[发明专利]综合多特征的极化SAR图像随机森林分类方法

权利要求书

1.一种综合多特征的极化SAR图像随机森林分类方法，包括以下步骤：

步骤S1)，利用Pauli分解特征重新定义像素与超像素中心间的距离，利用SLIC超像素生成算法分割待分类的极化SAR图像；

步骤S2)，从待分类的极化SAR图像中提取极化SAR图像的特征信息，构建高维极化特征图；

步骤S3)，选取各类别样本，基于所述步骤S2)中生成的高维极化特征图训练随机森林模型，构建极化SAR图像随机森林模型；

步骤S4)，基于高维极化特征图，利用极化SAR图像随机森林模型统计像素各类别票数，以超像素为单元构建基于随机森林的超像素类别概率图；

步骤S5)，利用超像素间的邻域信息，基于PLR模型迭代修正各超像素类别概率，得到迭代修正的超像素类别概率图；

步骤S6)，以超像素为单元计算各超像素类别，输出分类结果。

2.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，所述步骤S1)中进一步包括以下步骤：

步骤1.1)，根据原始的极化SAR图像数据生成Pauil RGB梯度影像，按步长S采样选取种子点作为超像素初始中心，然后在局部3×3范围内将种子点调整至梯度影像最低点；

步骤1.2)，在每个超像素中心2S×2S范围内依次计算每个像素到该超像素中心的距离，并将该像素划分到与之最邻近超像素内；计算完成后，更新每个超像素的中心，重复上述步骤直至收敛或者达到最大迭代次数，生成大小近似为S×S的超像素；

步骤1.3)，将像素数目小于16的超像素合并到与之最邻近的超像素内，得到最终极化SAR图像超像素。

3.根据权利要求2所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于：所述步骤S1.2)中，假设超像素i的空间位置为(x_i,y_i)，Pauli分解的平均特征矢量为(Pa_i,Pb_i,Pc_i)；像素j的空间位置为(x_j,y_j)，Pauli分解的特征矢量为(Pa_j,Pb_j,Pc_j)，则像素i与超像素j间的空间距离d_s和Pauli距离d_p分别为：

极化SAR图像中像素到超像素之间的距离d为：

式中，max(d_p)为上一次迭代过程中Pauli距离d_p的最大值。

4.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于：在所述步骤S2)中，基于测量矩阵的代数运算和极化目标分解方法两种方法，从原始的极化SAR图像数据中充分提取极化SAR图像的特征信息，生成高维极化特征图。

5.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，所述步骤S3)进一步包括以下步骤：

步骤3.1)，在待分类的原始极化SAR图像的Pauli RGB图上，选取各个地类不同类型的训练样本；

步骤3.2)，对所述步骤3.1)中得到的训练样本采用多次随机、可重复的采样，得到多个bootstrap样本集；

步骤3.3)，基于所述步骤S2)中生成的高维极化特征图，利用步骤3.2)中的每个bootstrap样本集对树的根节点进行初始化，然后从高维极化特征图中随机选择特征和二分阈值，计算该树节点的二分前后的GINI系数的变化值，并根据特征规则将训练样本迭代分裂到左右两个子集，构造对应的决策树；

步骤3.4)，重复上述步骤S3.2)和所述步骤S3.3)，直至设定的最大树深度或者直到不能通过继续分割获取更大的信息增益为止，得到训练好的随机森林模型。