一种基于超像素和卷积网络的极化SAR图像分类方法技术

本发明专利技术公开了基于超像素和卷积网络的极化SAR图像分类方法，包括对滤波后的极化SAR图像进行Pauli分解，获得伪彩色图；使用改进的SLIC超像素方法对伪彩色图进行过分割，获得超像素块；在超像素块内选择与标记样本像素度较高的样本，扩大标记样本的数量；提取极化SAR的特征信息；以极化SAR图像中每一像素点为中心选取像素块，作为中心像素点的原始输入信息；根据真实地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本和测试样本；构建一个三层的卷积网络学习深度特征；训练卷积网络；进行分类；结合超像素分割结果对卷积网络输出结果进行后处理；计算正确率；输出分类结果。本发明专利技术解决现有小样本情况下极化SAR分类精度不高，区域一致性差的问题。

【技术实现步骤摘要】
一种基于超像素和卷积网络的极化SAR图像分类方法
本专利技术属于图像处理
，主要涉及极化SAR图像分类，具体说是一种基于超像素和卷积网络的极化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
合成孔径雷达SAR是一种主动式微波遥感器，可以提供全天候、全天时的成像特点，可以对植被覆盖的地面、沙漠或浅水覆盖等地区成像，可应用于军事、农业、导航、地理监视等诸多领域。与SAR相比，极化SAR进行的是全极化测量，能获得目标更丰富的信息。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为图像分类的主要研究方向。根据处理方法的不同，全极化SAR图像分类方法可以分为非监督分类方法和监督分类方法。对于这两种方法，特征提取和分类技术是两个基本要素。极化SAR图像分类的性能在很大程度上依赖于特征提取。经典的极化SAR分类方法包括：Lee等[1]提出了基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法。该方法通过Cloude分解获取H和α两个表征极化数据的特征，根本文档来自技高网...

【技术保护点】
1.一种基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，包括，小样本下基于深度学习的极化SAR图像分类，以及利用极化SAR图像的空间信息和超像素分割方法，扩充标记样本的数量。/n

【技术特征摘要】
1.一种基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，包括，小样本下基于深度学习的极化SAR图像分类，以及利用极化SAR图像的空间信息和超像素分割方法，扩充标记样本的数量。


2.根据权利要求1所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，进一步包括，
采用Pauli分解处理滤波后的极化SAR图像，获得伪彩色图；
使用改进的SLIC超像素方法过分割所述伪彩色图，获得若干个超像素块；
在超像素块内选择与标记样本像素度较高的样本，扩大标记样本的数量；
提取所述滤波后的极化SAR图像的特征信息；
以所述滤波后的极化SAR图像中每一像素点为中心选取像素块，作为中心像素点的原始输入信息；
根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本与测试样本；
构建多层卷积网络模型；
将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；
将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；
结合超像素分割结果对卷积网络输出结果进行后处理；
将所述分类结果与真实的地物标记进行对比，计算正确率；
输出上色后的分类结果图。


3.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述过分割获得若干个超像素块的方法为：
3a)将伪彩色图转化为CIELAB颜色空间下的三维特征向量
Ci＝[liaibi]T；
其中，li表示亮度，ai和bi表示相对维度；
3b)选择初始种子点，每个种子点的距离近似为其中，N表示整幅极化SAR图像总的像素点个数，K表示预分割的超像素块的个数；
3c)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的颜色差异



3d)在以种子点为中心的2S×2S区域内计算每个像素点与种子点空间距离



其中，Ti和Ti分别代表像素点i和j的相干矩阵，(Ti)-1和(Tj)-1分别表示对矩阵Ti和Tj求逆，|·|表示矩阵的行列式，Tr(·)是矩阵的迹；
3e)在以种子点为中心的2S×2S区域内计算每个像素点与种子点的相似度



其中，S表示种子点间的距离，m表示平衡参数，且m＝10；
3f)在以种子点为中心的2S×2S区域内比较所有点的相似度Di，选取Di值最大的像素点赋予其中心点相同的类别，并作为新的种子点；
3g)重复步骤3c)-3f)，直到收敛。


4.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述扩大标记样本数量的方法为：
4a)计算每个超像素块内所有标记像素点相干矩阵的均值V；
4b)计算所述均值V与未标记像素点之间的相似度
di(Ti,V)＝ln(|V|)+Tr(V-1Ti)；
其中，Ti，i＝1,2,3...M表示超像素块内未标记的像素点；
4c)将每个超像素块内的相似度di按由小到大排序，选取最相似的前30％像素，并对其进行标记，标记为超像素块中原始标记像素点的类别。


5.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述提取极化SAR图像特征信息的方法为：
5a)读入所述滤波后的极化SAR图像的每个像素点，所述像素点为一个3×3的相干矩阵



5b)利用所述相干矩阵T，提取6维的特征信息L1
L1＝[A,B,C,D,E,F]；
A＝10lg(T11+T12+T13)；
B＝T22/(T11+T22+T33)；
C＝T33/(T11+T22+T33)；









其中，A表示所有极化通道的总散射能量；B，C分别为T22和T33的能量比例；D，E，F为相关系数；
5c)在超像素块内，计算每一像素的空间加权特征L2









其中，M表示超像素块内像素点的个数，表示超像素块内所有像素点特征L1的平均值，wi表示超像素块内每一个像素点特的权重，di表示超像素块内第i个像素点与超像素块内标记像素的均值相干矩阵之间的相似度，dmax表示每一超像素块内所有像素点内di的最大值；
5d)构建结合空间信息的12维极化特征
L＝[L1,L2]。


6.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述构建的多层卷积网络模型为一个包含3个卷积层的深度网络模型，所述网络模型的结构为：
输入层→数据预处理层→第一个卷积层→第一个池化层→第二个卷积层→第二个池化层→第三个卷积层→第三个池化层→全链接层→分类器→输出层。


7.根据权利要求2所述基于超像素和卷积网络的极化SAR图像分类方法，其特征在于，所述结合超像素分割结果对卷积网络输出结果进行后处理的方法为：
计算每一个超像素块里面的像素类别，以及每一类别像素所包含的像素点数；
计算每一个超像素块里面绝对占优的像素类别R，即NR/Ns＞0.5，其中NR表示超像素块内绝对占优的类别的像素点数，Ns表示超像素内包含的总的像素点数；
计算超像素块内像素点与绝对占优的像素点聚类中心的距离d(Ts,VR)，如果d(Ts,VR)≤dc则把像素点Ts分配到类别R，否则保留其原标记，其中VR表示绝对占优的类别...

【专利技术属性】
技术研发人员：滑文强，谢雯，金小敏，路龙宾，邓万宇，潘晓英，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西;61