[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

摘要

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。

主权项

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，...，Li×Li，...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，Li为第i个特征矩阵块的边长，6≤Li≤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。