[发明专利]基于DFIC超像素的PolSAR图像地物分类方法

摘要

本发明公开了一种基于DFIC超像素的PolSAR图像地物分类方法。本发明的实现步骤为：(1)输入极化合成孔径雷达PolSAR图像；(2)对PolSAR图像进行克劳德目标分解；(3)初始化超像素信息；(4)计算像素点之间的特征距离；(5)更新超像素；(6)构建卷积神经网络；(7)对PolSAR图像进行分类；(8)用分解特征迭代聚类DFIC超像素优化分类结果。本发明相比现有技术的超像素分割方法具有分割边界准确，超像素内部紧促的优点，相对于现有技术的单像素分类方法，具有分类精度高，不受噪点影响的优点。本发明可用于极化合成孔径雷达PolSAR图像的分类。

主权项

1.一种基于DFIC超像素的PolSAR图像地物分类方法，其特征在于，包括如下步骤：(1)输入一幅待分类的极化合成孔径雷达PolSAR图像；(2)进行克劳德目标分解：对极化合成孔径雷达PolSAR图像进行克劳德目标分解，得到7个特征；(3)初始化超像素：(3a)利用近似尺度值公式，计算每个待生成的超像素的近似尺度值；(3b)在极化合成孔径雷达PolSAR图像中，以超像素的近似尺度值为间隔设置每个超像素的种子点；(3c)计算每个种子点与其周围3×3像素邻域内，每个点与该种子点的欧式距离的梯度，选择最小梯度的像素点作为新的种子点，种子点就是超像素的中心；(4)按照下式，计算每个像素点与其搜索范围2S×2S内每一个超像素中心点的特征距离：其中，Di,j表示第i个像素点与其搜索范围2S×2S内的第j个超像素中心点之间的特征距离，Li,j表示第i个像素和第j个超像素中心点之间的拉姆达特征距离，Bi,j表示第i个像素和第j个超像素中心点之间的贝塔特征距离，Gi,j表示第i个像素和第j个超像素中心点之间的伽马特征距离，Ai,j表示第i个像素和第j个超像素中心点之间的阿尔法特征距离，Ei,j表示第i个像素和第j个超像素中心点之间的极化熵特征距离，Ci,j表示第i个像素和第j个超像素中心点之间的德尔塔特征距离，Hi,j表示第i个像素和第j个超像素中心点之间的各项异度特征距离，特征归一化常数F为200，特征距离与欧式距离之间的权重系数λ是1；xi和xj分别表示第i个像素和第j个像素的横坐标值，yi和yj分别表示第i个像素和第j个像素的纵坐标值；(5)更新超像素值：(5a)从每一个像素点与其搜索范围2S×2S内每一个超像素中心点的特征距离中找出最小特征距离所对应的超像素中心，将每一个像素点归为该超像素中心所对应的超像素；(5b)将每一个超像素内所有像素点的横坐标值求和后除以像素点的总数结果，作为超像素的中心横坐标值，将所有像素点的纵坐标值求和后除以像素点的总数结果，作为超像素的中心纵坐标值；(5c)判断每个超像素的中心坐标值与上一次迭代的超像素中心坐标值之差的绝对值是否大于0.1，若是，则执行步骤(5a)，否则，执行步骤(5e)；(5e)利用增强连通性的方法，消除超像素中的非连通性区域；(6)构建卷积神经网络：构建一个包含两个卷积层，两个池化层，一个全连接层的卷积神经网络，该卷积神经网络的第一层为一个5×5×32个节点的卷积层，第二层为一个2×2节点的最大值池化层，第三层为一个3×3×64节点的卷积层，第四层为一个2×2节点的最大值池化层，第五层为一个576节点的全连接层；(7)对极化合成孔径雷达PolSAR图像进行分类：(7a)从极化合成孔径雷达PolSAR图像中，随机选取10％的像素点作为训练数据；(7b)将训练数据输入卷积神经网络进行训练；(7c)将极化合成孔径雷达PolSAR图像中的所有像素点，输入到训练好的卷积神经网络中，得到分类结果；(8)用超像素信息优化分类结果：(8a)统计每一个超像素内每一种地物类型的像素点数目所占超像素内所有像素点数目的百分比，从百分比中找到最大值以及最大值所对应的地物类型；(8b)将每一个超像素中百分比大于0.4所对应的地物类型，作为该超像素内所有像素点的地物类型。