[發明專利]一種用于極化SAR圖像的分類方法

在審

• 申請號: 201711088231.2
• 申請日: 2017-11-08
• 公開（公告）號: CN107742133A
• 公開（公告）日: 2018-02-27
• 發明（設計）人: 崔宗勇;王賢圓;曹宗杰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 成都點睛專利代理事務所(普通合伙)51232
• 代理人: 孫一峰

技術領域

本發明屬于雷達圖像處理與解譯技術，具體的說是涉及一種用于極化SAR圖像的分類方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種主動式的對地成像雷達系統,可搭載在飛機或衛星上。它通過合成孔徑與脈沖壓縮技術實現了對海洋和陸地表面的二維高分辨率圖像的獲取。與光學遙感不同的是，合成孔徑雷達系統完全不受光照或天氣條件的影響,能實現全天時全天候的對地觀測。極化SAR圖像分類是極化SAR圖像解譯中最重要的應用之一。不僅在民用方面，如農作物生長監測、城市發展趨勢分析、森林樹種估計、地質地表分析、自然資源勘探、洪澇災害監視等應用領域，還在偽裝目標識別、軍事勘察等軍事方面，SAR圖像地物分類技術都有著其非常重要的應用價值與意義。

如今，SAR系統漸漸演變出多極化的工作模式。通過在不同極化方式下所獲取的散射回波信號，可研究分析地物目標的散射機制，不僅能避免目標信息的不確定性問題，還能抗干擾能力與增強雜波抑制能力。然而，目前對極化信息資源的利用仍然遠遠不夠，主要仍然停留在對極化目標分解方法的研究。傳統的極化SAR分類方法并沒有充分利用極化SAR圖像的極化特性，造成極化信息的丟失，分類性能的嚴重下降。表現在以下兩個方面：

(1)利用超像素生成的極化SAR圖像分類方法能有效地利用局部像素的空間相關性，將區域作為處理單元，這樣有利于提高像素分類的準確性。簡單線性迭代聚類(simple linear iterative clustering，SLIC)是經典的超像素生成方法。然而，SLIC方法是針對光學圖像提出的，當圖像中存在大量噪聲和強散射點時，SLIC的性能將會大幅度下降。極化SAR圖像存在強散射點，現有的SLIC超像素生成方法沒有將極化SAR數據的特性考慮在內，降低了超像素的生成結果。

(2)極化特征通常劃分成兩種：(1)屬于直接從極化SAR數據中提取特征，進行簡單代數操作，代數操作為對相干矩陣或相關矩陣進行求強度、相位差等簡單運算；(2)是基于極化目標分解理論，極化分解理論包括基于特征矢量的目標極化分級，基于散射模型的目標極化分解，相干分解，基于Kennaugh矩陣的二分量分解。單一的極化特征不足以為在所有情形下極化SAR圖像的精確分類提供足夠的信息。并且，這些極化特征屬于底層特征，在進行分類時增加了對分類器的要求。相比于深層特征，底層特征無法有效表征地物信息，造成的地物信息的缺失。

發明內容

本發明的目的是為了克服上述現有對極化SAR圖像分類方法的不足之處，充分利用極化SAR數據的極化信息，以提高對極化SAR圖像的分類效果，特提供一種基于極化-超像素提取和深層極化特征的極化SAR圖像分類方法。

本發明的分類算法流程見附圖1，其詳細技術方案如下：

步驟1：以一幅PolSAR圖像的極化散射矩陣作為輸入，提取待分類極化SAR圖像的極化特征，其中S_hh、S_vh、S_hv、S_vv分別為不同極化通道下的極化分量：

步驟1-1：獲取基于極化代數運算的極化特征；

步驟1-2：獲取基于極化目標分解的極化特征；

步驟1-3：構建高維極化特征向量：將上述2類極化特征歸一化組成高維極化特征向量，表示為：

M_F＝[M_F₁,M_F₂,…,M_F_N],M_F_i∈R^M

其中，N是樣本總數，M是特征維數；

步驟2：在待分類的極化SAR圖像中隨機選取一定數量的訓練樣本；

步驟3：設置卷積神經網絡參數：

步驟3-1：將高維極化特征向量M_F_i進行鄰域擴展成256維向量；

步驟3-2：利用卷積神經網絡計算深層極化特征，考慮到卷積神經網絡(CNN)的輸入形式，要求樣本數據已二維矩陣形式輸入，而極化SAR圖像每一個像素為一個樣本，故針對極化SAR圖像中的每一樣本，都以16×16矩陣形式表達；

步驟3-3：利用步驟2得到的訓練樣本訓練卷積神經網絡，直到滿足終止條件，得到CNN參數W,b，其中W是CNN卷積層的卷積核參數，b是卷積層的偏置；