基于区域的PolSAR图像分类方法研究

多极化合成孔径雷达是一种先进的遥感信息获取手段。它不仅能得到反映目标电磁散射特性的回波幅度、相位、频率等物理量，更能得到电磁波的极化状态，而目标的材料特性以及目标的几何形状等都会影响和改变目标散射电磁波的极化状态，在国土资源勘测﹑军事情报侦察﹑城市发展规划﹑生态环境考察等领域有着极为广泛的应用，因此从20世纪90年代来一直是国际上众多学者关注的研究热点。图像分类是PolSAR影像解译的一个重要内容。现有分类算法，根据有无先验信息，可分为监督分类与非监督分类；根据处理对象的不同，可以分为基于像素级和基于区域级的分类方法。

在现有的PolSAR图像分类算法中，大多数算法以像素作为基本分类单元，如各种利用极化目标分解技术的方法、统计方法、利用SVM神经网络等新技术的方法。这类方法的优点是，其结果能较为精细地保持地物细节。

Cloude和Pottier(1996)提出的H-α方法能有效地揭示地物散射机理，在应用中无需知道数据的先验知识，不需利用类别已知的数据进行训练，具有与数据无关的优点。然而，由于散射机理和地物之间并非一一对应的关系，而且其对H-α平面的划分较为简单，因此不可避免地导致分类图中地物类别模糊。传统的基于最大似然准则迭代聚类方法在确定当前像素类别时，没有考虑周围像素的影响，其优点是分类图能较好地保留地物细节。虽然这类方法可以通过采用合适的分类策略和精细地调整分类器参数等途径获得较好的分类性能，但由于SAR图像中相干斑的存在，单个像素的散射测量值不可避免地会受其影响而产生起伏，因此限制了这类方法性能的进一步提高。MRF考虑了像素标号之间的相关性，本章提出一种联合利用H-α方法和MRF的极化SAR图像非监督分类算法——H-α-AWMRF，先利用H-α-A方法对极化SAR图像进行基于散射机理的分类，再将其结果作为MRF算法的初始类别划分，从而实现地物分类。(www.xing528.com)

基于区域的分类方法不同，每个像素的类别标号都由该像素与周围的像素共同确定，从而充分利用了像素的空间相关性。基于区域的分类方法可细分为两小类:一类是利用当前像素的相邻像素逐个确定每个像素的类别标号；另一类是先将图像分割为多个子区域，然后确定各子区域的类别标号由于单个像素的标号不再仅由该像素决定，因此基于区域的方法能有效减弱相干斑的影响，提高分类性能。

本章对基于区域的分类方法进行了研究，主要内容是:联合利用协方差矩阵的Wishart分布和MRF的分类，以及基于MRF过分割的分类。首先通过极化目标分解的方式得到极化伪彩色图像，然后由均值漂移算法对伪彩色图像处理得到过分割区域,并由区域增长算法(Region Growing Segmentation,RGS)合并拥有像素点过少的过分割区域。PolSAR图像被分割成为互不重叠的区域，区域内的像素具有同质属性，区域间具有异质属性。分割完成后，将具有同质属性的像素协方差矩阵采取平均求和进行合并，得到区域协方差矩阵。由Wishart分布对区域特征场的协方差矩阵建模，由最大期望(Expectation Maximization,EM)算法对Wishart分布的参数进行估计通过可变的权值连接标号场与特征场能量，由Wishart聚类后得到的结果作为初始分类结果，并由ICM迭代算法求取基于最大后验下的分类结果。