[发明专利]基于SLIC和改进的CNN的极化SAR图像分类方法

摘要

本发明提出了一种基于SLIC和改进的CNN的极化SAR图像分类方法，用于解决现有有监督极化SAR图像分类方法中存在的分类速度慢和分类精度低的技术问题。首先，将极化SAR图像Wishart距离和极化特征作为新数据，进行Lee滤波以后输入到已改进的CNN中进行分类，获得初步分类结果，然后将极化SAR图像的伪彩色图像进行SLIC超像素分割，获得超像素分割结果，最后利用超像素分割结果对初步分类结果进行约束后处理，获得最终分类结果。本发明的分类速度快且精度高，可用于极化SAR地物分类等领域。

主权项

1.一种基于SLIC和改进的CNN的极化SAR图像分类方法，包括如下步骤：(1)根据极化SAR图像的九维极化数据T，计算极化SAR图像每一像素点的Wishart距离，并将该距离与九维极化数据T合并，获得极化SAR图像新数据，实现步骤为：(1a)输入极化SAR图像的九维极化数据的类别标记，对每一类标记的相邻样本进行样本选取，得到多个类别极化样本；(1b)计算每个类别极化样本的相干矩阵均值C_i，其中i为样本所属的类别数；(1c)利用相干矩阵均值C_i，计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离d_m；(1d)将计算得到的Wishart距离与极化SAR图像的九维极化数据融合，获得极化SAR图像新数据；(2)利用Lee滤波方法，对极化SAR图像新数据进行滤波，得到滤波后极化SAR图像新数据；(3)从滤波后极化SAR图像新数据中选取同类别的相邻像素点，获得多个类别的小样本块；(4)根据极化SAR图像的尺寸及其待分类图像的类别数，将CNN的全连接层和分类器层更换为分类卷积层，将CNN输出层连接到分类卷积层后，获得高效卷积神经网络；(5)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，得到稳定的高效卷积神经网络，并将极化SAR图像新数据输入到该稳定的高效卷积神经网络中，获得极化SAR图像的初步分类结果，实现步骤如下：(5a)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，在输出层获得小样本块每一像素点分别属于每一类别的概率；(5b)将输出层得到每一像素点的最大概率类别作为该像素点的类别，迭代训练高效卷积神经网络的网络参数，获得稳定的高效卷积神经网络；(5c)将极化SAR图像新数据输入到稳定的高效卷积神经网络中，在输出层获得极化SAR图像每一像素点分别属于每一类别的概率，并将这些类别中概率最大的类别作为该像素点的类别，获得极化SAR图像的初步分类结果；(6)利用SLIC的分割方法，对极化SAR图像进行超像素分割，获得极化SAR图像的超像素分割图，实现步骤如下：(6a)对极化SAR图像的九维极化数据进行Pauli分解，获得极化SAR图像的伪彩色图像；(6b)对极化SAR图像的伪彩色图像进行SLIC的超像素分割，获得极化SAR图像的超像素分割图；(7)将极化SAR图像的超像素分割图中的每一个超像素块作为独立单元，通过极化SAR图像初步分类结果中每一像素点的类别分别计算每一独立单元中所占比例，将比例最大的类别作为该独立单元的类别，获得极化SAR图像分类结果；(8)用红色R、蓝色B和绿色G作为基色，给极化SAR图像分类结果上色，得到极化SAR图像彩色分类结果图。