一种用于极化SAR图像的分类方法技术

本发明专利技术雷达图像处理与解译技术，具体的说是涉及一种用于极化SAR图像的分类方法。本发明专利技术的方法利用极化‑超像素方法使超像素方法更使用于极化SAR图像，利用极化代数操作与极化目标分解提取多尺度极化特征，并利用卷积神经网络提取深层的极化特征，充分利用了极化SAR数据的极化特性，减轻了对分类器的要求，改善极化SAR图像分类结果，提高分类准确率。

A classification method for polarizing SAR images

The technology of radar image processing and interpretation of the invention is specifically concerned with a classification method for polarizing SAR images. The method of the invention using polarization super pixel method to super pixel method is more used in polarimetric SAR image, multi-scale feature extraction using polarization polarization decomposition of algebraic operations and polarization target, and using convolutional neural network to extract polarization characteristic of deep, make full use of the polarization characteristics of polarization SAR data, reducing the classification requirements. Improvement of polarimetric SAR image classification results, improve classification accuracy rate.

【技术实现步骤摘要】
一种用于极化SAR图像的分类方法
本专利技术属于雷达图像处理与解译技术，具体的说是涉及一种用于极化SAR图像的分类方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)是一种主动式的对地成像雷达系统,可搭载在飞机或卫星上。它通过合成孔径与脉冲压缩技术实现了对海洋和陆地表面的二维高分辨率图像的获取。与光学遥感不同的是，合成孔径雷达系统完全不受光照或天气条件的影响,能实现全天时全天候的对地观测。极化SAR图像分类是极化SAR图像解译中最重要的应用之一。不仅在民用方面，如农作物生长监测、城市发展趋势分析、森林树种估计、地质地表分析、自然资源勘探、洪涝灾害监视等应用领域，还在伪装目标识别、军事勘察等军事方面，SAR图像地物分类技术都有着其非常重要的应用价值与意义。如今，SAR系统渐渐演变出多极化的工作模式。通过在不同极化方式下所获取的散射回波信号，可研究分析地物目标的散射机制，不仅能避免目标信息的不确定性问题，还能抗干扰能力与增强杂波抑制能力。然而，目前对极化信息资源的利用仍然远远不够，主要仍然停留在对极化目标分解方法的研究。传统的极化SAR分类方法并没有充分本文档来自技高网...

【技术保护点】
一种用于极化SAR图像的分类方法，其特征在于，包括以下步骤：S1、以极化SAR图像的散射矩阵

【技术特征摘要】
1.一种用于极化SAR图像的分类方法，其特征在于，包括以下步骤：S1、以极化SAR图像的散射矩阵作为输入，提取全极化SAR图像的极化特征，其中Shh、Svh、Shv、Svv分别为四个极化通道下的极化分量；所述极化特征包括基于极化代数运算的极化特征、基于极化目标分解的极化特征以及将上述两类极化特征归一化组成的高维极化特征向量，表示为：MF＝[M_F1,M_F2,…,M_FN],M_Fi∈RM其中，N是样本总数，M是特征维数；S2、在待分类的极化SAR图像中随机选取一定数量的训练样本；S3、设置卷积神经网络参数，具体包括：S31、将高维极化特征向量M_Fi进行邻域扩展成256维向量；S32、利用卷积神经网络计算深层极化特征，对极化SAR图像中的每一样本，都以16×16矩阵形式表达；S33、利用步骤S2得到的训练样本训练卷积神经网络，直到满足终止条件，得到卷积神经网络参数W,b，其中W是CNN卷积层的卷积核参数，b是卷积层的偏置；S4、利用Softmax分类器和待分类的极化SAR图像的真实地物分布参考图中已标注的像素，微调初始的卷积层相关参数，将微调后得到的参数作为训练好的卷积层参数，具体为：S41、由极化SAR图像的真实地物分布参考图，已知每个训练样本对应的标签，对应的标签表示为：l＝[l1,l2,…,lN],li∈L其中，L是标签集，即L＝{1,2,···,C}，而C是类别总数；将训练样本送入卷积神经网络网络，得到卷积神经网络提取的深层极化特征数据；S42、将步骤S41得到的深层极化特征数据送入Softmax分类器，微调卷积神经网络网络的参数，得到更优的卷积层池化参数；S5、将极化SAR图像的所有样本作为测试样本，输入训练好的卷积神经网络网络中得到每个像素对应的深层极化特征，再送入Softmax分类器，得到每个像素的标签，表示为：S6、生成极化SAR图像对应的极化超像素,图像划分成K个超像素区域：{R1,…,Rj,…,RK},j＝1,…,K，具体包括：S61、获取极化SAR图像中每个像...

【专利技术属性】
技术研发人员：崔宗勇，王贤圆，曹宗杰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51