[发明专利]基于聚类细化残差模型的极化SAR分类方法

摘要

本发明公开了一种基于聚类细化残差模型的极化SAR分类方法，其步骤为：(1)搭建聚类细化残差模型；(2)对待分类的极化SAR图像进行预处理；(3)生成训练数据集和测试数据集；(4)对网络的深浅层进行信息融合处理；(5)对初始分类图小图斑进行重新分类处理；(6)对测试数据进行分类，获得测试结果。本发明通过将极化SAR图像在细化残差网络中深浅层信息进行融合处理，提取了极化SAR图像丰富的纹理特性，保留了特征信息的完整性，提高了训练速度，使用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理，提高了图像边缘的分类精度，加快了训练速度。

主权项

1.一种基于聚类细化残差模型的极化SAR分类方法，其特征在于，该方法是将极化SAR图像在细化残差网络中深浅层信息进行融合处理，使用聚类细化残差模型中的聚类层对融合处理后的初始分类图边缘的小图斑进行重新分类处理，得到最终的分类图，该方法的具体步骤包括如下：(1)搭建一个20层的聚类细化残差模型并设置模型中的每层参数；(2)对待分类的极化SAR图像进行预处理：(2a)对待分类大小为12944×2820像素的极化SAR图像的散射矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后大小为12944×2820×9的散射矩阵；(2b)对滤波后的散射矩阵进行pauli分解，得到奇次散射特征、偶次散射特征、体散射特征组成的三维特征，将三维特征组成像素点的特征矩阵；(2c)将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；(3)生成训练数据集和测试数据集：(3a)从归一化后的特征矩阵中的每一类特征值中随机选取10％的特征值，以所选取的每一个特征值为中心点，在中心点左和上两个方向分别选取47个特征值，在中心点右和下两个方向分别选取48个特征值，将所选取的特征值与其周围所选的特征值，组成96×96像素的特征矩阵块；(3b)从特征矩阵块中随机选取5％的特征矩阵块，作为训练数据集，将其余的特征矩阵块作为测试数据集；(4)对网络的深浅层信息进行融合处理：将训练数据集输入到聚类细化残差模型中，将训练数据集中矩阵在模型中得到的前一层特征图与后一层特征图相同位置上的像素相加，得到在模型训练中浅层高分辨率的细节特征与深层低分辨率的轮廓特征融合的训练数据集，然后使用训练数据集训练网络，得到训练数据集的初始分类结果图；(5)对初始分类图边缘的小图斑进行重新分类处理：(5a)以所得到的初始分类结果图中的每一个像素点为中心点，在中心点左和上两个方向分别选取2个像素点，在中心点右和下两个方向分别选取2个像素点，将所选取的像素点与其周围所选的像素点，组成5×5像素的矩阵块；(5b)将每个矩阵块中心点的分类结果作为该矩阵块中所有像素点的分类结果，得到训练好的聚类细化残差模型；(6)对测试数据集进行分类：将测试数据集输入到训练好的聚类细化残差模型中，得到测试数据集中每个像素点的分类结果。