[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

说明书

本发明公开了基于超像素和卷积网络的极化SAR图像分类方法，包括对滤波后的极化SAR图像进行Pauli分解，获得伪彩色图；使用改进的SLIC超像素方法对伪彩色图进行过分割，获得超像素块；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；提取极化SAR的特征信息；以极化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和测试样本；构建一个三层的卷积网络学习深度特征；训练卷积网络；进行分类；结合超像素分割结果对卷积网络输出结果进行后处理；计算正确率；输出分类结果。本发明解决现有小样本情况下极化SAR分类精度不高，区域一致性差的问题。

技术领域

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

背景技术

合成孔径雷达SAR是一种主动式微波遥感器，可以提供全天候、全天时的成像特点，可以对植被覆盖的地面、沙漠或浅水覆盖等地区成像，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比，极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。

根据处理方法的不同，全极化SAR图像分类方法可以分为非监督分类方法和监督分类方法。对于这两种方法，特征提取和分类技术是两个基本要素。极化SAR图像分类的性能在很大程度上依赖于特征提取。经典的极化SAR分类方法包括：

Lee等^[1]提出了基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法。该方法通过Cloude分解获取H和α两个表征极化数据的特征，根据H和α组成的H/α平面将整幅极化SAR图像分为8类，然后在此基础上增加了Wishart迭代。H/α-Wishart分类方法利用了极化数据的分布信息，使得极化信息利用更加全面，并且引入Wishart迭代的方法，有效的提高了分类的精度。但是该方法存在两个技术缺陷：一是分类的类别数固定，对复杂区域分类缺乏灵活性，分类准确度低；另一个是该方法只考虑了像素点的统计信息，并没有考虑像素点之间的空间关系，分类结果区域一直性较差。

参考文献：[1]Lee J S,Grunes M R,Ainsworth T L,et a1.Unsupervisedclassification using polarimetric decomposition and the complex Wishartclassifier[J].IEEE Trans.Geosci.Remote Sensing.1999,37(5):2249-2258.

Lee等^[2]在Freeman分解的基础上，提出了一种基于Freeman-Durden分解的极化SAR图像分类方法。该方法主要是根据地面目标的散射特性，用Freeman分解的方法将目标分解为平面散射类型、二面角散射类型和体散射类型，并按照主散射类型对目标进行划分，最后再利用Wishart分类器对每一个像素进行重新划分。该算法结合了Freeman分解和极化SAR数据的分布特性，有效的提高了极化SAR图像的分类效果，但由于该方法中存在的多类别的划分以及合并，因此其计算复杂度较高，而且该方法仍然没有考虑像素点之间的空间关系。

参考文献：[2]Lee J S,Grunes M R,Pottier E,et a1.Unsupervised terrainclassification preserving polarimetric scattering characteristic[J].IEEETrans.Geosci.Remote Sensing.2004,42(4):722-731.

发明内容