[发明专利]基于SLIC和改进的CNN的极化SAR图像分类方法

说明书

本发明提出了一种基于SLIC和改进的CNN的极化SAR图像分类方法，用于解决现有有监督极化SAR图像分类方法中存在的分类速度慢和分类精度低的技术问题。首先，将极化SAR图像Wishart距离和极化特征作为新数据，进行Lee滤波以后输入到已改进的CNN中进行分类，获得初步分类结果，然后将极化SAR图像的伪彩色图像进行SLIC超像素分割，获得超像素分割结果，最后利用超像素分割结果对初步分类结果进行约束后处理，获得最终分类结果。本发明的分类速度快且精度高，可用于极化SAR地物分类等领域。

技术领域

本发明属于图像处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种SLIC和改进的CNN融合的极化SAR图像分类方法，使卷积神经网络模型可以对极化SAR数据进行快速准确分类，可应用于对极化SAR图像的地物分类、目标检测和目标识别。

背景技术

图像分类技术主要是通过图像信息中反映的不同特征，对图像进行量化分析，将其归于某一类别。SAR图像获取途径同自然图像不同,其利用成像的地面目标与雷达间相对运动来改善雷达成像的方位向分辨率。SAR图像的每一像素点不仅包含反映地表微波反射强度的灰度值，还包含与雷达斜距有管的相位值。SAR图像所反映的特征与自然图像有很大差异，而且其获取成像过程中雷达回波相干性干扰形成大量相干斑噪声，使其分类方法与自然图像分类方法有很大差异，因此，SAR图像分类形成了图像分类技术中的一个特殊分支。

与传统的合成孔径雷达SAR相比，极化SAR可以得到更加丰富全面的目标信息，极大的提高了对于地物的识别分析能力。因此，极化SAR已经成为了SAR的主要发展趋势，并且在军事领域，地质与资源勘探，地形测绘和制图，海洋研究与应用，水资源应用，农业和林业应用等多个方面都有广泛的应用。其中，地物分类是极化SAR图像理解编译的重要内容。现有的极化SAR图像分类方法按照有无标记样本的可以分为有监督的分类和无监督的分类。

无监督的分类方法主要是通过极化SAR图像包含的各种固有特征信息来作为分类器输入进行分类，不需要对极化SAR图像进行标记，分类的类别数一般比较有限，经典模型包括：

Lee等人提出了基于H/α目标分解和Wishart分类器的H/α—Wishart分类方法，它在原始H/α分类的基础之上添加了Wishart迭代，弥补了边界固定带来的缺陷但是这种方法不能保持极化散射特性。

Lee等人基于Freeman分解还提出了一种极化SAR图像的分类方法，它主要是根据Freeman分解获得平面散射功率，二面角散射功率和体散射功率的大小对极化数据进行划分，很好的保持了各类的散射特性，但是存在多类别合并划分复杂度比较高的问题。

西安电子科技大学王爽等人利用Freeman分解得到的三种散射功率对图像进行初始大类的划分，并利用同极化比对初始大类进行更加细致的划分，最后在划分的初始类别的基础上对整幅图像进行复Wishart迭代，进一步提高了分类的准确度，该算法思想简单，易于理解操作，具有较高的分类准确率，但是该算法存在一定的局限性，该算法分类类别数目固定不变，一般为9类，因此对于类别数目多于9类或者少于9类的数据来说，该算法的分类精度会受到影响。

有监督的分类方由于近年深度学习的普遍应用可以包括基于固有特征加分类器和基于网络加分类器两种分类方法，两类的典型算法如下：

Lee等人提出的基于复Wishart分布的极化协方差矩阵监督分类方法，由于极化协方差矩阵C可以通过线性变换的到极化相干矩阵T，这样得到Wishart分类器，这种方法限制C和T矩阵的概率密度分布服从复Wishart分布，对数据分布类型要求比较严格；Heermann等人提出了基于后向传播的神经网络的极化SAR图像分类方法，但是该方法收敛速度较慢，容易陷入局部最优。