專利名稱：基于特征值分布統(tǒng)計特性的極化sar圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及極化SAR圖像分類，可用于雷達目標檢測和 目標識別。
背景技術(shù)：
合成孔徑雷達SAR是利用合成孔徑原理提高方位分辨率，利用脈沖壓縮技術(shù)提高 距離分辨率，從而獲得比真是孔徑雷達更好的性能。極化SAR屬于SAR的范疇，相比于傳統(tǒng) 的SAR，它利用多通道收發(fā)電磁波技術(shù)，通過對其不同通道的解譯，可以獲得對目標更全面 的認識。對極化SAR圖像的理解和解譯屬于圖像處理范疇，還涉及信號處理，模式識別及機 器學(xué)習(xí)等眾多學(xué)科。極化SAR圖像分類作為極化SAR圖像處理的關(guān)鍵環(huán)節(jié)之一，在國防和 民用領(lǐng)域正受到越來越廣泛的關(guān)注?，F(xiàn)有的極化SAR圖像分類方法大致可以分為基于散射 特性的方法和基于統(tǒng)計特性方法，如基于freeman分解的分類方法和基于散射熵、散射角 的分類方法等。其中，基于統(tǒng)計特性的極化SAR圖像分類方法，是將極化SAR圖像中具有某方面相 似特征的像素點劃分為一類，已經(jīng)有很多成熟的分類算法被用到極化SAR圖像分類中。作 為一門新興學(xué)科，目前主要的研究工作集中在散射特征的提取和適合極化SAR圖像分類的 分類器設(shè)計上。不同極化散射特征的提取方法得到不同的特征，不同的特征又適合于不同 性能的分類器?，F(xiàn)有的特征提取方法主要有freeman分解和cloud分解方法；典型的分類 器有Wishart分類器和H/alpha分類器等。其中，利用freeman分解方法得到特征對極化 SAR圖像進行分類時，存在對特征分布特性認知上的不足；利用H/alpha分類器進行類別判 定時，存在類別判決界限需要人為確定的不足，這些不足限制了其在極化SAR圖像分類上 的廣泛應(yīng)用。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于特征值分布特性的 極化SAR圖像分類方法，以明確特征的分布特性，避免類別判決界限需要人為確定的問題。實現(xiàn)本發(fā)明目的個技術(shù)方案是通過研究分析特征值的分布特性，結(jié)合貝葉斯分類 對極化SAR圖像進行分類，其步驟包括如下(1)對待分類極化SAR圖像的所有像素點進行特征值分解；(2)分別對每個像素點分解得到的特征值λ ” λ 2，λ 3進行排序，使 λ 1 > λ 2 ^ λ 3 ；(3)從待分類極化SAR圖像中依據(jù)實際地物分布，人工構(gòu)造待分類極化SAR圖像中 k類勻質(zhì)區(qū)域集合c = {C” . . .，CJ，并提取出所選取k類勻質(zhì)區(qū)域的特征值；(4)采用EM算法分別對k類勻質(zhì)區(qū)域的特征值λ ” λ 2，λ 3的高斯混 合模型參數(shù)進行估計，得到每類勻質(zhì)區(qū)域的各個特征值的概率密度分布函數(shù)
權(quán)利要求
1.基于特征值分布特性的極化SAR圖像分類方法，包括以下步驟(1)對待分類極化SAR圖像的所有像素點進行特征值分解；(2)分別對每個像素點分解得到的大小不同的特征值A(chǔ)1,λ2，λ 3按照從大到小的順 序進行排序，使、》\》入3;(3)從待分類極化SAR圖像中依據(jù)實際地物分布，人工構(gòu)造待分類極化SAR圖像中k類 勻質(zhì)區(qū)域集合C = IC1, . . .，Ck}，并提取出所選取k類勻質(zhì)區(qū)域的特征值；(4)采用EM算法分別對k類勻質(zhì)區(qū)域的特征值λ” λ 2，λ 3的高斯混合 模型參數(shù)進行估計，得到每類勻質(zhì)區(qū)域的各個特征值的概率密度分布函數(shù):
2.根據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中步驟(1)所述的對待分類極化 SAR圖像的所有像素點進行特征值分解，按照如下步驟進行2a)將待分類極化SAR圖像像素點的T矩陣作為輸入數(shù)據(jù)；2b)利用MATLAB軟件中的eigs函數(shù)對輸入的每個像素的T矩陣進行特征值分解，得到 特征值。
3.根據(jù)權(quán)利要求1所述的極化SAR圖像分類方法，其中步驟(4)所述的采用EM算法 分別對k類勻質(zhì)區(qū)域的特征值λ ” λ 2，λ 3的高斯混合模型參數(shù)進行估計，按照如下步驟進 行3a)將各類勻質(zhì)區(qū)域的特征值λ” λ2，λ 3分別作為EM算法的輸入數(shù)據(jù)；3b)設(shè)定EM算法所求解的高斯混合模型中高斯函數(shù)的混合個數(shù)m值為1、混合權(quán)重ω 為1，ΕΜ算法迭代終止條件為算法的迭代誤差小于1.0Ε-06，初始化均值μ和方差σ為隨 機值；3c)通過EM算法中的期望最大化流程對均值μ和方差ο進行更新，每次更新后計算 算法的迭代誤差并判斷是否滿足迭代終止條件，滿足迭代終止條件時迭代停止，輸出得到 輸入特征值的均值μ和方差σ ；3d)將混合個數(shù)m、混合權(quán)重ω和輸出的均值μ、方差σ代入式
全文摘要
本發(fā)明公開了基于特征值高斯統(tǒng)計特性的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)對特征分布特性認知上不足和類別判決界限需要人為確定的問題。其實現(xiàn)過程是1)對待分類極化SAR圖像的所有像素點進行特征值分解；2)選取不同勻質(zhì)區(qū)域作為最基本的類別代表區(qū)域，并提取代表勻質(zhì)區(qū)域的特征值；3)采用EM算法分別對各類勻質(zhì)區(qū)域特征值λ1，λ2，λ3的高斯混合模型參數(shù)進行估計，求取各個特征值的概率密度分布函數(shù)；4)求解各類勻質(zhì)區(qū)域三個特征值的聯(lián)合概率分布函數(shù)；5)對勻質(zhì)區(qū)域中的像素點進行貝葉斯分類，并輸出分類結(jié)果。本發(fā)明具有對極化SAR圖像分類效果顯著的優(yōu)點，可用于極化SAR圖像目標檢測和目標識別。
文檔編號G06K9/62GK102122352SQ201110049008
公開日2011年7月13日 申請日期2011年3月1日 優(yōu)先權(quán)日2011年3月1日
發(fā)明者喬鑫, 吳建設(shè), 朱虎明, 李陽陽, 焦李成, 王爽, 緱水平, 費全花 申請人:西安電子科技大學(xué)