[发明专利]基于随机森林多尺度卷积模型的极化SAR分类方法

权利要求书

1.一种基于随机森林多尺度卷积模型的极化SAR分类方法，其特征在于包括如下步骤：

(1)构建随机森林多尺度卷积模型并初始化相关参数：

(1a)构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，随机森林模型至少包含200棵树；

(1b)对随机森林多尺度卷积模型的权重和误差进行随机初始化；

(2)对待分类的极化SAR图像S进行精致极化Lee滤波：

对待极化SAR图像S进行精致极化Lee滤波处理，得到滤波后的极化SAR图像S'；

(3)对滤波后的极化SAR图像S'进行预处理：

(3a)对滤波后的极化SAR图像S'进行pauli分解，得到三维特征矩阵；

(3b)将三维特征矩阵中的特征值归一化到[0，255]之间，得到归一化后的三维特征矩阵；

(4)获取训练数据集：

从归一化后的三维特征矩阵中随机选取5％的特征值，并以每个特征值为中心点，选取大小不同，尺度为L₁×L₁，L₂×L₂，L₃×L₃，...，L_i×L_i，...的特征矩阵块，并将以所有特征值为中心点选取的特征矩阵块作为训练数据集，其中，L_i为第i个特征矩阵块的边长，6≤L_i≤25，2≤i≤6；

(5)对随机森林多尺度卷积模型进行训练：

将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图feature map，并将feature map输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；

(6)对极化SAR图像进行分类：

将归一化后的三维特征矩阵输入到训练好的随机森林多尺度卷积模型中，得到极化SAR图像的分类结果。

2.根据权利要求1所述的基于随机森林多尺度卷积模型的极化SAR分类方法，其特征在于，步骤(1a)中所述的输入模块的数量为两个，该两个输入模块的输出端与细化模块的输入端相连，其中：

第一个输入模块的结构为：第一个输入层→第一个卷积层→第二个卷积层→第一个池化层→第三个卷积层→第四个卷积层→第一个细化层→第五个卷积层→第六个卷积层；

第二个输入模块的结构为：第二个输入层→第七个卷积层→第八个卷积层→第九个卷积层→第十个卷积层→第二个细化层→第十一个卷积层→第十二个卷积层→第三个细化层→第十三个卷积层→第十四个卷积层→第二个池化层；

细化模块的结构为：第四个细化层→第十五个卷积层→第十六个卷积层→第三个池化层→第四个池化层→第五个细化层→第一个Relu层→第二个Relu层。

3.根据权利要求1所述的基于随机森林多尺度卷积模型的极化SAR分类方法，其特征在于，步骤(3a)中所述对滤波后的极化SAR图像S'进行pauli分解，实现步骤为：

(3a1)获取极化SAR图像S'的表达式：

S'＝a[S_a]+b[S_b]+c[S_c]+d[S_d]

其中，[S_a]表示极化SAR图像S'奇次散射矩阵，a表示奇次散射矩阵系数，[S_b]表示极化SAR图像S'偶次散射矩阵，b表示偶次散射矩阵系数，[S_c]表示极化SAR图像S'45度角偶次散射矩阵,c表示45度角偶次散射矩阵系数，[S_d]表示极化SAR图像S'交叉极化散射矩阵，d表示交叉极化散射矩阵系数；

(3a2)计算极化SAR图像S'表达式中散射矩阵系数的向量组合K'：

计算极化SAR图像S'表达式中四个散射矩阵系数的向量组合K：

当S_VH和S_HV满足等价条件时，d＝0，计算极化SAR图像S'表达式中散射矩阵系数的向量组合K'：

其中，S_HH表示极化SAR水平向接收的发射源以水平向发射的极化波的回波数据，S_HV表示化SAR垂直向接收的发射源以水平向发射的极化波的回波数据，S_VH表示极化SAR水平向接收的发射源以垂直向发射的极化波的回波数据，S_VV表示极化SAR垂直向接收的发射源以垂直向发射的极化波的回波数据；

(3a3)计算极化SAR图像S'的奇次散射矩阵[S_a]、偶次散射矩阵[S_b]和45度角偶次散射矩阵[S_c]：

[S_c]＝2(S_HV)²

其中，|·|表示取绝对值操作；

(3a4)将[S_a]、[S_b]和[S_c]赋给大小为M1×M2×3的矩阵，得到三维特征矩阵，其中，M1表示待分类极化SAR图像S'的长，M2表示待分类极化SAR图像S'的宽。