[發明專利]一種基于極化目標分解特征的變分極化SAR圖像分割方法

有效

• 申請號: 201410033518.5
• 申請日: 2014-01-23
• 公開（公告）號: CN103761741B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 曹宗杰;皮亦鳴;譚英;馮籍瀾
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 成都點睛專利代理事務所(普通合伙)51232
• 代理人: 葛啟函

技術領域

本發明涉及雷達遙感或圖像處理技術，即用圖像處理技術分析雷達觀測信息，尤其涉及一種基于極化目標分解特征的變分極化SAR圖像分割方法。

背景技術

極化合成孔徑雷達（Synthetic?Aperture?Radar，SAR）圖像的分割是雷達遙感技術領域的重要研究內容，在極化SAR數據的分類、目標檢測和目標識別等方面有重要的應用，對雷達遙感技術領域的發展具有重要意義。

極化SAR利用不同的極化發射和極化接收天線的組合，得到雷達目標的極化散射矩陣，進而獲得雷達目標的電磁散射特性，該特性可以提供其他雷達參數不能反映出的信息，是刻畫雷達目標特性的一個重要參量。為了有效提取出雷達目標的結構信息和電磁散射特性，需要對極化數據進行極化SAR目標的分解。極化目標分解主要分為相干極化目標分解和非相干極化目標分解。相干極化目標分解主要有Pauli分解，Krogager分解等；非相干極化目標分解包括基于互易性和對稱性等屬性的目標二分法分解方法，即Huynen分解和Barnes-Holm分解等，基于模型的Freeman-Durden分解和Yamaguchi分解等，基于特征矢量的Cloude-Pottier分解和VanZyl分解等。近年來，利用極化SAR目標分解所得到的極化特征信息，對極化SAR圖像進行相關處理已成為一個研究熱點。

Krogager提出的相干目標分解方法，將極化散射矩陣分解成球散射、二面角散射、螺旋體散射3個固定類型分量，結合SVM設計分類器可以得到較好的極化SAR圖像分類結果。Huynen分解根據目標的屬性，將目標分為對稱分量、不規則分量與不對稱分量，可以較好的分出對稱和規則的地物類型。Freeman和Durden利用極化協方差矩陣，建立表面散射、二次散射、體散射的散射模型，根據三種散射分量的散射能量進行極化SAR圖像的分類。Yamaguchi在此基礎上增添了螺旋體散射，進行了極化SAR圖像的進一步更細致的劃分。利用Freeman-Durden分解得到的散射特征與散射熵以及Wishart分布統計特征進行極化SAR圖像的分類處理，也可以得到較好的結果。Cloude-Pottier利用極化相干矩陣的特征分解，定義了三個重要的旋轉不變極化物理量：散射熵、散射角和反熵，較好的刻畫出了目標的散射特性。結合參量與根據極化SAR圖像統計特征形成的Wishart分類器，可以清楚地區分自然地物的主要類型，符合散射機制的自然分布。這些方法都是基于極化目標分解的，利用的是一個或者兩個極化分解方法得到的特征，得到的分割結果反應的地物信息往往不夠精確。

近些年，隨著偏微分方程技術的逐漸成熟，變分法在極化SAR圖像的分割中，占據了較為重要的位置，獲得了廣泛應用。該方法通過定義針對圖像的能量泛函，利用水平集方法求解能量泛函的極值，以達到對圖像分割的目的。I.B.Ayed等人根據極化相干矩陣的Wishart統計特征，建立針對極化SAR圖像的能量泛函，進行極化SAR圖像的分割。這種方法對極化信息的利用是比較充分的，但單個數據點的極化相干矩陣是一個3×3的復矩陣，數學運算非常復雜。Y.Shuai等利用復Gaussian/Wishart統計分布、漂移Heaviside函數和改進的CV模型建立了應用于極化SAR圖像分割的能量泛函，水平集求解的曲線演化方程穩定收斂，避免了局部極小值的出現，但是未能很好地進行極化信息的有效利用。為了較好的利用極化信息，將極化參量組成極化特征向量，建立基于該向量的CV模型，省去了Wishart統計分布的復雜數學運算，還有效地利用了極化信息。但是該方法也只是用了一種極化目標分解的分解特征，然而不同極化目標分解反應出不同的極化特征信息，這樣就會使得上述方法對于極化信息的利用不夠充分。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是提供一種基于極化目標分解特征的變分極化SAR圖像分割方法，充分利用極化目標分解的分解特征，同時利用變分法和核函數的優勢，較好的處理高維數災難問題，采用水平集方法數值求解，得到較為精確的極化SAR圖像分割結果。

為實現上述目的，本發明提供了一種基于極化目標分解特征的變分極化SAR圖像分割方法，利用不同極化目標分解的分解特征形成的特征向量，結合核函數和CV模型建立能量泛函，具體由以下步驟進行實現：

步驟1：根據極化目標分解特征數據，建立極化目標分解特征向量：