[发明专利]基于超像素和图卷积网络的极化SAR图像分类方法

说明书

本发明公开了基于超像素和图卷积网络的极化SAR图像分类方法，具体为，先输入待分类的极化SAR图像，并对其进行精致Lee滤波处理；使用超像素分割得到若干个超像素块，计算每个超像素块的特征，然后划分数据集，从每类超像素块标签中随机挑选相同数量超像素块作为训练集，其余超像素块作为测试集，将训练集中的超像素块当做图中的节点，每个节点与其相连的八个节点相连构成一张无向图，搭建带有池化层的图卷积神经网络，将训练集构建的图的邻接矩阵和特征矩阵送入网络中训练，将训练好的模型保存，再将测试集中超像素块构成的图的邻接矩阵和特征矩阵输入到训练好的模型中得到分类结果。

技术领域

本发明属于图像处理和遥感技术领域，涉及基于超像素和图卷积网络的极化SAR图像分类方法。

背景技术

极化合成孔径雷达(Polarimetric synthetic aperture radar，PolSAR)包含了地物的极化散射特征，可以通过对极化相干矩阵和极化协方差矩阵的进一步处理获取地物目标的各种相关信息。因此极化SAR在军事、农业、环境保护、水文监测、城市规划以及地质勘探等方面具有重大的研究应用价值。因此极化SAR图像分类得到了很多相关学者的关注，一系列相关方法被提出用于解决极化SAR图像分类任务。

极化SAR图像分类方法大致可以分为四类，第一类是基于主动轮廓模型的分类方法，该方法通过初始化曲线，构造能量方程式，最小化曲线的内外部能量，使曲线逐渐接近待检测物体的边缘，分割出目标。但是这种方法计算量大且容易受到噪声影响，分类精度低。该方法适用于较均匀，场景较小的图像。第二类基于模糊理论的分类，模糊理论思想是用0-1之间的值表示每个像元属于每个类的程度，这些值被称为隶属度，每个像元属于所有类的隶属度之和为1，最终用隶属度的大小确定像元所属的分类。模糊理论可以解决图像中模糊像素的问题，但是只适用于分辨率较低的图像。第三类基于支持向量机的分类，支持向量机方法适用于小样本集的场景，但是该方法中的一些参数需要凭实验和经验来进行设置。第四类是基于神经网络的分类，深度学习适用多层神经网络对图像进行特征学习，可以提取出更高级的特征，很大程度上提高了分类的精度。但是深度学习需要大量的训练样本，而极化SAR图像的样本获取是非常困难的。

上述极化SAR分类算法虽考虑了极化SAR的散射特性和空间信息，但仍存在很多缺陷：(1)对于极化SAR图像中的像素点的空间上下文信息，未能充分利用。(2)计算量较大，分类精度有待提高。

综上所述，现有的极化SAR图像分类方法仍存在一些缺陷，难以充分利用极化SAR图像中的像素点的空间上下文信息，分类精度有待提高。

发明内容

本发明的目的是提供基于超像素和图卷积网络的极化SAR图像分类方法，具有可以充分利用极化SAR图像中像素点的空间上下文信息，也可以提高分类精度的特点。

本发明所采用的技术方案是，基于超像素和图卷积网络的极化SAR图像分类方法，具体按照以下步骤实施：

步骤1、输入待分类的极化SAR图像，对极化SAR图像进行精致Lee滤波处理；

步骤2、对经过步骤1处理的极化SAR图像进行超像素分割，得到若干个超像素块；

步骤3、根据步骤1滤波后生成的极化SAR图像，得到每个像素点3*3的极化相干矩阵，利用每个像素点的极化相干矩阵求取该像素点的特征向量；

步骤4、对步骤2得到的超像素块内的像素点的特征向量求平均值，将该平均值作为该超像素块的特征向量；

步骤5、设置每个超像素块的标签，从每类超像素块标签中随机挑选相同数量的超像素块作为训练集，其余超像素块作为测试集；

步骤6、构建带有池化层的图注意力网络；

步骤7、训练带有池化层的图注意力网络；