[发明专利]基于边缘感知双分支FCN的极化SAR图像分类方法

说明书

本发明公开了一种基于边缘感知双分支FCN的极化SAR图像分类方法，属于图像处理技术领域。其包括以下步骤：输入极化SAR图像；使用精致Lee滤波算法对极化SAR图像滤波；得到极化SAR图像的边缘标签；随机选取部分有标记样本，设置为训练集，剩余的有标记样本设置为测试集；使用训练集对双分支全卷积网络进行训练，得到训练好的分类模型。本发明以全卷积网络为基础，增加边缘感知网络，通过同步训练分类网络和边缘感知网络两个分支，达到约束分类区域边缘、增强区域一致性的目的，从而有效地提升极化SAR图像的分类准确率。

技术领域

本发明属于图像处理技术领域，特别是指一种基于边缘感知双分支FCN的极化SAR图像分类方法。

背景技术

近些年来，各类遥感技术得到了非常大的进展，极化SAR在遥感领域也变得愈发重要。极化SAR可以不受时间和天气的约束不断提供高质量图像。而且，得益于极化SAR丰富的极化信息，极化SAR已经在农业、地质勘探、军事、城市规划和海洋监测等诸多领域得到了广泛应用。

极化SAR图像分类是遥感图像处理中的一个重要应用。极化SAR图像分类常用的方法可以分为：基于射特性的分类方法、基于统计特性的分类方法、基于机器学习和深度学习的分类方法。然而，对于极化SAR图像物理机制的进一步研究已经比较困难，尤其是对于复杂的场景，很难得到每一个像素潜在的物理机制。同样，基于统计特性的分类方法也碰到了瓶颈，没有重大理论突破，已经很难再进一步提高极化SAR图像分类性能。受益于机器学习和深度学习的迅猛发展，基于机器学习和深度学习的极化SAR图像分类得到了飞速发展，如支撑向量机、神经网络、马尔科夫随机场、K近邻、贝叶斯(Bayes)、稀疏自编码器、深度置信网络、卷积神经网络都已经成功应用于极化SAR图像分类。

众所周知，极化SAR图像分类是稠密分类问题，上述模型从架构上来说都不是最优模型。幸运的是，近些年提出的全卷积网络是一种稠密分类架构，特别适合应用于极化SAR图像分类，而且在最近几年，一系列基于全卷积网络的极化SAR分类方法被提出，极化SAR图像分类得到了迅猛发展。然而，全卷积网络(Fully Convolutional Networks，FCN)在图像便与区域分类效果不佳，限制了极化SAR图像分类效果的进一步提升。

发明内容

有鉴于此，本发明提出了一种基于边缘感知双分支FCN的极化SAR图像分类方法，能够提升全卷积网络在边缘区域的分类准确率，进一步增强分类的区域一致性。

为实现上述目的，本发明采用的技术方案为：

一种基于边缘感知双分支FCN的极化SAR图像分类方法，包括如下步骤：

步骤1，输入极化SAR图像；

步骤2，使用精致Lee滤波算法对极化SAR图像进行滤波；

步骤3，得到极化SAR图像的边缘标签；

步骤4，随机选取部分有标记样本，设置为训练集，剩余的有标记样本设置为测试集；

步骤5，使用训练集对双分支全卷积网络进行训练，得到训练好的极化SAR图像分类模型。

进一步的，步骤3的具体方式为：采用归一化的高斯模板对极化SAR图像的真实标签图像进行滤波，模板大小为5×5，高斯函数的参数σ＝1.4，之后对滤波得到的梯度图进行阈值处理，将灰度值小于25的像素设置为背景，大于25的像素设置为边缘，从而获得边缘标签。

进一步的，步骤5的具体方式为：边缘感知网络分支只参与训练，测试时只采用分类网络来预测类别输出；此外，将极化SAR图像切割成子图，然后对子图进行训练；所述双分支全卷积网络有两个分支网络，其中，一个分支网络是边缘感知网络，另一个分支网络是全卷积网络，两个分支网络共享编码器结构和参数；

训练双分支全卷积网络的损失函数L_DBFCN为：