[发明专利]基于加权稠密网的极化SAR图像分类方法

说明书

一种基于加权稠密网的极化SAR图像分类方法，其步骤为：(1)构建加权稠密网；(2)选取待分类的极化SAR图像；(3)对待分类极化SAR图像进行滤波；(4)获得散射特征；(5)用待分类极化SAR图像的散射特征值组成一个三维特征矩阵；(6)生成训练数据集和测试数据集；(7)使用加权稠密网对训练数据集进行分类；(8)对测试数据集进行分类，获得分类结果。本发明通过计算待分类极化SAR图像的特征图的权重值，只保留权重值大于0.5的特征图用于分类，充分利用了对分类最重要的特征，同时压制不重要的特征，提高了分类的准确率，加快了网络的训练速度。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像地物分类技术领域中的一种基于加权稠密网的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可用于对极化SAR图像中的地物目标进行分类。

背景技术

极化合成孔径雷达是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像分类的目的是利用机载或者星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。

随着全极化SAR遥感技术的进一步发展和应用程度的不断深入，全极化SAR图像分类领域依然存在一些问题，如全极化SAR图像受分辨率、噪声、滤波等影响，传统的目标分解无法获得更全面的极化特性，势必会影响分类精度，而且传统的SVM分类器的训练速度缓慢。

MA Dubiao，LU Chunyan等人在其发表的论文“基于联合特征和SVM的极化SAR图像分类方法”(无线电工程，2017,47(3)：31-34,46)中提出了一种联合特征和SVM相结合的极化SAR图像中的地物目标分类方法。该方法首先提取极化SAR图像中地物目标的多类散射特征，然后结合极化SAR图像中地物目标的具有上下文知识的纹理特征，构建联合特征矢量，再利用联合特征矢量训练SVM分类器，最后将未知数据输入训练好的分类器完成最终的分类。该方法虽然得到了极化SAR图像中地物目标的多类散射特征，并结合了极化SAR图像中地物目标的纹理特征，但是，该方法仍然存在的不足之处是，由于极化SAR图像是基于相干成像的原理得到的，所以极化SAR图像中不可避免地存在相干斑噪声，所以在联合特征中存在很多被相干斑噪声干扰的特征，这些是对分类意义不大的信息，这些对分类意义不大的信息的存在会导致分类精度过低。

西安电子科技大学在其申请的专利文献“基于协同训练和深度SVM的极化SAR分类方法”(专利申请号：201410319969.5，公开号：104077599B)中提出了一种基于协同训练和深度SVM的极化SAR地物目标分类方法。该方法首先对待分类的地物目标进行pauli分解，得到相干矩阵，然后将得到相干矩阵进行预分割，再利用分割后的相干矩阵和深度SVM进行地物目标分类。深度SVM能够在相干矩阵特征的基础上提取更高维的特征，避免了由于特征提取不合理造成的分类精度下降，协同训练能够利用无标记样本的信息，避免了由于有标记样本较少造成的分类精度下降，得到了不错的分类效果。但是，该方法仍然存在的不足之处是：由于协同训练算法在训练过程中需要多次进行数据交换，导致深度SVM网络训练时间过长。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于加权稠密网的极化SAR图像分类方法。本发明与现有其他极化SAR图像分类方法相比，能够更充分地利用极化SAR图像的特征信息，有效地提高极化SAR图像的分类精度，同时极大缩短网络训练时间。