基于极化SAR数据的分类方法及电子设备

基于极化sar数据的分类方法及电子设备
技术领域
1.本技术涉及极化sar图像地物分类领域，特别涉及一种基于极化sar数据的分类方法及电子设备。


背景技术：

2.极化合成孔径雷达(polarimetric synthetic aperture radar，polsar)作为一种主动式的微波遥感成像系统，其获取的数据中包含了目标地物中较为完整的后向散射信息。极化sar图像分类作为极化sar图像处理与信息提取的关键技术，已广泛应用于多种领域。极化sar图像分类包括监督分类与无监督分类。当前，无监督分类算法的常用聚类算法是kmeans算法。kmeans算法主要通过给定聚类数k并从数据集中任意选择k个聚类簇中心，将每个样本点分配到距离最近的簇中心所代表的聚类中，在所有样本点分配完毕后，根据各聚类内的所有样本点重新计算当前聚类的新簇中心，之后再通过多次迭代重复进行分配样本点和更新簇中心的操作，直到簇中心的变化很小或达到指定的迭代次数即停止分类。但是，在实际应用中，当kmeans算法面对高维度、大体量的数据时难以预先确定出k值，且对噪声和异常点较为敏感，得到的分类结果准确率较低，且受到必须预先确定k值的限制，难以得到令用户满意的分类效果。


技术实现要素：

3.本技术实施例提供一种基于极化sar数据的分类方法及电子设备。
4.一方面，本技术实施例提供了一种基于极化sar数据的分类方法，包括：
5.对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求；
6.对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息；
7.对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，其中，所述聚类操作包括对所述目标极化参数以及所述目标纹理信息进行分裂操作和合并操作；
8.对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。
9.作为可选，所述对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求，包括：
10.对所述极化sar图像进行斑点滤波；
11.对滤波后的极化sar图像进行地理编码操作，使所述极化sar图像的像素点与地理坐标建立对应关系，形成对应的编码图像；
12.对编码图像进行裁剪处理，得到裁剪后的极化sar图像。
13.作为可选，所述对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息，包括：
14.提取预处理后的所述极化sar图像的极化相干矩阵；
15.对所述极化相干矩阵进行极化分解，生成所述极化sar图像的目标极化参数，其中，所述目标极化参数包括：平均散射角以及方位角。
16.作为可选，所述对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息，还包括：
17.基于灰度共生矩阵，提取所述极化sar图像的目标纹理信息，其中，所述目标纹理信息包括角二阶矩和对比度。
18.作为可选，所述对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，包括：
19.基于isodata聚类算法，对所述目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集；
20.在所述多个第一数据集的聚类参数符合预设条件的情况下，对所述多个第一数据集进行分裂操作，生成多个第二数据集，其中，所述第二数据集的特征参数与所述第一数据集的特征参数不同；
21.将具有相同特征参数的所述第二数据集进行合并，生成具有不同特征的多个数据集。
22.作为可选，所述基于isodata聚类算法，对所述目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集，包括：
23.设定与所述isodata聚类算法相关联的参数；
24.提取所述目标极化参数以及所述目标纹理信息的样本；
25.基于所述与所述isodata聚类算法相关联的参数，对所述目标极化参数以及所述目标纹理信息的样本进行聚类计算，生成多个第一数据集。
26.作为可选，所述方法还包括：
27.对所述目标极化参数以及所述目标纹理信息的聚类计算过程进行迭代处理，以生成对应的多个特征参数。
28.作为可选，所述对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集，包括：
29.基于决策树算法，对所述多个数据集的特征参数进行分类计算，生成具有不同属性的多个数据子集。
30.另一方面，本技术实施例还提供了一种电子设备，包括：处理模块，其配置为，对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求；
31.提取模块，其配置为，对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息；
32.聚类模块，其配置为，对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，其中，所述聚类操作包括对所述目标极化参数以及所述目标纹理信息进行分裂操作和合并操作；
33.分类模块，其配置为，对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。
34.另一方面，本技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有可执行程序，所述处理器执行所述可执行程序以实现上述方法的步骤。
35.本技术的上述方法，利用改进的kmeans算法对极化sar图像数据进行聚类，生成具有不同特征的聚类簇；通过提取得到的多种纹理信息，有效利用了极化sar图像数据中含有的丰富且完整的目标信息，能够准确地对目标地物进行分类，提高了现有的无监督分类方法的准确性及合理性，同时降低了需要预先设置k值这一要求对分类结果准确性的影响，满足实际应用的需求。最终的分类结果中得到的聚类数较贴近真实地物信息，减少了对目标造成的漏分与错分的情况。
附图说明
36.图1为本技术实施例的基于极化sar数据的分类方法的流程图；
37.图2为本技术实施例的基于极化sar数据的分类方法的一个实施例的流程图；
38.图3为本技术实施例的基于极化sar数据的分类方法的另一个实施例的流程图；
39.图4为本技术实施例的基于极化sar数据的分类方法又一个实施例的流程图；
40.图5为本技术实施例的基于极化sar数据的分类方法的又一个实施例的流程图；
41.图6为本技术一个实施例的电子设备的结构框图；
42.图7为本技术一个实施例的另一电子设备的结构框图。
具体实施方式
43.此处参考附图描述本技术的各种方案以及特征。
44.应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本技术的范围和精神内的其他修改。
45.包含在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且与上面给出的对本技术的大致描述以及下面给出的对实施例的详细描述一起用于解释本技术的原理。
46.通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本技术的这些和其它特性将会变得显而易见。
47.还应当理解，尽管已经参照一些具体实例对本技术进行了描述，但本领域技术人员能够确定地实现本技术的很多其它等效形式。
48.当结合附图时，鉴于以下详细说明，本技术的上述和其他方面、特征和优势将变得更为显而易见。
49.此后参照附图描述本技术的具体实施例；然而，应当理解，所申请的实施例仅仅是本技术的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本技术模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本技术。
50.本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本技术的相同或不同实施例中的一个或至少一个。
51.图1至图5示出了本技术实施例的一种基于极化sar数据的分类方法的流程图。本
申请实施例提供的一种基于极化sar数据的分类方法，如图1所示，包括：
52.s100，对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求；
53.在本实施例中，首先通过极化合成孔径雷达(polarimetric synthetic aperture radar，polsar)获取包含不同地物特征的极化sar图像，例如，可获取河道内具有不同特征的河冰极化sar图像。在获得极化sar图像之后，对极化sar图像进行预处理，具体地，对极化sar图像进行预处理的方式可包括对极化sar图像进行滤波、编码操作以及裁剪处理，以使处理后的极化sar图像符合特征提取的要求。
54.s200，对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息；
55.在本实施例中，将极化sar图像进行预处理之后，对极化sar图像进行特征提取，例如，可将极化sar图像中表征不同地物的图像特征进行提取。具体地，对极化sar图像进行特征提取后，可生成多种目标极化参数，之后从相同的极化sar图像数据中提取出多种目标纹理信息。通过对极化sar图像数据进行特征提取，可得到多种类型的目标提取信息。
56.s300，对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集；
57.在本实施例中，在对极化sar图像进行特征提取，生成极化sar图像的目标极化参数以及目标纹理信息之后，对极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集。具体地，利用改进的kmeans算法对提取出的极化sar图像的目标极化参数以及目标纹理信息进行聚类，生成具有不同特征的聚类簇。对极化sar图像的目标极化参数以及目标纹理信息的聚类操作包括对目标极化参数以及目标纹理信息进行分裂操作和合并操作，以更加准确地对极化sar图像数据进行聚类。例如，将河道内具有不同特征的河冰极化sar图像进行聚类操作之后，可以得到表征不同类型河冰的数据文件。
58.s400，对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。
59.在本实施例中，在对极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集之后，对多个数据集进行分类操作，生成具有不同属性的多个数据子集。具体地，将具有不同特征的聚类簇进行进一步地分类，对聚类簇进行判断合并，得到最终的分类结果。例如，将表征不同类型河冰的数据文件进行进一步地分类，得到具有更加细化特征的河冰的数据文件。
60.通过上述方法，对极化sar图像进行特征提取，生成极化sar图像的目标极化参数以及目标纹理信息，再对极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，聚类操作包括对目标极化参数以及目标纹理信息进行分裂操作和合并操作。聚类操作之后，对多个数据集进行分类操作，生成具有不同属性的多个数据子集。本技术实施例利用改进的kmeans算法对极化sar图像数据进行聚类，生成具有不同特征的聚类簇；通过提取得到的多种纹理信息，有效利用了极化sar图像数据中含有的丰富且完整的目标信息，能够准确地对目标地物进行分类，提高了现有的无监督分类方法的准确性及合理性，同时降低了需要预先设置k值这一要求对分类结果准确性的影响，满足实际应用的需求。最终的分类结果中得到的聚类数较贴近真实地物信息，减少了对目标造成的漏分与错分的情况。
61.在本技术的一个实施例中，如图2所示，所述对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求，包括：
62.s110，对所述极化sar图像进行斑点滤波；
63.在本实施例中，在对极化sar图像进行预处理的过程中，首先利用精致lee滤波器(refined lee filter)对极化sar图像数据进行斑点滤波，以降低sar图像解译和信息提取的难度。
64.s120，对滤波后的极化sar图像进行地理编码操作，使所述极化sar图像的像素点与地理坐标建立对应关系，形成对应的编码图像；
65.在本实施例中，对极化sar图像进行斑点滤波之后，对滤波后的sar图像进行地理编码操作，使极化sar图像的每个像素点都与地理坐标建立起对应关系，形成对应的通用的编码图像。
66.s130，对编码图像进行裁剪处理，得到裁剪后的极化sar图像。
67.在本实施例中，对极化sar图像进行地理编码操作，形成对应的编码图像之后，对编码后的图像进行裁剪处理，得到裁剪后的极化sar图像。例如，可以得到规格大小为m
×
n的裁剪后图像。
68.在本技术的一个实施例中，如图3所示，所述对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息，包括：
69.s210，提取预处理后的所述极化sar图像的极化相干矩阵；
70.在本实施例中，在将极化sar图像进行预处理之后，提取预处理后的极化sar图像的极化相干矩阵，具体地，极化相干矩阵为t矩阵。
71.s220，对所述极化相干矩阵进行极化分解，生成所述极化sar图像的目标极化参数。
72.在本实施例中，提取极化sar图像的极化相干矩阵之后，对极化相干矩阵进行极化分解，生成极化sar图像的目标极化参数。具体地，对极化sar图像的t矩阵进行h/a/alpha极化分解，生成极化sar图像的目标极化参数，目标极化参数包括：平均散射角α以及方位角β。
73.在本技术的一个实施例中，所述对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息，还包括：
74.基于灰度共生矩阵，提取所述极化sar图像的目标纹理信息。
75.在本实施例中，基于灰度共生矩阵，提取极化sar图像的目标纹理信息，其中，目标纹理信息包括角二阶矩和对比度。图像的灰度共生矩阵可反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，由灰度共生矩阵可提取出不同的纹理特征。例如，可以获取灰度共生矩阵中的第i行第j列的位置信息(i，j)，定义灰度级数为l，p
ij
为灰度共生矩阵中(i，j)处的元素值。
76.通过如下所示的计算公式得到角二阶矩asm：
[0077][0078]
角二阶矩是灰度共生矩阵元素值的平方和，也称为能量，当图像纹理表现较为细致、灰度分布均匀时，能量值较大。
[0079]
通过如下所示的计算公式得到对比度con：
[0080][0081]
对比度是图像的清晰度和目标纹理深浅的度量，当纹理的沟纹较深时对比度较大，在上述计算公式中，n为i和j的差值。
[0082]
在本技术的一个实施例中，如图4所示，所述对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，包括：
[0083]
s310，基于isodata聚类算法，对所述目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集；
[0084]
在本实施例中，在获取极化sar图像的目标极化参数以及目标纹理信息之后，基于isodata聚类算法，对极化sar图像的目标极化参数以及目标纹理信息进行聚类计算，生成多个第一数据集。具体地，isodata聚类算法是将kmeans算法改进的算法，基于isodata聚类算法，可对极化sar图像的目标极化参数以及目标纹理信息进行初步聚类，生成具有不同特征的簇。例如，选取极化sar图像中的像素点作为样本点，计算选取的样本点与聚类生成的簇中心之间的距离，将样本点分配到相距最近的簇中，以形成具有对应特征的簇。
[0085]
s320，在所述多个第一数据集的聚类参数符合预设条件的情况下，对所述多个第一数据集进行分裂操作，生成多个第二数据集；
[0086]
在本实施例中，对极化sar图像的目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集之后，确定多个第一数据集的聚类参数是否符合预设条件。具体地，第一数据集的聚类参数可表征第一数据集中的数据文件的特征，例如，不同地物信息的特征。预设条件表征第一数据集的聚类参数未满足所需图像特征的聚类结果的要求，进而需要对第一数据集进行进一步的聚类操作。在确定多个第一数据集的聚类参数符合预设条件的情况下，对多个第一数据集进行分裂操作，生成多个第二数据集，第二数据集的特征参数与第一数据集的特征参数不同。具体地，基于isodata聚类算法，对极化sar图像数据经过初步聚类生成的簇进行分裂操作，生成新簇。例如，如果初步聚类生成的簇的聚类数小于等于预期聚类数的一半，可对初步聚类生成的簇进行分裂操作，以生成新簇。新簇包含的特征参数与初步聚类的簇包含的特征参数相比，能够以更加细致的方式表征极化sar图像数据的特征。例如，河道内的不同地物目标的特征。
[0087]
s330，将具有相同特征参数的所述第二数据集进行合并，生成具有不同特征的多个数据集。
[0088]
在本实施例中，将多个第一数据集进行分裂操作，生成多个第二数据集之后，将具有相同特征参数的第二数据集进行合并，生成具有不同特征的多个数据集。具体地，将通过分裂操作生成的新簇中包含的特征参数进行比对，确定不同的新簇是否具有相同特征参数。在确定不同的新簇具有相同特征参数的情况下，将这些新簇进行合并，生成聚类操作最终所需要的簇。如果两个新簇具有相同的特征参数，表明这两个新簇表征的图像数据特征是相同的，可将这两个新簇进行合并，生成具有相同特征参数的簇。例如，可以计算每两个新簇中心之间的距离，将距离数据相同的两个簇中心进行合并，进而得到具有相同特征参数的簇。
[0089]
在本技术的一个实施例中，如图5所示，所述基于isodata聚类算法，对所述目标极
化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集，包括：
[0090]
s3101，设定与所述isodata聚类算法相关联的参数；
[0091]
s3102，提取所述目标极化参数以及所述目标纹理信息的样本；
[0092]
s3103，基于所述与所述isodata聚类算法相关联的参数，对所述目标极化参数以及所述目标纹理信息的样本进行聚类计算，生成多个第一数据集。
[0093]
在本实施例中，在基于isodata聚类算法进行聚类计算之前，首先设定与isodata聚类算法相关联的参数。例如，设定预期聚类数k以及其他与isodata聚类算法相关联的参数。本实施例在进行聚类计算之前，提取极化sar图像的目标极化参数以及目标纹理信息的样本，并且分配样本。利用极化sar图像数据的样本来进行聚类计算，可以将表征多个类型的图像数据进行聚类。进一步地，可基于与isodata聚类算法相关联的参数，对目标极化参数以及所述目标纹理信息的样本进行聚类计算，生成表征多个类型图像数据的多个第一数据集。
[0094]
在本技术的一个实施例中，所述方法还包括：
[0095]
对所述目标极化参数以及所述目标纹理信息的聚类计算过程进行迭代处理，以生成对应的多个特征参数。
[0096]
在本实施例中，在对目标极化参数以及目标纹理信息的聚类计算过程中，由于得到的簇可能不符合最终的聚类要求，对目标极化参数以及目标纹理信息的聚类计算过程进行迭代计算，以生成对应的多个特征参数，并且基于迭代计算与不同的簇包含的特征参数，得到更加准确的聚类结果。
[0097]
在本技术的一个实施例中，所述对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集，包括：
[0098]
基于决策树算法，对所述多个数据集的特征参数进行分类计算，生成具有不同属性的多个数据子集。
[0099]
在本实施例中，在对极化sar图像数据进行聚类操作，生成具有不同特征的多个数据集之后，可基于决策树算法，对多个数据集的特征参数进行分类计算，生成具有不同属性的多个数据子集。例如，将具有不同特征的簇进行更加细化的分类计算，得到最终的分类结果。
[0100]
下面结合一个具体实施方式对本技术的isodata聚类算法的过程进行详细的说明。本实施例中获取的极化sar图像可为河冰的图像数据。首先设定isodata聚类算法相关联的参数。具体地，可设定预期聚类数k、初始聚类中心数k、单个聚类中最少样本数θn、控制分裂的类中样本距离分布的标准差θs、控制合并的两个簇中心的最小距离θc、在一次迭代过程中最多可合并簇中心的对数l，以及算法迭代次数i。提取极化sar图像的目标极化参数以及目标纹理信息的样本，然后分配样本。具体地，将n个样本的集合x＝{x1,x2,...,xn}输入分类器，集合中的元素为输入的图像数据中所有的像素点，集合中的像素点为样本点。随机选取k个样本点作为k个簇中心，即{m1,m2,...,mk}，m为从集合x中随机选取的簇中心，此处的集合{m1,m2,...,mk}为由k个簇中心组成的集合。根据以下公式计算其他样本点与各簇中心的距离，其中p为空间维数，d
ij
为样本点与簇中心的距离，x
iz
为集合x中除簇中心外的某一样本点，m
jz
为某一簇中心点。将每个样本点分配到相距最近的一个簇中。
[0101][0102]
若某个簇中样本的个数小于θn，则取消该簇，同时k＝k-1，之后根据以下公式重新计算各簇中心，其中nj为第j类中的样本数，xi为第j类中的某一样本点，mj为根据以下公式计算出的新簇中心。
[0103][0104]
根据以下公式计算各类内每个样本点到簇中心的平均距离
[0105][0106]
根据以下公式计算总体平均距离
[0107][0108]
根据以下公式计算各类内每个样本点到簇中心的距离标准差σj＝(σ
1j
,σ
2j
,...,σ
dj
)
t
，其中t为转置符号。下式中的的m
ij
为第j类的簇中心，维数为i。
[0109][0110]
上述计算公式中i＝1,2,...,d为样本特征向量的维数，j＝1,2,...,k为聚类数。
[0111]
若当前聚类数k小于等于预期聚类数k的一半，即则对满足条件的簇进行分裂处理。具体地，将σ
jmax
标记为每一标准差向量σj中的最大分量，对于任一最大分量集{σ
jmax
,j＝1,2,...,k}，若σ
jmax
＞θs，且满足以下条件：nj＞2(θn+1)，即当前簇中样本总数超过规定值的一半以上，则将该簇进行分裂，旧簇中心分为裂为两个新簇中心，同时k＝k+1。
[0112]
根据以下公式计算全部簇中心之间的距离，具体地，计算每两个簇中心之间的距离，每次计算得到一个距离数据。其中，mi为第i类的簇中心，mj为第j类的簇中心。
[0113][0114]
比较d
ij
与θc的大小，将d
ij
＜θc的值按升序排列，即{d
i1j1
,d
i2j2
,...,d
ikjk
}，将距离同为d
ikjk
的两个簇中心m
ik
和m
jk
进行合并，得到新的簇中心m
k*
，此时k＝1,2,...,l。
[0115]
判断是否完成聚类算法。如果当前迭代次数为i，则聚类结束，否则再次迭代样本点与簇中心的计算过程，每执行一次这个计算过程，迭代次数i＝i+1。
[0116]
聚类计算结束后得到各个聚类结果的数据文件，每种结果中都将河道内的地物目标分为四类：开阔水域、热力冰、水内冰、密集厚冰。
[0117]
在聚类计算完成之后，基于决策树算法，对聚类结果进行进一步的分类计算。首先
建立空矩阵vm×n，m为空矩阵的行数，n为空矩阵的列数。令i＝1,j＝1，i和j为决策树算法运行中的过程变量。
[0118]
将极化sar图像数据的目标纹理信息与空矩阵进行对比，例如，如果对比度con＝1，v
ij
＝1；如果散射角α＝2，v
ij
＝2；如果角二阶矩asm＝3，v
ij
＝3；如果方位角β＝4时，v
ij
＝4。“1”表示开阔水域，“2”表示热力冰，“3”表示水内冰，“4”表示密集厚冰。
[0119]
判断是否完成分类算法，i＝i+1,j＝j+1。如果i＜m,j＜n，则目标纹理信息与空矩阵进行对比的过程；如果i≥m,j≥n，则结束分类算法，输出最终分类结果。
[0120]
基于同一发明构思，本技术的第二方面还提供了一种基于极化sar数据的分类方法对应的电子设备，由于本技术中的电子设备解决问题的原理与本技术上述分类方法相似，因此电子设备的实施可以参见方法的实施，重复之处不再赘述。
[0121]
图6示出了本技术实施例提供的电子设备的结构示意图，具体包括：
[0122]
处理模块，其配置为，对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求；
[0123]
提取模块，其配置为，对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息；
[0124]
聚类模块，其配置为，对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，其中，所述聚类操作包括对所述目标极化参数以及所述目标纹理信息进行分裂操作和合并操作；
[0125]
分类模块，其配置为，对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。
[0126]
在本技术的一个实施例中，处理模块进一步配置为：
[0127]
对所述极化sar图像进行斑点滤波；
[0128]
对滤波后的极化sar图像进行地理编码操作，使所述极化sar图像的像素点与地理坐标建立对应关系，形成对应的编码图像；
[0129]
对编码图像进行裁剪处理，得到裁剪后的极化sar图像。
[0130]
在本技术的一个实施例中，提取模块进一步配置为：
[0131]
提取预处理后的所述极化sar图像的极化相干矩阵；
[0132]
对所述极化相干矩阵进行极化分解，生成所述极化sar图像的目标极化参数，其中，所述目标极化参数包括：平均散射角以及方位角。
[0133]
在本技术的一个实施例中，提取模块进一步配置为：
[0134]
基于灰度共生矩阵，提取所述极化sar图像的目标纹理信息，其中，所述目标纹理信息包括角二阶矩和对比度。
[0135]
在本技术的一个实施例中，聚类模块进一步配置为：
[0136]
基于isodata聚类算法，对所述目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集；
[0137]
在所述多个第一数据集的聚类参数符合预设条件的情况下，对所述多个第一数据集进行分裂操作，生成多个第二数据集，其中，所述第二数据集的特征参数与所述第一数据集的特征参数不同；
[0138]
将具有相同特征参数的所述第二数据集进行合并，生成具有不同特征的多个数据
集。
[0139]
在本技术的一个实施例中，聚类模块进一步配置为：
[0140]
设定与所述isodata聚类算法相关联的参数；
[0141]
提取所述目标极化参数以及所述目标纹理信息的样本；
[0142]
基于所述与所述isodata聚类算法相关联的参数，对所述目标极化参数以及所述目标纹理信息的样本进行聚类计算，生成多个第一数据集。
[0143]
在本技术的一个实施例中，聚类模块进一步配置为：
[0144]
对所述目标极化参数以及所述目标纹理信息的聚类计算过程进行迭代处理，以生成对应的多个特征参数。
[0145]
在本技术的一个实施例中，分类模块进一步配置为：
[0146]
基于决策树算法，对所述多个数据集的特征参数进行分类计算，生成具有不同属性的多个数据子集。
[0147]
基于同一发明构思，如图7所示，本实施例还包括一种电子设备，包括：
[0148]
存储器，用于存储可执行程序；
[0149]
处理器，用于执行所述可执行程序，以实现上述方法。
[0150]
由于本技术中的电子设备解决问题的原理与本技术上述方法相似，因此电子设备的实施可以参见方法的实施，重复之处不再赘述。
[0151]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。

技术特征：
1.一种基于极化sar数据的分类方法，其特征在于，包括：对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求；对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息；对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，其中，所述聚类操作包括对所述目标极化参数以及所述目标纹理信息进行分裂操作和合并操作；对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。2.根据权利要求1所述的方法，其特征在于，所述对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求，包括：对所述极化sar图像进行斑点滤波；对滤波后的极化sar图像进行地理编码操作，使所述极化sar图像的像素点与地理坐标建立对应关系，形成对应的编码图像；对编码图像进行裁剪处理，得到裁剪后的极化sar图像。3.根据权利要求1所述的方法，其特征在于，所述对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息，包括：提取预处理后的所述极化sar图像的极化相干矩阵；对所述极化相干矩阵进行极化分解，生成所述极化sar图像的目标极化参数，其中，所述目标极化参数包括：平均散射角以及方位角。4.根据权利要求1所述的方法，其特征在于，所述对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息，还包括：基于灰度共生矩阵，提取所述极化sar图像的目标纹理信息，其中，所述目标纹理信息包括角二阶矩和对比度。5.根据权利要求1所述的方法，其特征在于，所述对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，包括：基于isodata聚类算法，对所述目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集；在所述多个第一数据集的聚类参数符合预设条件的情况下，对所述多个第一数据集进行分裂操作，生成多个第二数据集，其中，所述第二数据集的特征参数与所述第一数据集的特征参数不同；将具有相同特征参数的所述第二数据集进行合并，生成具有不同特征的多个数据集。6.根据权利要求5所述的方法，其特征在于，所述基于isodata聚类算法，对所述目标极化参数以及所述目标纹理信息进行聚类计算，生成多个第一数据集，包括：设定与所述isodata聚类算法相关联的参数；提取所述目标极化参数以及所述目标纹理信息的样本；基于所述与所述isodata聚类算法相关联的参数，对所述目标极化参数以及所述目标纹理信息的样本进行聚类计算，生成多个第一数据集。7.根据权利要求5所述的方法，其特征在于，所述方法还包括：对所述目标极化参数以及所述目标纹理信息的聚类计算过程进行迭代处理，以生成对
应的多个特征参数。8.根据权利要求1所述的方法，其特征在于，所述对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集，包括：基于决策树算法，对所述多个数据集的特征参数进行分类计算，生成具有不同属性的多个数据子集。9.一种电子设备，包括：处理模块，其配置为，对极化sar图像进行预处理，以使所述极化sar图像符合特征提取的要求；提取模块，其配置为，对所述极化sar图像进行特征提取，生成所述极化sar图像的目标极化参数以及目标纹理信息；聚类模块，其配置为，对所述极化sar图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，其中，所述聚类操作包括对所述目标极化参数以及所述目标纹理信息进行分裂操作和合并操作；分类模块，其配置为，对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。10.一种电子设备，包括存储器和处理器，所述存储器中存储有可执行程序，所述处理器执行所述可执行程序以实现如权利要求1至8任意一项所述的方法的步骤。

技术总结
本申请公开了一种基于极化SAR数据的分类方法及电子设备，方法包括：对极化SAR图像进行预处理，以使所述极化SAR图像符合特征提取的要求；对所述极化SAR图像进行特征提取，生成所述极化SAR图像的目标极化参数以及目标纹理信息；对所述极化SAR图像的目标极化参数以及目标纹理信息进行聚类操作，生成具有不同特征的多个数据集，其中，所述聚类操作包括对所述目标极化参数以及所述目标纹理信息进行分裂操作和合并操作；对所述多个数据集进行分类操作，生成具有不同属性的多个数据子集。生成具有不同属性的多个数据子集。生成具有不同属性的多个数据子集。


技术研发人员：李春明 李景昕 谭维贤 武朝阳 黄平平 乞耀龙 徐伟
受保护的技术使用者：内蒙古工业大学
技术研发日：2023.04.28
技术公布日：2023/7/25