[发明专利]一种基于超像素和全卷积网络的极化SAR图像分类方法

说明书

本发明公开了一种基于超像素和全卷积网络的极化SAR图像分类方法，主要解决现有极化SAR图像分类方法分类精度不高的问题。实现步骤为：输入滤波后的极化SAR图像；提取T矩阵和H/A/α分解特征为原始特征；随机选取部分有标记样本作为训练集，剩余有标记样本作为测试集；使用训练集训练全卷积网络模型，模型训练完成后，对整幅极化SAR图像进行分类，并将结果标记为Result‑SFCN；使用超像素算法对整幅极化SAR图像进行分割，得到分割结果；用超像素的分割结果修正Result‑SFCN，将修正后的分类结果标记为Result‑SLIC；根据信息熵，得到Result‑SFCN中置信度较高的分类结果，记作Result‑SFCN1；用Result‑SFCN1修正Result‑SLIC，得到最终分类结果，记作Result‑Entropy；输出分类结果。本发明使用超像素修正SFCN的分类结果，可以进一步提高其分类结果。

技术领域

本发明属于图像处理技术领域，主要涉及一种极化SAR图像分类方法，具体说是一种基于超像素和全卷积网络的方法用于极化SAR图像分类，可用于对极化SAR图像的地物分类和目标识别。

背景技术

极化SAR图像分类在遥感领域变得越来越重要。极化SAR可以持续提供包含丰富的极化信息的图像，而且其已经在军用以及民用领域得到了管饭应用。因此，极化SAR图像分类得到了很多相关学者的关注，一系列相关算法被提出用于解决极化SAR图像分类任务。

极化SAR图像分类方法可以分为三类，第一类是基于散射特性的分类方法，此类方法一般是根据极化SAR数据的物理意义，但是此类算法往往需要缜密的分析和推导，不利于此类算法的发展；第二类算法是基于极化SAR数据的统计特性，此类方法一般是基于Wishart分布，然而Wishart算法是比较消耗时间的，而且只根据Wishart分布也不利于得到好的极化SAR图像分类结果；第三类算法是基于机器学习和深度学习算法，深度学习往往比机器学习的性能更加优异，极化SAR图像分类问题从本质上来说就是密集分类问题，最适合用于处理极化SAR图像分类任务的深度学习算法就是全卷积网络，因为全卷积网络的分类架构是端到端、点到点的，然而，在之前的基于全卷积网络的极化SAR分类算法中，并没有使用超像素去修正其分类结果，限制了其分类结果的进一步提高。

发明内容

本发明的目的是针对上述问题，提出了一种基于超像素和全卷积网络的方法用于极化SAR图像分类，得到更为良好的分类结果。

为实现上述目的，本发明的技术方案包含如下步骤：

步骤1，根据滤波后待分类的极化SAR图像，获取极化相干矩阵T和H/A/α分解特征，并将其设置为图像原始特征；

步骤2，将步骤1获取的图像原始特征的每个元素归一化到[0，1]；

步骤3，随机选取极化SAR图像的部分有标记样本作为训练样本，剩余有标记样本作为测试集；

步骤4，使用步骤3得到的训练样本训练全卷积网络模型，待模型训练完成后，对整幅极化SAR图像进行分类，并将分类结果记作Result-SFCN；

步骤5，使用超像素算法对整幅极化SAR图像进行分割，得到分割结果；

步骤6，用超像素的分割结果修正Result-SFCN，并将修正后的分类结果标记为Result-SLIC；

步骤7，根据信息熵，得到Result-SFCN中置信度超过设定阈值的分类结果，记作Result-SFCN1；

步骤8，用Result-SFCN1修正Result-SLIC，得到最终的分类结果，记作Result-Entropy,并统计测试集的平均分类正确率、总体分类正确率以及Kappa系数。

其中，步骤1具体包括以下步骤：