[发明专利]基于半监督滑窗全卷积网络的极化SAR图像分类方法

说明书

本发明公开了一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，属于图像处理技术领域。包括如下步骤：获取极化SAR图像各像素点的极化相干矩阵并去噪；对去噪后的矩阵T进行H/A/α分解；将矩阵T和H/A/α分解特征作为极化SAR图像的原始特征并归一化；选取训练样本和测试集，对半监督滑窗全卷积网络进行训练；使用训练后的网络对极化SAR图像进行分类，并统计测试样本的分类结果。本发明采用半监督滑窗全卷积网络进行极化SAR图像分类，得益于其端到端、点到点的分类架构，结合半监督策略，可以用较少的训练样本，得到较好的分类结果有利于获取良好的分类结果。

技术领域

本发明属于图像处理技术领域，特别是指一种基于半监督滑窗全卷积网络的极化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

极化SAR图像可以不受时间和天气约束，为一种高质量图像。而且，得益于其丰富的极化信息，极化SAR图像已经被成功应用于农业、地质勘探、城市规划、海洋监测等诸多领域。因此，极化SAR图像的应用研究得到了相关学者的关注，其中，极化SAR图像分类是最为基础的一项研究，相关学者提出了一系列极化SAR图像分类算法。

极化SAR图像分类大致可以分为三类，分别为：基于散射特性的分类方法、基于数据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。基于散射特性的分类方法以极化SAR数据的物理意义为基础，经过几十年发展后已经碰到瓶颈，而且此类方法需要缜密的数学分析与推导，限制了此类算法的进一步发展；基于数据特性的分类方法一般是基于Wishart分布，此类方法时间消耗较为严重，而且单独依赖Wishart分布也很难得到较好的极化SAR分类结果；基于机器学习和深度学习的分类方法在最近几年得到了迅猛发展，例如支持向量机、神经网络、朴素贝叶斯、随机森林、稀疏自编码器、深度置信网络、卷积神经网络等算法都在极化SAR图像分类得到了成功应用。然而，极化SAR图像分类是稠密分类，而上述算法从架构上来说都不是最适合处理极化SAR图像分类的架构。

近些年提出的全卷积网络是一种端到端、点到点的密级分类架构，因此，全卷积网络是最适于处理极化SAR图像分类的架构。然而，全卷积网络需要足够的有标记训练样本才可以得到较好的分类结果。众所周知，极化SAR图像标记非常消耗人力、物力，因此用较少的训练样本得到较好的极化SAR图像分类成为了当前极化SAR图像分类的重要诉求。但是，现有技术中尚缺少能够解决上述诉求的技术方案。

发明内容

有鉴于此，本发明提出了一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，其以全卷积网络为基础网络，并采用深度重构分类网络模型架构,可针对极化SAR图像分类在使用较少训练样本的情况下得到较好的分类结果。

为实现上述目的，本发明所采用的技术方案为：

一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，包括如下步骤：

步骤1，输入待分类的极化SAR图像，获取图像各像素点的极化相干矩阵，并对其进行精致Lee滤波，得到去噪后的极化相干矩阵T；

步骤2，对去噪后的极化相干矩阵T进行H/A/α分解；

步骤3，将步骤1得到的去噪后的极化相干矩阵T和步骤2得到的H/A/α分解作为极化SAR图像的原始特征，并将原始特征的每个元素归一化到[0，1]；

步骤4，随机选取部分极化SAR图像的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5，使用步骤4得到的训练样本训练半监督滑窗全卷积网络；

步骤6，使用步骤5训练得到的半监督滑窗全卷积网络对极化SAR图像进行分类，并统计测试样本的分类结果。

进一步的，步骤3的具体方式为：