一种利用两种不同频率下的极化SAR图像进行分类的方法

摘要

本发明公开了一种利用两种不同频率下的极化SAR图像进行分类的方法，该方法包含以下步骤：(1)极化SAR图像的特征提取；(2)计算在两种频率下的特征变化量；(3)特征平面划分；(4)初始类划分；(5)迭代修正。本发明利用了不同地物的特征随频率变化时所表现出的不同的变化趋势和变化量，基于特征平面划分实现初始类别划分，并采用迭代方法进行修正。该分类方法不需要类合并过程，所划分出的各个初始类别具有明确的物理意义，并且类别数目的控制灵活。

说明书

技术领域：

本发明提出了一种双频极化合成孔径雷达(POL-SAR)图像的分类方法，属于SAR图像解译领域。

背景技术：

目标的自动分类一直是SAR图像应用研究的一个重要内容，它通过研究目标散射回波来提取目标特征，分析目标特性，实现对不同类目标的自动区分。雷达接收的电磁波不仅与极化方式有关，而且与电磁波的频率有关系，不同波长的入射波会与复杂目标的不同部分互相作用，因而目标会展示出不同的散射特性。因此，多频、多极化SAR图像比单频、单极化图像包含了更加丰富的目标信息，在军事侦察、资源规划、环境检测，农作物长势分析、海洋目标检测等诸多方面都具有重要的应用潜力。随着极化SAR理论和系统的发展，涌现出了很多针对单频多极化SAR图像分类的理论和方法，如基于相干矩阵特征分解的H/α分类和H/α/A分类方法、基于协方差矩阵(或相干矩阵)的WISHART分布的极大似然分类方法等。而针对多频、多极化SAR图像分类的有效方法相对较少，最常用的方法是对两个频率的图像分别进行分类，然后对两个频率的分类结果进行组合。通常单频极化SAR图像在较简单的场景下会保留几类目标，在复杂的场景会保留十几类目标，假定两个频率分别保留了m1和m2类目标，则双频组合后至多可以保留m1*m2类目标，显然，这种双频组合使得类别数目急剧增加，必须要经过专门的类合并过程来减少类别数目。

发明内容：

本发明的目的是针对目前应用的双频极化SAR图像分类中产生的类别数目较多，需要初始类合并过程来减少类别数目的问题给出了一种既能充分利用双频极化SAR的信息，又不需要类合并过程的双频极化SAR图像分类方法。

本发明的理论基础是，当改变照射目标的电磁波的频率时，从目标回波中提取的反映目标散射机理的特征也将发生变化，但不同散射机理的目标的特征量的变化趋势和变化量不同。利用这种特征变化趋势和变化量的不同可以区分不同类别的目标。

本发明遵循了以下的技术方案：一种双频极化SAR图像分类的方法，具体实现中包括以下步骤：

(1)极化SAR图像的特征提取；

(2)计算特征变化量；

(3)特征平面划分；

(4)初始类划分；

(5)迭代修正。

与现有技术相比，本发明的优势在于，通过特征量变化平面所划分出的目标类别可以直接应用于迭代修正过程，而不需要进行类合并处理，并且所划分出的各个类别具有明确的物理意义。

附图说明：

图1：双频极化SAR图像分类流程图

图2：特征量变化平面划分示意图

其中，101：特征量提取

102：计算特征变化量

103：特征平面划分

104：分类

105：迭代修正

具体实施方式：

进行地物分类是SAR图像应用中的一个重要方面，而极化SAR包括了比单极化SAR更丰富的信息，双频率极化SAR则是利用了两个不同频率下的极化SAR图像，包含的信息量进一步增加，利用双频率极化SAR图像可以获得比单极化SAR图像和单频率极化SAR图像更精确的分类结果。本发明的双频率极化SAR图像分类方法的流程如图1所示，首先对输入的不同频率的极化SAR图像，分别进行特征量提取101；然后对不同频率下的特征量相减，计算特征变化量102；对采用的特征构成特征平面，将特征平面划分为不同的区域103；在特征平面划分的基础上实现双频极化SAR图像的初始分类104；最后对初始分类结果进行迭代修正105。具体的实现步骤如下：

1、极化SAR图像的特征提取

极化SAR图像中的特征提取方法很多，其中基于特征分解所提取的特征为目前应用最为广泛的方法之一，对于两种具体不同频率的极化SAR图像，同样可以采用特征分解方法分别提取特征量。极化SAR图像中目标特征分解如下式

$T=\mathrm{U\Lambda }{U}^{-1}=U\left(\begin{array}{ccc}{\lambda }_1& 0& 0\\ 0& {\lambda }_2& 0\\ 0& 0& {\lambda }_3\end{array}\right)U^{-1}$

式中，T为目标的特征矩阵，且为埃米特矩阵，

U＝[e₁ e₂ e₃]，$e_i=\left(\begin{array}{c}\cos {\alpha }_i·e^{j{\phi }_i}\\ \sin {\alpha }_i·\cos {\beta }_i·e^{j{\delta }_i}\\ \sin {\alpha }_i·\sin {\beta }_i·e^{j{\gamma }_i}\end{array}\right)$

其中，j为虚数单位，λ_i为T的非负特征值，并有λ₁≥λ₂≥λ₃，e_i为特征分解过程中所得到的与λ_i相对应的特征向量，α_i表示散射体内部自由度，对应一定的散射机理，其取值范围为0°≤α_i≤90°，β_i为目标关于雷达视线的方向角，φ_i，δ_i，γ_i为目标散射相位角。定义目标散射熵(H)、散射角(α)、极化度(PD)和反熵(A)为：

$H=\underset{i=1}{\overset{3}{\Sigma }}-P_i{\log }_3{P}_i$

$\alpha =\underset{i-1}{\overset{3}{\Sigma }}{P}_i{\alpha }_i$

$\mathrm{PD}=\frac{P_1-P_2}{P_1+P_2}$

$A=\frac{P_2-P_3}{P_2+P_3}$

其中，为相关矩阵特征值的概率。

上面的公式所定义的特征反映了目标的散射特性，可以用作目标分类的依据，假定两种不同的成像频率分别为f₁和f₂，目标在两种成像频率下所提取的特征分别记为H₁，α₁，PD₁，A₁和H₂，α₂，PD₂，A₂。

2、计算特征变化量

对同一目标，使用不同频率的电磁波照射时，反映目标散射特性的特征也将发生变化，但不同散射机理目标的特征的变化趋势和变化量不同。为表示这种变化趋势和变化量的不同，在对不同频率下的极化SAR图像提取特征的基础上，可以定义频率变化时(f₁→f₂)的特征变化量如下式所示。

$\mathrm{\Delta G}=\frac{G_2-G_1}{G_2+G_1}$

式中的G₁和G₂分别为频率f₁和f₂下的极化SAR图像提取出的特征。由定义式可以看出，得到的特征变化量的取值范围为[-1，1]。

以步骤1中所提取的四类特征为例，分别得到其特征变化量如下：

$\mathrm{\Delta H}=\frac{H_2-H_1}{H_2+H_1}$

$\mathrm{\Delta \alpha }=\frac{{\alpha }_2-{\alpha }_1}{{\alpha }_2+{\alpha }_1}$

$\mathrm{\Delta PD}=\frac{{\mathrm{PD}}_2-{\mathrm{PD}}_1}{{\mathrm{PD}}_2+{\mathrm{PD}}_1}$

$\mathrm{\Delta A}=\frac{A_2-A_1}{A_2+A_1}$

上式就表示在成像频率变化时，目标特征的变化趋势和变化量，它们反映了目标散射机理上的差异，因此这些特征的变化程度可以作为新的特征量应用于目标分类。这些新的特征量与对应目标在散射机理上的关系如下表1所示。

表1目标特征量的变化所对应的散射机理

3、特征平面划分

从第2步所提取的特征变化量中，任取两个，即可组合为特征平面，如图2所示，可以将特征平面划分为不同的区域，区域的个数即为分类中所要保留的类别数目，图2所示的特征平面的各个区域的物理意义如下，在成像频率变化时(f₁→f₂)：

0区：特征1和特征2对频率的变化不敏感；

1区：特征1对频率变化不敏感，特征2随频率变化而增大；

2区：特征1随频率变化而增大，特征2随频率变化而增大；

3区：特征1随频率变化而增大，特征2对频率变化不敏感；

4区：特征1随频率变化而增大，特征2随频率变化而减小；

5区：特征1对频率变化不敏感，特征2随频率变化而减小；

6区：特征1随频率变化而减小，特征2随频率变化而减小；

7区：特征1随频率变化而减小，特征2对频率变化不敏感；

8区：特征1随频率变化而减小，特征2随频率变化而增大。

需要说明的是，图2所给出的只是其中的一种划分方法(保留9类)，根据所要保留的类别数目的不同，还可以进行其他方式的划分。

4、初始类划分

在第3步特征平面划分的基础上，根据目标落入特征平面上的区域对目标进行类别划分，如果目标在特征平面上位于第n个区域，则目标属于第n类，这样就实现了初始类划分。

以图2为例，假定落入第1区内的目标集合为

{v_i＝(x_i，y_i)}，i∈N

式中，(x_i，y_i)为目标v_i在特征平面上的位置坐标，N表示自然数集。

第1区内目标的类中心可表示为

c₁＝(<x_i>，<y_i>)

式中的<·>表示取均值运算。

5、迭代修正

实际应用中的目标分类是一个非常复杂过程，通常需要多次迭代才能获得好的结果，上面第4步所进行的分类仅是一种较为初步的分类，以第4步获得的分类结果为初始条件，进一步采用迭代分类方法对极化SAR图像中的目标做进一步的修正，迭代分类的方法很多，其中基于WISHART分布的迭代分类方法是一种高效的极化SAR图像分类方法，一般经过3～5次迭代就可以获得较稳定的分类结果，该方法在应用中需要提供初始类，在第4步得到的初始类的基础上，进一步采用WISHART迭代修正，实现双频极化SAR图像的分类。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。