[发明专利]基于聚类细化残差模型的极化SAR分类方法

权利要求书

1.一种基于聚类细化残差模型的极化SAR分类方法，其特征在于，该方法是将极化SAR图像在细化残差网络中深浅层信息进行融合处理，使用聚类细化残差模型中的聚类层对融合处理后的初始分类图边缘的小图斑进行重新分类处理，得到最终的分类图，该方法的具体步骤包括如下：

(1)搭建一个20层的聚类细化残差模型并设置模型中的每层参数；

(2)对待分类的极化SAR图像进行预处理：

(2a)对待分类大小为12944×2820像素的极化SAR图像的散射矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后大小为12944×2820×9的散射矩阵；

(2b)对滤波后的散射矩阵进行pauli分解，得到奇次散射特征、偶次散射特征、体散射特征组成的三维特征，将三维特征组成像素点的特征矩阵；

(2c)将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；

(3)生成训练数据集和测试数据集：

(3a)从归一化后的特征矩阵中的每一类特征值中随机选取10％的特征值，以所选取的每一个特征值为中心点，在中心点左和上两个方向分别选取47个特征值，在中心点右和下两个方向分别选取48个特征值，将所选取的特征值与其周围所选的特征值，组成96×96像素的特征矩阵块；

(3b)从特征矩阵块中随机选取5％的特征矩阵块，作为训练数据集，将其余的特征矩阵块作为测试数据集；

(4)对网络的深浅层信息进行融合处理：

将训练数据集输入到聚类细化残差模型中，将训练数据集中矩阵在模型中得到的前一层特征图与后一层特征图相同位置上的像素相加，得到在模型训练中浅层高分辨率的细节特征与深层低分辨率的轮廓特征融合的训练数据集，然后使用训练数据集训练网络，得到训练数据集的初始分类结果图；

(5)对初始分类图边缘的小图斑进行重新分类处理：

(5a)以所得到的初始分类结果图中的每一个像素点为中心点，在中心点左和上两个方向分别选取2个像素点，在中心点右和下两个方向分别选取2个像素点，将所选取的像素点与其周围所选的像素点，组成5×5像素的矩阵块；

(5b)将每个矩阵块中心点的分类结果作为该矩阵块中所有像素点的分类结果，得到训练好的聚类细化残差模型；

(6)对测试数据集进行分类：

将测试数据集输入到训练好的聚类细化残差模型中，得到测试数据集中每个像素点的分类结果。

2.根据权利要求1所述的基于聚类细化残差模型的极化SAR分类方法，其特征在于，所述步骤(1)中所述的聚类细化残差模型结构为：输入层→第一个卷积层→第二个卷积层→第一个像素相加层→第三个卷积层→第四个卷积层→第二个像素相加层→第五个卷积层→第一个上采样层→第三个像素相加层→池化层→第六个卷积层→第四个像素相加层→第七个卷积层→第八个卷积层→第五个像素相加层→第二个上采样层→第九个卷积层→分类层→聚类层；

各层的参数设置如下：

将输入层的特征映射图的总数设置为3个；

将第一至第九个共九个卷积层的特征映射图的总数设置为256个，卷积核的尺度设置为3*3个节点；

将第一至第四个共四个像素相加层的特征映射图的总数设置为256个；

将第一至第二个共两个上采样层的特征映射图的总数设置为256个，将输入的第一个上采样层的尺度设置为2*2个节点；将输入的第二个上采样层的尺度设置为1*1个节点；

将池化层的特征映射图的总数设置为256个；

将分类层的特征映射图的总数设置为4个；

将聚类层的特征映射图的总数设置为1个。

3.根据权利要求1所述的基于聚类细化残差模型的极化SAR分类方法，其特征在于，所述步骤(2b)中所述对滤波后的散射矩阵进行pauli分解具体步骤如下：

第一步，按照下式，将散射矩阵表示为：

S＝a[S_a]+b[S_b]+c[S_c]+d[S_d]

其中，S表示极化SAR图像的散射矩阵，[S_a]表示极化SAR图像奇次散射的基本散射矩阵，a表示极化SAR图像散射矩阵奇次散射系数，[S_b]表示极化SAR图像偶次散射的基本散射矩阵，b表示极化SAR图像散射矩阵偶次散射系数，[S_c]表示极化SAR图像45度角偶次散射的基本散射矩阵,c表示极化SAR图像散射矩阵45度角偶次散射系数，[S_d]表示极化SAR图像交叉极化的基本散射矩阵，d表示极化SAR图像交叉极化的系数；

第二步，按照下式，得到pauli分解不同方向四个散射系数的向量组合形式如下：

其中，K表示极化SAR图像pauli分解四个散射系数的向量组合形式，a为极化SAR图像散射矩阵奇次散射系数，b表示极化SAR图像散射矩阵偶次散射系数，c表示极化SAR图像散射矩阵45度角偶次散射系数，d表示极化SAR图像交叉极化的系数，S_HH表示极化SAR图像水平向接收的水平向发射极化波的回波数据，S_HV表示极化SAR图像垂直向接收的水平向发射极化波的回波数据，S_VV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据，在满足互易条件时，S_HV＝S_VH，因此d＝0，最后一种散射机制对散射矩阵S的贡献为0，按照下式，得到pauli分解不同方向三个散射系数向量形式：

第三步，依次按照下述三个公式，计算pauli分解的不同方向三个散射能量：

|c|²＝2(S_HV)²

其中,a表示极化SAR图像散射矩阵奇次散射系数，b表示极化SAR图像散射矩阵偶次散射系数，c表示极化SAR图像散射矩阵45度角偶次散射系数，|a|²表示极化SAR图像散射矩阵奇次散射的散射矩阵，|b|²表示极化SAR图像散射矩阵偶次散射的散射矩阵，|c|²表示极化SAR图像散射矩阵45度角偶次散射的散射矩阵，S_HH表示极化SAR图像水平向接收的水平向发射极化波的回波数据，S_HV表示极化SAR图像垂直向接收的水平向发射极化波的回波数据，S_VV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据，|·|表示取绝对值操作；

第四步，将计算得到的奇次散射、偶次散射、体散射矩阵赋给一个大小为M1×M2×3的矩阵，得到基于像素点的特征矩阵，其中，M1表示待分类极化SAR图像的长，M2表示待分类极化SAR图像的宽。