。因此，底层特征的提取已经很难将这类地物很好的分在一起，基于地物特性的高 级特征需要进一步挖掘来进行分类。

综上所述，上述几种极化SAR地物分类方法的像素分类精细，但仍存在一些缺 陷，尤其对具有聚集特性的地物(如建筑群、森林等)，由于其本身地物散射不单一， 具有明暗相间的地物散射特性，分类区域一致性较差，且边界易受噪声影响，容易产 生椒盐式的分类结果。

发明内容

本发明的目的在于克服上述已有方法的不足，提出了一种基于语义信息和极化 分解的极化SAR地物分类方法，该方法对具有聚集特性的地物具有区域一致性好且 边界精准的分类结果，提高了极化SAR地物分类的效果。

本发明是一种基于语义信息和极化分解的极化SAR地物分类方法，针对事先获 取的低分辨极化SAR图像进行无监督的地物分类，分类过程包括如下步骤：

步骤1.输入待分类的极化SAR图像的数据，对该极化SAR数据进行处理，得 到极化SAR数据三个通道的幅度值，融合三个通道幅度值得到极化SAR图像的后向 散射总功率图，即span图，使用均值漂移得到span图的过分割结果图；并根据初始 草图(prime sketch)稀疏表示模型提取span图由线段组成的边脊草图，即Sketch Map。

步骤2.对Sketch Map中的线段进行语义信息分析，根据线段聚集特性的统计分 布，对线段赋予语义信息即两侧聚集、单侧聚集和孤立线段。

步骤3.在Sketch Map中，根据对线段赋予的语义信息，采用线段集合求解算法 提取若干个不相交的聚集线段集合，并对每个聚集线段集合采用区域提取方法得到线 段聚集区域R。

步骤4.对过分割结果进行区域合并：对步骤1中得到span图的过分割结果图， 将线段聚集区域R对应的过分割区域采用临界区域众数投票合并策略；提取孤立线 段所在过分割区域，采用不合并策略；对于其他区域，即剩余的区域，采用基于极 化特征的区域合并策略，得到基于语义信息的极化SAR图像分割结果。

步骤5.利用极化分解对极化SAR数据进行H/α-Wishart分类，并用马尔可夫随 机场(Markov Random Field，MRF)对H/α-Wishart分类结果进行邻域优化。

步骤6.通过众数投票(majority vote)策略将基于语义信息的极化SAR图像分割 结果和基于MRF的H/α-Wishart分类结果进行融合，得到待分类的极化SAR图像地 物分类的最终分类结果。

实现本发明的关键技术在于：针对在具有聚集性的地物(如建筑群、森林等)分类 的区域一致性较差的问题，分析可知，低分辨极化SAR图像一般包括农田、城区、 森林、山脉、桥梁等，根据人类的先验知识可知建筑群的结构线段应该很聚集且呈 球形分布，桥梁的结构线段是线形分布等，将这些认知作为先验知识，对线段所含 语义信息进行分析，赋予线段语义信息。通过对线段语义信息分析，可以提取线段聚 集区域，线段聚集区域对应于图像中建筑群、森林等地物，通过提取线段聚集区域 得到了这些地物的一致区域，根据线段的语义信息分析，可以将过分割图像划分为 线段聚集区域、孤立线段所在区域和无线段区域，线段聚集区域对应于建筑群等地 物，孤立线段所在区域对应于线目标等，无线段区域一般对应于海洋、农田等地 物，本发明对不同区域采用不同的合并策略，针对不同类型的地物采用更有针对性 的合并策略，使各种地物都能够得到较好的合并，最后将分割和分类结果融合，将 语义信息和极化信息有机结合，得到区域一致性好且边界精准的分类结果，解决了 具有聚集性地物的分类区域一致性较差的问题。

本发明与现有技术相比具有如下优点：

1.从语义信息的分析上，本发明利用Primal Sketch稀疏表示模型得到span图的 Sketch Map，根据Sketch Map，对线段包含的语义信息进行分析，提出了基于线段语 义信息分析的区域划分技术，在Sketch Map上有效了提取了线段聚集区域。这些线 段聚集区域对应于极化SAR图像中的城区、森林等地物。这些地物由于存在明暗相 间的灰度变化而经常被分为多类，本发明很好的克服了这个缺点，有效提高了线段 聚集区域分类的区域一致性。

2.从图像处理技术上，在均值漂移过分割区域进行合并时，本发明对不同类型 的地物区域采用不同的合并策略，区域合并更有针对性，保证了不同地物区域都能 得到较好的合并，得到了基于语义信息的分割结果。

3.从极化分解上，本发明使用H/α-Wishart分类，并用MRF进行邻域优化，得到 像素级的分类结果，最后融合分割和分类结果，使用分割区域指导分类的区域一致 性，同时分类结果也帮助分割区域的进一步合并，分割和分类相互作用得到更好的 分类结果。本发明结合了图像处理的技术和基于电磁波散射机理的技术，融合了语 义信息和极化信息，将语义信息、图像处理技术和极化散射特性相结合，提高了极 化SAR地物分类结果的区域一致性和边界保持性。

附图说明

图1是本发明对极化SAR数据地物分类的流程图；

图2是本发明使用的NASA/JPL AIRSAR L波段的全极化San Francisco数据的 span图；

图3是本发明中均值漂移得到的过分割结果图；

图4是采用本发明得到的边脊草图，即Sketch Map

图5是本发明中线段的语义信息树型结构图；

图6是采用本发明得到的赋予语义信息的边脊草图；

图7是本发明中的线段聚集区域提取过程示意图；

图8是本发明中基于语义信息分析的线段聚集区域提取结果图；

图9是本发明中线段聚集区域对应的过分割区域合并结果图；

图10是本发明中基于语义信息的图像分割结果图；

图11是本发明中对分割和分类结果融合过程的示意图；

图12是本发明使用的NASA/JPL AIRSAR L波段的全极化San Francisco数据的 span图；

图13是本发明中基于MRF的H/α-Wishart分类结果图；

图14是本发明的分类结果图。

具体实施方式

实施例1

本发明是基于语义信息和极化分解的极化SAR地物分类方法，针对事先获取的 低分辨极化SAR图像进行无监督的地物分类，参照图1，本发明的分类过程实现步 骤包括：

步骤1，输入待分类的极化SAR图像的数据，对该极化SAR数据进行处理，得 到极化SAR数据三个通道的幅度值，融合三个通道幅度值得到极化SAR图像的后向 散射总功率图，如图2所示，即NASA/JPLAIRSAR L波段的全极化San Francisco数 据的span图。对span图使用均值漂移得到span图的过分割结果图；并根据prime  sketch稀疏表示模型提取span图由线段组成的边脊草图，即Sketch Map。

首先对极化SAR数据进行处理得到协方差矩阵，根据协方差矩阵对角线元素的 三个值得到三个通道的幅度值，融合三个通道幅度值得到极化SAR图像的span图。 在span图上进行第一个操作是使用均值漂移得到span图的过分割结果图，如图3所 示。

第二个操作是采用边-脊检测稀疏编码方法提取Sketch Map，其提取步骤包括：

首先，构造N个尺度和M个方向的高斯一阶导滤波器和高斯二阶导滤波器，形 成滤波器组。其中N取值为3，且M取值为18。如图2所示为span图像，将span 图像与滤波器组进行卷积，得到每个像素的联合响应，提取联合响应的最大值作为 该像素的边/脊强度，且将最大响应滤波器的方向作为该像素的局部方向。对边/脊强 度图进行非极大抑制处理，得到建议草图根据建议草图中最大联合响应的 位置，把建议草图中与该位置连通的点连接成线段，生成一个边/脊原始模型 S_sk，0；

其次，在边脊模型中添加新线段，评价图像的编码长度增益ΔL，若ΔL＜ε，ε 是阈值，取值为10，则拒绝接受该线段，否则接受，并搜索，将建议草图中该新 线段末端与其余像素在平均拟合误差内的分割线作为下一个新建议线段，若存在新 建议线段，则重新计算添加该新建议线段后的图像编码长度增益ΔL，若ΔL＜ε则拒 绝接受该新建议线段，否则接受该新建议线段，迭代地添加新线段，直到不存在新 建议线段即得到了边脊草图，如图4所示，即为Sketch Map。

步骤2，对Sketch Map中的线段进行语义信息分析，根据线段聚集特性的统计分 布，对线段赋予语义信息即两侧聚集、单侧聚集和孤立线段。

2.1针对低分辨率极化SAR图像，对于具有聚集特性的地物，以建筑群为例， 其线段是由亮的建筑物和暗的地面形成的，这样的结构反复出现，则形成了建筑 群，其对应的sketch线段特点通常是分布密集，且线段方向大多成近似水平和垂 直。对于森林地物，其sketch线段也分布密集，但线段方向杂乱无章。对于桥梁， 其sketch线段成流形分布等。因此，线段的分布结构都含有一定的语义信息，根据 不同地物类型对应的sketch线段的分布不同，得出线段主要对应于三种地物信息： 线目标、球形聚集分布的地物和不同地物之间的边界。

2.2两个线段之间的距离定义为线段中点的欧式距离，用线段K近邻的平均距离 表示线段的聚集程度；根据线段的聚集性的统计分布，将线段赋予语义信息：聚集 线段和孤立线段；根据聚集线段的拓扑结构可以分为两侧聚集和单侧聚集。

2.3根据线段聚集性的统计分布，将线段的语义信息以树型结构表示，如图5所 示，即线段的语义信息树型结构示意图。两侧聚集对应于森林、建筑群等地物；单 侧聚集对应于一边有森林或建筑群等地物的边界；孤立线段对应于线目标、桥梁等 流形地物或两种不同地物的边界。图6显示了赋予线段语义信息的Sketch Map，其 中，灰色线段为聚集线段，黑色线段为孤立线段。

本发明根据线段聚集特性的统计分布，对线段赋予语义信息，赋予的语义信息有 两侧聚集、单侧聚集和孤立线段，线段的语义信息分析是线段聚集区域提取的前提， 为后面的地物区域划分提供依据。

步骤3，在Sketch Map中，根据对线段赋予的语义信息，采用线段集合求解算法 提取若干个不相交的聚集线段集合，并对每个聚集线段集合采用区域提取方法得到线 段聚集区域R。

3.1符号定义：sketch线段集合为S；空间约束阈值δ₁；线段生长阈值δ₂；满足 空间约束线段集合U；聚集线段集合线段聚集 区域R＝{r₁，r₂，…，r_m}；

3.2首先采用线段集合求解算法，本算法类似于区域生长的方法，不过本发明是 以线段为基元进行生长的，得到聚集的线段集合，利于线段聚集区域的提取，具体步 骤如下：

3.2.1首先得到sketch集合S，依据森林、建筑群等线段聚集区域的线段具有聚集 性，对每条线段的k近邻进行统计，计算每条线段的k近邻平均距离，从k近邻平均 距离的直方图统计看出图像线段是否具有聚集性，如果具有某种聚集性，说明有存在 这样的地物，根据直方图统计，得到空间约束阈值δ₁和线段生长的阈值δ₂。

3.2.2初始设T_i为空集；根据种子线段的阈值得到初始种子线段随机选取种子线段进行生长，此时，生长的准则为，如果线段的某个近 邻满足线段生长阈值δ₂，则生长为聚集线段集合遍历其k近邻直到没 有可生长的线段，假设此时对此时T_i中没有遍历过的线段，依次 作为种子线段进行生长，这样迭代生长直到所有生长进来的线段不能再生长为止，此 时得到一个聚集线段集合T_i。

3.2.3若初始种子线段集合U中还有线段未进行生长，则选一条线段为种子线段 继续生长，这样迭代生长，直到所有的初始种子线段都得到生长。最后得到若干个不 相交的线段集合T_k。

3.3对每个聚集线段集合采用区域提取方法：在线段集合的基础上，以圆形的基 元进行区域提取得到聚集线段集合所在的区域。

3.3.1圆形基元构造：取线段生长阈值δ₂为圆的半径构造圆盘。采用圆形是为了 保持区域边界的平滑特性，半径取δ₂是为了保证填充线段间的最大间隙。因为同一线 段聚集区域其线段间隔应该是相近的，而生长阈值δ₂代表了生长出的线段集合的最大 线段间隔，因此，这里取δ₂作为圆盘半径。

3.3.2闭操作：使用结构元素B对集合A的闭操作，表示为A·B，定义为

其中，表示B对A进行膨胀操作，表示B对A进行腐蚀操作。

这个公式说明，使用结构元素B对A的闭操作，就是用B对A进行膨胀，然后 用B对结果进行腐蚀。图7为本发明中的线段聚集区域提取过程示意图，在图7(a) 中，结构元素B为上面构造的圆形基元，集合A是由线段构成的集合。对集合A进 行膨胀是指使用结构B在图像A中线段上的每一点移动，所有位移的集合即为膨胀 后的结果。膨胀操作如图7(b)所示，膨胀结果如图7(c)所示。膨胀之后进行腐蚀操作， 腐蚀操作如图7(d)所示，最终的闭操作结果如图7(e)所示。从图中可以看出，闭操作 得到了线段集合A所在的区域，消除了狭长的细缝，得到了一致的连通区域。对每个 聚集线段集合都进行区域提取，得到线段聚集区域R，图8显示了线段聚集区域提取 的结果。

步骤4，对过分割结果进行区域合并：在线段聚集区域R对应的过分割区域采用 临界区域众数投票合并策略；提取孤立线段所在过分割区域，采用不合并策略；对 于其他区域采用基于极化特征的区域合并策略，得到极化SAR图像分割结果。

4.1线段聚集区域对应的过分割区域采用临界区域众数投票合并策略：由于线 段聚集区域的区域一致性好，但边界不精准，而过分割的边界精准，因此，对于线 段聚集区域的边界和过分割区域边界不吻合情况，采用临界区域众数投票合并策 略；对于线段聚集区域和过分割区域的重叠情况有两种：一是某些过分割区域被线 段聚集区域全部覆盖；二是线段聚集区域的边缘区域和过分割区域部分重叠，这里 将边缘部分重叠区域叫做临界区域。对于第一种情况，直接合并均值漂移过分割区 域，对于第二种情况，根据众数投票策略，如果线段聚集区域占过分割区域的50％ 以上，则将这个过分割区域全部合并为线段聚集区域，否则，将其划分为无线段区 域；最后在过分割图中得到合并的线段聚集区域这就保证了这些很难合并的过 分割区域得到很好的合并。图9显示了合并后的线段聚集区域的结果，可以看出， 建筑群这种线段聚集区域得到了很好的合并。

4.2对于孤立线段，提取其所在的过分割区域。对这些区域不进行合并。根据线 段的语义信息分析，对于孤立线段对应于图像中的线目标或者两种地物的边界，在进 行区域合并时，如果对孤立线段所在区域进行合并，则会使线目标消失，或者两个不 同的区域合并。因此，本发明对孤立线段所在的区域不进行区域合并。

4.3对于其他区域，定义为无线段区域，采用基于极化特征的合并策略。首先将 均值漂移得到的每个过分割区域看作超像素，统计超像素的极化特性，采用三通道 灰度直方图统计作为特征，对于每个通道，将灰度值量化为16份，然后计算在这个 特征空间的区域直方图。三个通道共有16×3＝48份。每个区域可以用一个48维的向 量表示，如用Hist_p表示区域P的归一化直方图特征。

根据Bhattacharyya系数计算公式，计算两个区域P和Q的相似性ρ(P，Q)，ρ(P，Q) 定义如下：

$\rho (P,Q)=\underset{u=1}{\overset{48}{\Sigma }}\sqrt{{\mathrm{Hist}}_P^u·{\mathrm{Hist}}_Q^u}---\left(1\right)$

其中，Hist_P和Hist_Q分别是R和Q的归一化直方图。上标u表示直方图的第u 个分量。

设定合并阈值U，相似性大于阈值的相邻区域进行合并，合并后的区域再次计 算直方图特征，迭代合并直到没有可合并的区域为止，得到基于语义信息的分割结 果。图10为基于语义信息的分割结果。

本发明不仅提出了基于语义信息的线段聚集区域提取方法提取边脊草图上的线 段聚集区域，还采用不同策略对过分割区域进行合并：对线段聚集区域，采用临界 区域众数投票策略指导过分割块的区域合并；对于孤立线段所在的过分割区域，采 用不合并策略；剩下的区域为无线段区域，采用基于极化信息的区域合并策略。本 发明结合了语义信息对线段聚集区域进行提取，对不同类型的区域采用不同的合并 策略，很好的解决了线段聚集的区域分类难的问题。

步骤5，利用极化分解对极化SAR数据进行H/α-Wishart分类，并用Markov  Random Field对H/α-Wishart分类结果进行邻域优化。

5.1使用H/α-Wishart分类方法得到初始的分类结果其中S是像 素点的集合。Wishart距离采用的是Kersten等修正后的基于wishart分布的距离测 度。l^[0]中每个像素标记L为总的类别数。这里L＝8。

5.2给定一组观测值O＝{T_s|s∈S}，其中，T_s是像素点s的极化相干矩阵。已知 协方差矩阵服从复wishart分布。根据初始分类结果，使用第i类的观测样本 来估计该类的分布参数σ，并计算L×L的类间距离矩阵D：

$D_{\mathrm{ij}}=d\left(E\right[T_s|l_s^{\left[0\right]}=i],E\left[T_s\right|l_s^{\left[0\right]}=j\left]\right)---\left(2\right)$

其中D_ij表示第i类和第j类的距离，d表示平均相干矩阵的欧式距离。

5.3基于MRF的框架，数据项是每个像素点的类似然值，平滑项是类间距离。最 小化能量函数如下：

$E\left(l\right)=-\underset{s\in S}{\Sigma }\ln \left(P\left(T_S\right|{\theta }_{l_s})\right)+{\lambda }_1\underset{s\in S}{\Sigma }\underset{t\in N_s}{\Sigma }{D}_{l_s{l}_t}---\left(3\right)$

其中，是像素s处观测数据的类条件概率，N_s是像素s的邻域像素集合。 λ₁是正则化参数。式(3)中的总能量通过α-expansion算法来最小化。

步骤6，融合基于语义信息的分割结果和基于MRF的H/α-Wishart分类结果。

本发明结合了分割结果的区域一致性和分类结果的像素级精准性的优点，得到 更加好的分类结果。这种融合策略组合了无监督分割和基于像素的分类结果，基于 maiority vote策略来进行分类，得到待分类的极化SAR图像地物分类的最终分类结 果。图11为分割和分类结果融合过程示意图，其主要步骤包括：

6.1分割：分割得到一致的区域，区域数要大于最终类别数，且稍稍高于分类 数目；图11(a)为4个分割区域的分割示意图，其中用1～4来表示4个分割区域；

6.2基于像素的分类：基于图像的散射特性进行像素级的分类，图11(b)为基于像 素点的分类示意图，其中用白色、黑色和灰色代表三类。

6.3融合分割和分类：采用majority vote策略，对于分割图中的每个区域，选择 对应的分类结果中像素个数最多的类别作为这个区域的类别，将最终分类结果图的对 应区域标记为该类别。这样使分类结果的区域一致性大大提高。需要注意的是，在 majority vote中，像素的邻域不是固定的邻域窗，而是分割属于同一个区域中的像 素。图11(c)为对分割图和基于像素点的分类结果进行融合的示意图，对该图中每个 区域采用众数投票策略，得到图11(d)所示的分类结果。经过融合分割和分类结果， 得到待分类的极化SAR图像地物分类的最终分类结果图，如图14所示。

本发明利用Primal Sketch稀疏表示模型得到span图的Sketch Map，根据Sketch  Map，对线段包含的语义信息进行分析，提出了基于线段语义信息分析的线段聚集 区域提取技术，在Sketch Map上有效了提取了线段聚集区域。这些线段聚集区域对 应于极化SAR图像中的城区、森林等地物。这些地物由于存在明暗相间的灰度变化 而经常被分为多类，本发明很好的克服了这个缺点，有效提高了线段聚集区域分类 的区域一致性。同时，为保持极化散射特性，对极化SAR数据进行H/α-Wishart分 类，并用MRF进行邻域优化。基于极化分解的分类结果精细，但杂点较多，因此， 本发明融合分割结果和基于MRF的H/α-Wishart分类结果，得到待分类极化SAR图 像的地物分类结果。将语义信息和极化分解有效的融合得到最终的分类结果。

实施例2

基于语义信息和极化分解的极化SAR地物分类方法同实施例1，仿真的数据和 图像说明如下：

1.仿真条件

(1)选取NASA/JPL AIRSAR L波段的全极化San Francisco数据；

(2)仿真实验中，Primal Sketch稀疏表示模型中的参数N取值为3，M取值为18， 阈值ε取值为20；

(3)仿真实验中，近邻数k取9；

(4)仿真实验中，种子线段阈值δ₁取20；线段生长阈值δ₂取12；

(5)仿真实验中，区域合并阈值U取0.7；

(6)仿真实验中，基于MRF的H/α-Wishart分类中邻域窗选择为3*3。

2.仿真内容与结果

利用NASA/JPLAIRSAR L波段的全极化San Francisco数据，用本发明对其进行 地物分类。图12为span图，与图2为同一幅图，为方便对分类结果进行评价，将图 12、图13、图14一并显示，图14为本发明的分类结果图。从图中可以看出，本发 明分类结果的区域一致性较好且边界部分也比较精准，尤其对建筑群区域，能够得到 一个大的一致区域，更符合人类视觉对图像的理解，对桥梁这种线目标，本发明的策 略能够得到较好的分类结果，能够将桥梁很好的分出来。综上所述，由于语义信息的 加入，本发明能够得到更适用于人类进行图像理解的分类结果，地物的区域一致性和 边缘精准性都得到了提高。

实施例3

基于语义信息和极化分解的极化SAR地物分类方法同实施例1-2，其中基于MRF 的H/α-Wishart分类方法同实施例1中的步骤5，作为本发明的对比实验，仿真的数据 和结果如下：

1.仿真条件

(1)选取NASA/JPLAIRSAR L波段的全极化San Francisco数据；

(2)仿真实验中，基于MRF的H/α-Wishart分类中邻域窗选择为3*3。

2.仿真内容与结果

利用NASA/JPL AIRSAR L波段的全极化San Francisco数据，用基于MRF的 H/α-Wishart分类方法进行分类，该方法是基于像素点的分类方法，图12为span图， 图13为基于MRF的H/α-Wishart分类方法的结果。从图中可以看出，该方法分类精 细，但产生椒盐式的分类结果，尤其是对于建筑群这种具有聚集特性的地物，由于其 包含建筑物和道路等，它们的散射类型不一致，因此产生不一致的分类结果，但对于 低分辨极化SAR图像，我们在进行图像理解时，希望能够得到一致的建筑群分类结 果，因此，该方法对具有聚集特性的地物分类区域一致性较差，边界也易受噪声影响。

本发明与基于MRF的H/α-Wishart分类方法的结果对比：

将本发明与基于MRF的H/α-Wishart分类的地物分类结果进行对比。实验结果如 下，图12是为span图，图13是基于MRF的H/α-Wishart分类的结果图，图14为本 发明的分类结果图。对比图13和图14可以看出，本发明较基于MRF的H/α-Wishart 分类，其建筑群区域采用基于语义信息分析的区域提取方法，提高了这类复杂地物的 区域一致性，基于均值漂移过分割结果合并，边界也更精准。最后和基于Markov  Random Field和极化信息的分类方法的融合提高了分类精度。

综上所述，本发明的基于语义信息和极化分解的极化SAR地物分类方法。其实 现包括：对span图进行均值漂移，提取span图的边脊草图，并在边脊草图中用基于 语义信息的区域提取技术提取线段聚集区域；采用临界区域众数投票合并策略和基 于极化特征合并策略对span图均值漂移过分割区域进行合并，得到分割结果；融合 基于语义信息的图像分割结果和基于MRF的H/α-Wishart分类结果，得到最终分类结 果。本发明将语义信息、图像处理技术和极化散射特性相结合，主要解决现有基于 极化分解的分类技术对具有聚集特性地物的分类结果区域一致性较差的问题，提高了 具有聚集特性地物(如森林、建筑群等)分类结果的区域一致性和边界保持性，克服了 基于像素级分类的缺点，获得了良好的极化SAR地物分类效果。