一种自适应邻域约束的极化SAR图像模糊分类方法技术

本发明专利技术提供一种自适应邻域约束的极化SAR图像模糊分类方法，主要解决经典FCM方法对极化SAR图像分类效果不理想的问题：一是欧式距离不适用于复杂的极化SAR数据结构；二是分类时忽视了像素的邻域信息。该方法首先以经典的FCM对极化SAR数据进行初始粗分类，以获得初始的聚类中心与模糊隶属度矩阵；然后构造了新的邻域信息约束项，可根据相邻像素的空间距离和特征空间相似性自适应地调整约束力的大小；再将邻域信息约束项引入到FCM目标函数中，构造了新的目标函数；同时采用核空间距离替代欧式距离。在实测的极化SAR数据集上进行了分类效果的验证，本发明专利技术在图像分类上的分类指标均优于对比方法。于对比方法。于对比方法。

【技术实现步骤摘要】
一种自适应邻域约束的极化SAR图像模糊分类方法


[0001]本专利技术涉及图像处理
，具体涉及一种自适应邻域约束的极化SAR图像模糊分类方法。

技术介绍

[0002]极化合成孔径雷达(Polarimetric Synthetic Aperture Radar，PolSAR)是一种先进的对地观测成像系统，可不受光源、云、雾、雨雪等天气因素限制，具有全天时、全天候和高分辨成像的优势，是遥感信息获取的重要手段之一。与SAR系统相比，全极化SAR可提供更丰富的地物极化散射信息，广泛应用于目标检测、城市规划、变化检测等领域。极化SAR图像分类技术是极化SAR系统成功应用与推广的关键，因此针对极化SAR图像分类方法的研究受到业内学者们的广泛关注。
[0003]模糊C均值(fuzzy C
‑
mean clustering，FCM)方法是经典的无监督软聚类算法，它在对未标记的像素进行分类时，不需要预先训练样本，具有简单易实施、运算量低的优势。针对不含噪声或者噪声较弱的图像，它可以取得较好的分类效果。但当其直接应用于含大量相干斑噪声的极化SAR图像时，分类效果并不甚理想。一方面，FCM方法中采用的非相似性测度是欧式距离，并不适用于复杂的极化SAR数据结构。另一方面，FCM方法在分类时忽视了像素的邻域信息，而在实际中相邻像素具有很强的相关性。

技术实现思路

[0004]为克服上述技术中的不足，本专利技术的目的是提供一种自适应邻域约束的极化SAR图像模糊分类方法，提高极化SAR图像分类的准确性和对噪声的鲁棒性，为极化SAR数据应用提供技术支持。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种自适应邻域约束的极化SAR图像模糊分类方法，包括以下具体步骤：
[0007]S1、设置聚类类别数目c，加权系数m，邻域窗口大小Winsize，最大迭代次数itern，迭代次数起始值b＝0，迭代停止阈值ε；
[0008]S2、采用经典FCM算法对极化SAR图像进行粗聚类，获得初始的聚类中心和隶属度矩阵U；
[0009]S3、计算每个像素与聚类中心的核空间距离；
[0010]S4、计算每个像素的局部邻域信息G
ik
；
[0011]S5、计算新的隶属度矩阵U；
[0012]S6、计算新的聚类中心V；
[0013]S7、计算新的目标函数值J；
[0014]S8、若或者当前迭代次数b＞itern，则终止迭代过程，并输出隶属度矩阵U、聚类中V；否则返回步骤S3，继续下一次迭代。
[0015]S9、去模糊化。根据最大隶属度原则，将每个像素划分到隶属度最大值所对应的类
中，并分配对应的类别标签。
[0016]具体的，步骤S2中，以原始极化SAR数据T矩阵中的元素作为经典FCM算法的特征输入，特征表达式为：
[0017]F＝[T
11 Re(T
12
) Re(T
13
) T
22 Re(T
23
) T
33 Im(T
12
) Im(T
13
) Im(T
23
)]ꢀꢀꢀꢀ
(1)
[0018]其中，Re(
·
)表示元素的实部，Im(
·
)表示元素的虚部。
[0019]具体的，步骤S3的具体实施步骤为：
[0020]S301、计算图像中每个像素与聚类中心的修正Wishart距离，并计算公式为：
[0021][0022]其中，V
k
表示第k个聚类中心的相干矩阵，ln表示对数运算，
·
‑1表示矩阵求逆运算。
[0023]S302、计算每个像素与聚类中心的核空间距离，计算公式为：
[0024][0025]其中，ρ(
·
)表示Huber函数，其值只与距离d
RW
有关；
[0026]具体的，步骤S4中局部空间大小是一块3
×
3的邻域，邻域内的中心像素有8个相邻像素。
[0027]进一步的，步骤S4中计算每个像素的局部邻域信息G
ik
，具体为：
[0028]S401、计算邻域内中心像素与相邻像素的欧式空间距离，计算公式为：
[0029][0030]其中，(x
i
，y
i
)、(x
j
，y
j
)是中心像素与邻域像素的空间位置坐标。
[0031]S402、计算中心像素与邻域像素在特征空间中的相似性，计算方式为：
[0032]s
ij
＝u
ik
×
u
jk
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0033]其中，u
ik
、u
jk
分别表示邻域内中心像素x
i
和其邻域像素x
j
与聚类中心V
k
的隶属度。像素x
i
和像素x
j
在特征空间中越相似，s
ij
的值越大，邻域项作用力越大。
[0034]S403、计算中心的像素的模糊因子，计算公式为：
[0035][0036]具体的，步骤S5中所述的计算新的隶属度矩阵U，计算公式为：
[0037][0038]具体的，步骤S7中所述的计算新的目标函数值，新的目标函数构造为：
[0039][0040]与现有技术相比，本专利技术具有以下有益的技术效果：
[0041]第一，本专利技术引入了像素的邻域信息，包括空间位置信息和特征空间信息，可提高算法对含噪声极化SAR图像的分类效果。
[0042]第二，本专利技术引入的邻域信息，可以根据中心像素与邻域像素在位置空间中的相似性，自适应的调整作用力的大小；
[0043]第三，本专利技术引入的邻域信息，可以根据中心像素与邻域像素在特征空间的相似性，自适应的调整作用力的大小；
附图说明
[0044]图1为本专利技术实施的步骤流程示意图；
[0045]图2为中心像素的邻域模型；
[0046]图3为中心像素与邻域像素的空间距离示意图；
[0047]图4为本专利技术所用数据集，其中(a)为Pauli伪彩色图，(b)为其类别真值图，(c)为类别标签；
[0048]图5为本专利技术与现有方法的分类结果图，其中，(a)为Wishart_KM方法分类结果，(b)为FCM方法分类结果，(c)为KFCM方法分类结果，(d)为本专利技术方法(PM)的分类结果；
[0049]图6为本专利技术与现有方法的分类结果图，隐去了未标记像素部分结果，其中，(a)为Wishart_KM方法分类结果，(b)为FCM方法分类结果，(c)为KFCM方法分类结果，(d)为本专利技术方法(P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应邻域约束的极化SAR图像模糊分类方法，其特征在于，包括以下具体步骤：S1、设置聚类类别数目c，加权系数m，邻域窗口大小Winsize，最大迭代次数itern，迭代次数起始值b＝0，迭代停止阈值ε；S2、采用经典FCM算法对极化SAR图像进行粗聚类，获得初始的聚类中心和隶属度矩阵U；S3、计算每个像素与聚类中心的核空间距离；S4、计算每个像素的局部邻域信息G
ik
；S5、计算新的隶属度矩阵U；S6、计算新的聚类中心V；S7、计算新的目标函数值J；S8、若或者当前迭代次数b＞itern，则终止迭代过程，并输出隶属度矩阵U、聚类中V；否则返回步骤S3，继续下一次迭代。S9、去模糊化。根据最大隶属度原则，将每个像素划分到隶属度最大值所对应的类中，并分配对应的类别标签。2.根据权利要求1所述的一种自适应邻域约束的极化SAR图像模糊分类方法，其特征在于，所述步骤S2中，以原始极化SAR数据T矩阵中的元素作为经典FCM算法的特征输入，特征表达式为：F＝[T
11 Re(T
12
) Re(T
13
) T
22 Re(T
23
) T
33 Im(T
12
) Im(T
13
) Im(T
23
)]
ꢀꢀ
(1)其中，Re(
·
)表示元素的实部，Im(
·
)表示元素的虚部。3.根据权利要求1所述的一种自适应邻域约束的极化SAR图像模糊分类方法，其特征在于，步骤S3的具体实施步骤为：S301、计算图像中每个像素与聚类中心的修正Wishart距离，并计算公式为：其中，v
k
表示第k个聚类中心的相干矩阵，ln表示对数运算，
·
‑1表示矩阵求逆运算。S30...

【专利技术属性】
技术研发人员：程争，陶科，黄瑄麟，何超，琚铮，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：