[发明专利]一种基于超像素和卷积网络的极化SAR图像分类方法

权利要求书

1.一种基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，包括，小样本下基于深度学习的极化SAR图像分类，以及利用极化SAR图像的空间信息和超像素分割方法，扩充标记样本的数量。

2.根据权利要求1所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，进一步包括，

采用Pauli分解处理滤波后的极化SAR图像，获得伪彩色图；

使用改进的SLIC超像素方法过分割所述伪彩色图，获得若干个超像素块；

在超像素块内选择与标记样本像素度较高的样本，扩大标记样本的数量；

提取所述滤波后的极化SAR图像的特征信息；

以所述滤波后的极化SAR图像中每一像素点为中心选取像素块，作为中心像素点的原始输入信息；

根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本与测试样本；

构建多层卷积网络模型；

将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；

将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；

结合超像素分割结果对卷积网络输出结果进行后处理；

将所述分类结果与真实的地物标记进行对比，计算正确率；

输出上色后的分类结果图。

3.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述过分割获得若干个超像素块的方法为：

3a)将伪彩色图转化为CIELAB颜色空间下的三维特征向量

C_i＝[l_i a_i b_i]^T；

其中，l_i表示亮度，a_i和b_i表示相对维度；

3b)选择初始种子点，每个种子点的距离近似为其中，N表示整幅极化SAR图像总的像素点个数，K表示预分割的超像素块的个数；

3c)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的颜色差异

3d)在以种子点为中心的2S×2S区域内计算每个像素点与种子点空间距离

其中，T_i和T_i分别代表像素点i和j的相干矩阵，(T_i)^-1和(T_j)^-1分别表示对矩阵T_i和T_j求逆，|·|表示矩阵的行列式，Tr(·)是矩阵的迹；

3e)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的相似度

其中，S表示种子点间的距离，m表示平衡参数，且m＝10；

3f)在以种子点为中心的2S×2S区域内比较所有点的相似度D_i，选取D_i值最大的像素点赋予其中心点相同的类别，并作为新的种子点；

3g)重复步骤3c)-3f)，直到收敛。

4.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述扩大标记样本数量的方法为：

4a)计算每个超像素块内所有标记像素点相干矩阵的均值V；

4b)计算所述均值V与未标记像素点之间的相似度

d_i(T_i,V)＝ln(|V|)+Tr(V^-1T_i)；

其中，T_i，i＝1,2,3...M表示超像素块内未标记的像素点；

4c)将每个超像素块内的相似度d_i按由小到大排序，选取最相似的前30％像素，并对其进行标记，标记为超像素块中原始标记像素点的类别。