基于CNN和SMM的极化SAR图像分类方法技术

本发明专利技术提出了一种基于CNN和SMM的极化SAR图像分类方法，用于解决现有极化SAR图像分类方法因存在图像空间邻域信息丢失而导致分类精度不高的问题，包括如下步骤：对极化SAR图像进行滤波；选取训练样本集合；提取样本特征；初始化卷积神经网络CNN；归一化样本特征，训练卷积神经网络CNN；提取feature map；输入feature map到SMM分类器中训练；利用训练好的SMM分类器进行极化SAR图像分类；输出分类结果，并计算分类精度。本发明专利技术直接考虑更能体现空间邻域信息的feature map，同时引入SMM分类器，明显地提高了极化SAR图像分类精度，可用于对极化SAR图像的地物分类和目标识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及一种极化SAR图像分类方法，具体涉及一种基于CNN和SMM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。
技术介绍
SAR是合成孔径雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，极化SAR是一种高分辨主动式相干多通道合成孔径雷达，它是SAR的一个重要组成部分，具有多极化通道获取数据的特性，相比SAR能够更加丰富的表示信息。可广泛应用于军事、导航、农业、地理监视等诸多领域。在国际遥感领域极其重要，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。现有的极化SAR图像分类方法可以分为无监督分类和有监督分类。无监督分类方法包括：无监督分类方法是指没有标准类标做为指导的分类方法，主要方法有Cloude等提出的H/α无监督分类，它是通过Cloude目标分解得到散射熵H和平均散射角α特征参数后，根据这两个参数的范围对目标进行八分类，这种方法分类边界固定导致区域的划分过于武断，且只利用H和α这两个参数，极化信息没有得到充分利用，导致分类准确度低；Lee等提出基于Cloude目标分解和Wishart分类器的H/α-Wishart无监督分类方法，它是在原始H/α分类基础上增加了Wishart迭代，弥补了H/α分类固定边界的缺陷，但这种方法不能很好的保持各类的极化散射特性；Lee等基于Freeman分解提出了一种极化SAR图像分类方法，它主要是根据Freeman分解获得平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分，并对初始划分进行类别合并，最后再利用Wishart分类器重新划分，这种方法保持了各类的散射特性，但存在多类别的划分及合并，计算复杂度较高。有监督分类方法包括：有监督分类方法是指有标准类标做为指导的分类方法，主要方法有Lee等提出的基于复Wishart分布的极化协方差矩阵监督分类方法，由于极化协方差矩阵C可以通过线性变换得到极化相干矩阵T，这样就得到Wishart分类器，这种方法要求C或T矩阵的概率密度分布函数服从复Wishart分布，对数据分布要求严格；Heermann等提出的基于后向传播神经网络的极化SAR图像分类方法，这种方
法收敛速度慢，且容易陷入局部最优。最近，Jiao等人提出基于CNN和SVM的极化SAR图像分类方法，这种方法在卷积的时候虽然考虑到了图像的空间邻域信息，但是在全连接层将数据拉成一列，用SVM进行分类，造成了对空间结构有所破坏和丢失。因此，关于图像的空间邻域信息还需要进一步探索和利用。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提出一种基于CNN和SMM的极化SAR图像分类方法，用于解决现有极化SAR图像分类方法因存在图像空间邻域信息丢失而导致分类精度不高的问题为实现上述目的，本专利技术采取的技术方案，包括如下步骤：步骤1，输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像；步骤2，利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合；步骤3，利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征；步骤4，初始化卷积神经网络CNN的相关参数；步骤5，对所述样本特征进行归一化处理，并将经过归一化处理的样本特征输入到卷积神经网络CNN中进行特征训练；步骤6，从经过特征训练的卷积神经网络CNN中提取feature map，作为空间邻域特征；步骤7，将所述feature map输入到支持矩阵机SMM分类器中进行分类器训练，用于保持极化SAR图像的空间结构，防止空间邻域信息丢失；步骤8，利用经过分类器训练得到的支持矩阵机SMM分类器进行极化SAR图像分类；步骤9，输出经过分类的图像，并计算分类精度。本专利技术与现有的技术相比，具有以下优点：1.本专利技术实现特征提取时，由于采用从卷积神经网络CNN中提取feature map，作为空间邻域特征，与现有技术中采用的卷积神经网络CNN中的全连接层特征相比，具有避免了图像结构信息被破坏，能够更好的保持空间邻域信息，有利于图像分类精
度的提高。2.本专利技术实现分类时，由于采用将所述feature map输入到支持矩阵机SMM分类器中进行分类器训练，与现有技术中采用将全连接层特征输入到SVM分类器进行训练的方法相比，保持了原始图像的全局特征，有效地提高了分类精度。附图说明图1是本专利技术的流程框图；图2是本专利技术仿真实验中采用的极化SAR图像；图3是图2的地物分布参考图；图4是对图2采用经典的Wishart分类器分类所得到的结果图；图5是对图2采用经典的基于Cloude分解和Freeman分解，结合SVM分类的方法得到的结果图；图6是本专利技术对图2分类得到的结果图。具体实施方式以下结合附图和具体实施例，对专利技术作进一步描述。参照图1，本专利技术的具体实现步骤如下：步骤1，输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像，通过如下步骤实现：步骤1a，边缘检测及方向窗口选取：在待分类的极化SAR分类图像上，设置滤波窗口大小为7×7，按照像素空间位置，从左到右、从上到下将滤波窗口依次分解为九个子窗口，其中子窗口大小为3×3，子窗口之间有重叠，计算每个子窗口的均值，获得3×3大小的均值窗口；在均值窗口内，用四方向(水平，垂直，45度，135度)边缘模板进行检测以确定边缘方向，即将均值窗口分别与四个模板进行加权，对得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应的方向作为边缘方向；在3×3的均值窗口内，比较边缘方向两侧的像素元素与中心像素(位于3×3均值窗口中心的那个像素)的邻近性，即均值窗口在边缘方向两侧的值减去中心像素的值，选取结果绝对值最小的一侧作为方向窗口(即其滤波同质区)；步骤1b，权值参数计算及滤波处理：在方向窗口内，采用下式：b=var(y)-y‾*σv2(1+σv2)*var(y)---(1)]]>计算精致极化Lee滤波的滤波系数b，(1)式中的y表示方向窗口内极化SAR总功率图像的像素值，var(y)表示方向窗口内像素值的总功率方差，表示y的数学期望，σv表示相干斑噪声的标准差。由滤波系数b，根据下式Z^=Z‾+b(Z-Z‾)---(2)]]>计算滤波后中心像素的极化相干矩阵或极化协方差矩阵(2)式中的表示方向窗口内像素的极化相干矩阵或极化协方差矩阵的数学期望，Z表示中心像素的极化相干矩阵或极化协方差矩阵。步骤2，利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合，通过如下步骤实现：本专利技术中采样得到的每类样本数目为500个。步骤3，利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征，通过如下步骤实现：步骤3a，极化相干矩阵T和极化协方差矩阵C具有丰富的相位和幅度信息，所以可提取维数为3×3的极化相干矩阵T的上三角位置的四个元素的模值，维数为3×3的极化本文档来自技高网...

【技术保护点】
一种基于CNN和SMM的极化SAR图像分类方法，包括如下步骤：(1)输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像；(2)利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合；(3)利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征；(4)随机初始化卷积神经网络CNN的相关参数；(5)对所述样本特征进行归一化处理，并将经过归一化处理的样本特征输入到卷积神经网络CNN中进行特征训练；(6)从经过特征训练的卷积神经网络CNN中提取feature map，作为空间邻域特征；(7)将所述feature map输入到支持矩阵机SMM分类器中进行分类器训练，用于保持极化SAR图像的空间结构，防止空间邻域信息丢失；(8)利用经过所述分类器训练得到的支持矩阵机SMM分类器进行极化SAR图像分类；(9)输出经过分类的图像，并计算分类精度。

【技术特征摘要】
1.一种基于CNN和SMM的极化SAR图像分类方法，包括如下步骤：(1)输入待分类的极化SAR图像，并对该图像进行精致极化Lee滤波，得到包含有极化相干矩阵T和极化协方差矩阵C的极化SAR图像；(2)利用已标注的极化SAR图像的地物分布参考图中的类别信息，随机选择相同数量的各类别训练样本，得到训练样本集合；(3)利用所述极化相干矩阵T和极化协方差矩阵C，提取所述训练样本集合的样本特征；(4)随机初始化卷积神经网络CNN的相关参数；(5)对所述样本特征进行归一化处理，并将经过归一化处理的样本特征输入到卷积神经网络CNN中进行特征训练；(6)从经过特征训练的卷积神经网络CNN中提取feature map，作为空间邻域特征；(7)将所述feature map输入到支持矩阵机SMM分类器中进行分类器训练，用于保持极化SAR图像的空间结构，防止空间邻域信息丢失；(8)利用经过所述分类器训练得到的支持矩阵机SMM分类器进行极化SAR图像分类；(9)输出经过分类的图像，并计算分类精度。2.根据权利要求书1所述的基于CNN和SMM的极化SAR图像分类方法，其特征在于，步骤(1)中所述的精致极化Lee滤波，按照如下步骤进行：1a)设置待极化SAR图像的滤波窗口大小，得到多个均值窗口，选取每个均值窗口不同方向边缘模板，进行边缘检测，得到多个方向滤波窗口；1b)在所述多个方向滤波窗口中，对待极化SAR图...

【专利技术属性】
技术研发人员：焦李成，刘旭，张丹，赵佳琦，赵进，尚荣华，侯彪，杨淑媛，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61