[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

说明书

本发明提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题，实现步骤为：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，并初始化模型的相关参数；对待分类的极化SAR图像进行Lee滤波；对滤波后的极化SAR图像进行预处理；获取训练数据集；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；对极化SAR图像进行分类。

技术领域

本发明属于图像处理技术领域，涉及一种极化SAR分类方法，具体涉及一种基于随机森林多尺度卷积模型的极化SAR图像分类方法。

背景技术

合成孔径雷达SAR(Synthetic Aperture Radar)是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理方法合成一较大的等效天线孔径的雷达，具有分辨率高、全天候工作、有效识别伪装和穿透掩盖物等特点。极化SAR是一种高分辨主动式相干多通道合成孔径雷达，它是SAR的一个重要分支，相比SAR具有更加丰富的表示信息，可广泛应用于导航、农业、地理监视等诸多领域。

极化SAR图像分类方法可以分为基于无监督的分类方法和有监督的分类方法，其中基于有监督的极化SAR图像分类方法是指有标准类标做为指导的分类方法，基于神经网络对极化SAR图像分类是有监督分类方法中的一种，例如：申请公开号为CN107239797A，名称为“基于全卷积神经网络的极化SAR地物分类方法”的专利申请，提出了一种基于全卷积神经网络的极化SAR地物分类方法，该方法首先对待分类极化散射矩阵S进行Pauli分解，得到奇次散射矩阵、偶次散射矩阵和体散射矩阵，将奇次散射矩阵、偶次散射矩阵和体散射矩阵作为极化SAR图像的三维图像特征F，再将得到的三维图像特征矩阵F转化成RGB图F1，再在RGB图F1上随机选取m×n的像素块作为训练样本，整张RGB图F1作为测试样本，然后构造全卷积神经网络模型，再通过训练样本对全卷积神经网络进行训练，得到训练好的全卷积神经网络，再通过训练好的全卷积神经网络对测试集进行分类，得到分类结果。该发明实现了96.5％的分类准确率，且由于全卷积神经网络对输入图片的尺寸没有限制，在测试阶段，可以拿整张图进行测试，避免了由块拼接所带来的边缘效应，较好的缩短了分类时间。该方法存在的不足之处是，在全卷积神经网络训练过程中忽略了对语义信息的学习和纹理特征的保留，同时仅依赖于softmax分类器对网络输出的特征图进行概率估计分类，导致分类准确率较低，同时在使用全卷积神经网络对极化SAR图像进行分类时，使用的网络层次太深，导致分类时间较长。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于随机森林多尺度卷积模型的极化SAR分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(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；