【技术实现步骤摘要】
一种基于超像素和全卷积网络的极化SAR图像分类方法
本专利技术属于图像处理
，主要涉及一种极化SAR图像分类方法，具体说是一种基于超像素和全卷积网络的方法用于极化SAR图像分类，可用于对极化SAR图像的地物分类和目标识别。
技术介绍
极化SAR图像分类在遥感领域变得越来越重要。极化SAR可以持续提供包含丰富的极化信息的图像，而且其已经在军用以及民用领域得到了管饭应用。因此，极化SAR图像分类得到了很多相关学者的关注，一系列相关算法被提出用于解决极化SAR图像分类任务。极化SAR图像分类方法可以分为三类，第一类是基于散射特性的分类方法，此类方法一般是根据极化SAR数据的物理意义，但是此类算法往往需要缜密的分析和推导，不利于此类算法的发展；第二类算法是基于极化SAR数据的统计特性，此类方法一般是基于Wishart分布，然而Wishart算法是比较消耗时间的，而且只根据Wishart分布也不利于得到好的极化SAR图像分类结果；第三类算法是基于机器学习和深度学习算法，深度学习往往比机器学习的性能更加优异，极化SAR图像...
【技术保护点】
1.一种基于超像素和全卷积网络的极化SAR图像分类方法，其特征在于，包括如下步骤：/n步骤1，根据滤波后待分类的极化SAR图像，获取极化相干矩阵T和H/A/α分解特征，并将其设置为图像原始特征；/n步骤2，将步骤1获取的图像原始特征的每个元素归一化到[0，1]；/n步骤3，随机选取极化SAR图像的部分有标记样本作为训练样本，剩余有标记样本作为测试集；/n步骤4，使用步骤3得到的训练样本训练全卷积网络模型，待模型训练完成后，对整幅极化SAR图像进行分类，并将分类结果记作Result-SFCN；/n步骤5，使用超像素算法对整幅极化SAR图像进行分割，得到分割结果；/n步骤6，用...
【技术特征摘要】
1.一种基于超像素和全卷积网络的极化SAR图像分类方法，其特征在于，包括如下步骤：
步骤1，根据滤波后待分类的极化SAR图像，获取极化相干矩阵T和H/A/α分解特征，并将其设置为图像原始特征；
步骤2，将步骤1获取的图像原始特征的每个元素归一化到[0，1]；
步骤3，随机选取极化SAR图像的部分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4，使用步骤3得到的训练样本训练全卷积网络模型，待模型训练完成后，对整幅极化SAR图像进行分类，并将分类结果记作Result-SFCN；
步骤5，使用超像素算法对整幅极化SAR图像进行分割，得到分割结果；
步骤6，用超像素的分割结果修正Result-SFCN，并将修正后的分类结果标记为Result-SLIC；
步骤7，根据信息熵，得到Result-SFCN中置信度超过设定阈值的分类结果，记作Result-SFCN1；
步骤8，用Result-SFCN1修正Result-SLIC，得到最终的分类结果，记作Result-Entropy，并统计测试集的平均分类正确率、总体分类正确率以及Kappa系数。
2.根据权利要求1所述的一种基于超像素和全卷积网络的极化SAR图像分类方法，其特征在于，步骤1具体包括以下步骤：
1a)提取滤波后待分类的极化SAR图像的极化相干矩阵T，并提取每个像素点的T矩阵的上三角处三个元素的实部以及虚部和T矩阵的对角线上的三个元素作为原始特征的第一部分，标记为F1；
1b)对1a)中得到的极化相干矩阵T进行H/A/α分解，得到3个非负特征值以及熵、平均散射角和各向异性参数，并将其作为原始特征的第二部分，标记为F2；
1c)将1a)与1b)得到的特征合到一起，将其作为图像的原始特征，标记为F。
3.根据权利要求1所述的一种基于超像素和全卷积网络的极化SAR图像分类方法，其特征在于，步骤4具体包括以下步骤：
4a)使用滑窗操作，将整幅极化SAR图像切割为尺寸大小相同的小图，通过滑窗操作得到的图像数目的计算方式如下：
num＝(ceil((Height-W)/S)+1)·(ceil((Width-W)/S)+1)<1>
其中，ceil代表向上取整函数，Height和Width分别代表图像的高度和宽度，W和S分别代表滑窗的尺寸和步长，num代表通过滑窗操作获得图像的数目；
4b)将公式<1>中的W和S分别设置为128和64，计算出图像数目num，且全卷积网络模型设有10层，表示为：
输入层—>卷积层—>池化层—>卷积层—>池化层—...
【专利技术属性】
技术研发人员：陈彦桥，高峰，关俊志，王雅涵，柴兴华，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。