基于密度峰值搜索的全极化SAR图像分类

何　伟, 邢孟道

(西安电子科技大学雷达信号处理国家重点实验室, 陕西 西安 710071)



基于密度峰值搜索的全极化SAR图像分类

何伟, 邢孟道

(西安电子科技大学雷达信号处理国家重点实验室, 陕西 西安 710071)

摘要：提出一种基于密度峰值搜索(find of density peaks,FDP)的全极化SAR图像(polarimetric synthetic aperture radar,POLSAR)无监督分类方法。由于在边缘地带以及奇异点的散射类型复杂,在无监督分类过程中干扰巨大,本文通过构建基于信息熵的显著性图来剔除这一类点的影响,并对剩余部分的参数进行了加权处理。随后在/A/SPAN空间基于FDP方法进行无监督分类。最后通过ESAR的数据进行了实验验证,结果证明了方法的有效性。

关键词：全极化合成孔径雷达; 无监督分类; 显著性图; 密度峰值

0引言

1极化表示

(1)

式中,H表示转置操作。

其对应的协方差矩阵表达式为

(2)

式中,〈…〉表示为多视处理;*表示复共轭。

如果两个密度函数分别是PT1(k)和PT2(k),则二者的信息熵距离[6-9]表达为

(3)

假设各通道极化信息服从复高斯分布,则

(4)

对相干矩阵作特征分解

(5)

式中，λ1≥λ2≥λ3。

归一化后的特征值

具体的几个参数定义如下:

熵值

(6)

Alpha角

(7)

各向异性度

(8)

强度

(9)

(10)

在局部区域内,信息熵是可以作为度量尺度精确衡量两个点的差异性的,因此本文选取信息熵来描述局部区域的两个像素点极化的距离,用于构造显著性图。但是从大的场景考虑,由地形变化等引起的极化方位角的变化,会干扰极化信息的表示,因此采用特征分解参数的对应的欧式距离进行度量全局像素的距离更为合适。

2显著性区域提取

显著性图主要是描述人类视觉对一幅图像中潜在目标轮廓识别提取[10-11]。本文通过局部对比度,来提取POLSAR图像的显著区域。

在POLSAR图像中,对局部区域内的两个点像素p1和像素p2,二者的极化距离为dB(Tp1,Tp2),则两个像素点之间的差异距离被定义为

(11)

(12)

局部显著性图可以突出目标轮廓以及对比强烈的奇异点,同时也可以对局部区域的参数进行加权调整。

3FDP分类

根据文献[8],聚类的中心点密度一般比周围点密度高,同时与比它密度高的点(也就是其他类)的距离相对很远。所以在聚类搜索时,需要求解两个参数:密度ρ和到更高密度点的最小距离δ。点i的密度ρi表达为

(13)

(14)

也就是点i到比它局部密度高的点的最小距离。

则参数γ定义为

(15)

选取最大密度对应的点以及γ值最大的M个点作为类的中心点,剩余点将根据密度ρ的降序排列进行类的分配,每个点都将分配给比它密度高而且距离最近的点所对应的类。需要注意的是这里类的中心点定义与k-mean不同,这里的中心的就是该类密度最高的点,而k-mean的中心点是对应类的几何中心点。同时与之前k-mean方法相比,FDP分类结果更加符合人眼结果,在自然图像中,图像中的边缘线以及奇异点由于分布少,密度也就低,所以不需要特别处理,但是对于POLSAR图像,由于相干斑的存在以及成像自身的特性,所以边缘和奇异点数量特别多且散射分布广泛,对整个分类结果影响巨大,因此使用前需要滤掉边缘与奇异点。

本文主要思路就是针对POLSAR图像采用FDP进行分类,但是FDP分类是基于参数分布密度的,对相干斑以及特显点过于敏感,所以需要进行若干预处理消除影响。

首先对整幅图像进行滑窗预处理,步长为4,选取17×17的局部区域进行计算,最终只提取中间部分作为有效参数,根据式(12)进行计算局部显著性图,其中K=34。设定阈值ST=0.35,将大于阈值的部分直接看做一类,这一类主要是图像边缘信息和奇异点。然后,对于剩余部分,将根据显著点系数,加权处理。定义f=[H,α,A,SPAN]T,则加权预处理后的参数表示为

(16)

(17)

最后根据FDP方法,取值dt=0.06对图像进行分类。

5实验验证

图1　极化伪彩及结果图

图2　分类结果在特征空间分布图

6结论

针对POLSAR数据,本文结合显著性图和FDP方法实现了无监督分类。本文建立了基于极化信息熵的显著性图,然后根据显著性图将线目标、边缘地带以及特显点单独提取出来作为一类,因为这一类相对而言散射不稳定而且数量巨大,对基于特征数量统计的FDP方法影响较大,随后利用显著值对剩余部位进行加权处理,进一步增加区域间特征距离后,实现在特征空间的FDP方法,并取得了不错的效果。

参考文献：

[1]CloudeSR,PottierE.AnentropybasedclassificationschemeforlandapplicationofpolarimerticSAR[J].IEEE Trans.on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

[2]CaoF,HongW,WuYR,etal.AnunsupervisedsegmentationwithanadaptivenumberofclustersusingtheSPAN/H/α/AspaceandthecomplexWishartclusteringforfullypolarimetricSARdataanalysis[J].IEEE Trans.on Geoscience and Remote Sensing, 2007, 45 (11): 3454-3467.

[3]ZhangT,SunJT,YangRL.FuzzyclassificationofpolarimetricSARimages[J].Systems Engineering and Electronics,2011,33(5):1036-1039.(张涛,孙建涛,杨汝良.一种极化SAR图像模糊分类方法[J].系统工程与电子技术,2011,33(5):1036-1039.)

[4]LiuXG,ChenQ,ChenQH,etal.Integratedmulti-featuresegmentationmethodforhighresolutionpolarimetricSARimages[J].Systems Engineering and Electronics,2015,37(3):553-559.(刘修国,陈奇,陈启浩,等.综合多特征的高分辨率极化SAR图像分割[J].系统工程与电子技术,2015,37(3):553-559.)

[5]LeeJS,PottierE. Polarimetric radar imaging from basics to applications[M].NewYork:CRCPress, 2009.

[6]TanLL,YangRL,ShangJ.UnsupervisedPolInSARimageclassificationwithShannonentropyparameters[J].Acta Electronica Sinica,2010,38(10):2264-2267.(谈璐璐,杨汝凉,商建.利用Shannon熵参数的极化干涉SAR图像非监督分类[J].电子学报,2010,38(10):2264-2267.)

[7]DabboorM,CollinsMJ,KarathanassiV,etal.AnunsupervisedclassificationapproachforpolarimetricSARdatabasedontheChernoffdistanceforcomplexWishartdistribution[J].IEEE Trans.on Geoscience and Remote Sensing,2013,51(7):4200-4213.

[8]RodriguezA,LaioA.Clusteringbyfastsearchandfindofdensitypeak[J].Science, 2014, 344 (6191) : 1492-1496.

[9]MorioJ,RefregierP,GoudailF,etal.AcharacterizationofShannonentropyandBhattacharyyameasureofcontrastinpolarimetricandinterferometricSARimage[J].Proceedings of the IEEE, 2009, 97 (6) : 1097-1108.

[10]GofermanS,Zelnik-ManorL,TalA.Context-awaresaliencydetection[C]∥Proc.of the IEEE Conference on Computer Vision and Pattern Recognition, 2010: 2376-2383.

[11]ChengMM.Saliencyandsimilaritydetectionforimagesceneanalysis[D].Beijing:TsingUniversity, 2012. (程明明. 图像内容的显著性与相似性研究[D]. 北京: 清华大学, 2012. )

何伟(1984-),男,博士研究生,主要研究方向为极化图像处理。

E-mail:heweixd@163.com

邢孟道(1975-),男,教授,博士研究生导师,主要研究方向为雷达成像技术、目标识别检测技术。

E-mail:xmd@xidian.edu.com

网络优先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20150921.0853.002.html

Classification method for POLSAR images based on find of density peak

HE Wei, XING Meng-dao

(NationalLaboratoryofRadarSignalProcessing，XidianUniversity,Xi’an710071,China)

Abstract:An unsupervised classification method based on find of density peaks(FDP) is proposed for the polarimetric synthetic aperture radar (POLSAR) image. For the great impact of the boundary and strong points in the POLSAR image, the following density becomes unstable. The saliancy image which is based on the information entropy is proposed to remove these points before classification./A/SPAN space of the remaining pixels is weighted with the saliancy value. Then the unsupervised classification is achieved based on the FDP. In the experiment with the ESAR data, results validate the effectiveness of the new method.

Keywords:polarimetric synthetic aperture radar (POLSAR); unsupervised classification; saliancy image; density peak

作者简介：

中图分类号：TN 957.52

文献标志码：A

DOI:10.3969/j.issn.1001-506X.2016.01.10

基金项目：国家自然科学基金优秀青年基金(61222108)资助课题

收稿日期：2015-03-30；修回日期：2015-08-06；网络优先出版日期：2015-09-21。