[发明专利]一种用于极化SAR图像的分类方法

说明书

技术领域

本发明属于雷达图像处理与解译技术，具体的说是涉及一种用于极化SAR图像的分类方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式的对地成像雷达系统,可搭载在飞机或卫星上。它通过合成孔径与脉冲压缩技术实现了对海洋和陆地表面的二维高分辨率图像的获取。与光学遥感不同的是，合成孔径雷达系统完全不受光照或天气条件的影响,能实现全天时全天候的对地观测。极化SAR图像分类是极化SAR图像解译中最重要的应用之一。不仅在民用方面，如农作物生长监测、城市发展趋势分析、森林树种估计、地质地表分析、自然资源勘探、洪涝灾害监视等应用领域，还在伪装目标识别、军事勘察等军事方面，SAR图像地物分类技术都有着其非常重要的应用价值与意义。

如今，SAR系统渐渐演变出多极化的工作模式。通过在不同极化方式下所获取的散射回波信号，可研究分析地物目标的散射机制，不仅能避免目标信息的不确定性问题，还能抗干扰能力与增强杂波抑制能力。然而，目前对极化信息资源的利用仍然远远不够，主要仍然停留在对极化目标分解方法的研究。传统的极化SAR分类方法并没有充分利用极化SAR图像的极化特性，造成极化信息的丢失，分类性能的严重下降。表现在以下两个方面：

(1)利用超像素生成的极化SAR图像分类方法能有效地利用局部像素的空间相关性，将区域作为处理单元，这样有利于提高像素分类的准确性。简单线性迭代聚类(simple linear iterative clustering，SLIC)是经典的超像素生成方法。然而，SLIC方法是针对光学图像提出的，当图像中存在大量噪声和强散射点时，SLIC的性能将会大幅度下降。极化SAR图像存在强散射点，现有的SLIC超像素生成方法没有将极化SAR数据的特性考虑在内，降低了超像素的生成结果。

(2)极化特征通常划分成两种：(1)属于直接从极化SAR数据中提取特征，进行简单代数操作，代数操作为对相干矩阵或相关矩阵进行求强度、相位差等简单运算；(2)是基于极化目标分解理论，极化分解理论包括基于特征矢量的目标极化分级，基于散射模型的目标极化分解，相干分解，基于Kennaugh矩阵的二分量分解。单一的极化特征不足以为在所有情形下极化SAR图像的精确分类提供足够的信息。并且，这些极化特征属于底层特征，在进行分类时增加了对分类器的要求。相比于深层特征，底层特征无法有效表征地物信息，造成的地物信息的缺失。

发明内容

本发明的目的是为了克服上述现有对极化SAR图像分类方法的不足之处，充分利用极化SAR数据的极化信息，以提高对极化SAR图像的分类效果，特提供一种基于极化-超像素提取和深层极化特征的极化SAR图像分类方法。

本发明的分类算法流程见附图1，其详细技术方案如下：

步骤1：以一幅PolSAR图像的极化散射矩阵作为输入，提取待分类极化SAR图像的极化特征，其中S_hh、S_vh、S_hv、S_vv分别为不同极化通道下的极化分量：

步骤1-1：获取基于极化代数运算的极化特征；

步骤1-2：获取基于极化目标分解的极化特征；

步骤1-3：构建高维极化特征向量：将上述2类极化特征归一化组成高维极化特征向量，表示为：

M_F＝[M_F₁,M_F₂,…,M_F_N],M_F_i∈R^M

其中，N是样本总数，M是特征维数；

步骤2：在待分类的极化SAR图像中随机选取一定数量的训练样本；

步骤3：设置卷积神经网络参数：

步骤3-1：将高维极化特征向量M_F_i进行邻域扩展成256维向量；

步骤3-2：利用卷积神经网络计算深层极化特征，考虑到卷积神经网络(CNN)的输入形式，要求样本数据已二维矩阵形式输入，而极化SAR图像每一个像素为一个样本，故针对极化SAR图像中的每一样本，都以16×16矩阵形式表达；

步骤3-3：利用步骤2得到的训练样本训练卷积神经网络，直到满足终止条件，得到CNN参数W,b，其中W是CNN卷积层的卷积核参数，b是卷积层的偏置；