[发明专利]一种用于极化SAR图像的分类方法

摘要

本发明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。本发明的方法利用极化‑超像素方法使超像素方法更使用于极化SAR图像，利用极化代数操作与极化目标分解提取多尺度极化特征，并利用卷积神经网络提取深层的极化特征，充分利用了极化SAR数据的极化特性，减轻了对分类器的要求，改善极化SAR图像分类结果，提高分类准确率。

主权项

一种用于极化SAR图像的分类方法，其特征在于，包括以下步骤：S1、以极化SAR图像的散射矩阵作为输入，提取全极化SAR图像的极化特征，其中Shh、Svh、Shv、Svv分别为四个极化通道下的极化分量；所述极化特征包括基于极化代数运算的极化特征、基于极化目标分解的极化特征以及将上述两类极化特征归一化组成的高维极化特征向量，表示为：MF＝[M_F1,M_F2,…,M_FN],M_Fi∈RM其中，N是样本总数，M是特征维数；S2、在待分类的极化SAR图像中随机选取一定数量的训练样本；S3、设置卷积神经网络参数，具体包括：S31、将高维极化特征向量M_Fi进行邻域扩展成256维向量；S32、利用卷积神经网络计算深层极化特征，对极化SAR图像中的每一样本，都以16×16矩阵形式表达；S33、利用步骤S2得到的训练样本训练卷积神经网络，直到满足终止条件，得到卷积神经网络参数W,b，其中W是CNN卷积层的卷积核参数，b是卷积层的偏置；S4、利用Softmax分类器和待分类的极化SAR图像的真实地物分布参考图中已标注的像素，微调初始的卷积层相关参数，将微调后得到的参数作为训练好的卷积层参数，具体为：S41、由极化SAR图像的真实地物分布参考图，已知每个训练样本对应的标签，对应的标签表示为：l＝[l1,l2,…,lN],li∈L其中，L是标签集，即L＝{1,2,···,C}，而C是类别总数；将训练样本送入卷积神经网络网络，得到卷积神经网络提取的深层极化特征数据；S42、将步骤S41得到的深层极化特征数据送入Softmax分类器，微调卷积神经网络网络的参数，得到更优的卷积层池化参数；S5、将极化SAR图像的所有样本作为测试样本，输入训练好的卷积神经网络网络中得到每个像素对应的深层极化特征，再送入Softmax分类器，得到每个像素的标签，表示为：fCNN=[f1CNN,f2CNN,...,fNCNN],fiCNN∈L]]>S6、生成极化SAR图像对应的极化超像素,图像划分成K个超像素区域：{R1,…,Rj,…,RK},j＝1,…,K，具体包括：S61、获取极化SAR图像中每个像素点对应的相干矩阵：利用Pauli偏置，将散射矩阵S转换成向量形式k，k=Shh+SvvSvv-Shh2ShvT/2]]>其中上标T表示矩阵转置；多视极化SAR图像的每个像素点对应的相干矩阵可以表示为：T=1LΣi=1LkikiH]]>其中L表示视数，上标H表示共轭转置；S62、通过S间距采样像素点，初始化聚类中心Ck＝[Tk,xk,yk]T，移动聚类中心至3*3领域最小梯度处，设置每个像素点超像素标签s(i)＝‑1,距离d(i)＝∞，其中，S＝(N/K)1/2，K是设置的超像素数；S63、在聚类中心Ck附近2S×2S区域内的像素点i，就算Ck到i的距离D，如果D<d(i),则d(i)＝D,s(i)＝k,重复此步骤知道遍历所有的Ck，其中距离D的计算公式为：dWishart(i,j)=Tr(Ti-1Tj)+ln(|Tj||Ti|)]]>ds=(xj-xi)2+(yj-yi)2]]>D(i,j)=dWishart2+(dsS)2m2]]>其中，Tr(·)为矩阵求迹运算，|·|表示行列式运算，m为调整dWishart和ds的参数；S64、更新聚类中心Ck并计算残差E；S65、回到步骤S63进行迭代，直到残差在允许范围内；S7、确定最终分类结果：S71、结合步骤S5的卷积神经网络结果和步骤S6的超像素，将每个区域Rj内的标签进行统计；S72、采用多数投票准则，区域Rj内出现次数最多的标签即为整个超像素的标签，也就是说每个像素的标签与该像素的超像素区域内的标签一致。