[发明专利]基于聚类细化残差模型的极化SAR分类方法

说明书

本发明公开了一种基于聚类细化残差模型的极化SAR分类方法，其步骤为：(1)搭建聚类细化残差模型；(2)对待分类的极化SAR图像进行预处理；(3)生成训练数据集和测试数据集；(4)对网络的深浅层进行信息融合处理；(5)对初始分类图小图斑进行重新分类处理；(6)对测试数据进行分类，获得测试结果。本发明通过将极化SAR图像在细化残差网络中深浅层信息进行融合处理，提取了极化SAR图像丰富的纹理特性，保留了特征信息的完整性，提高了训练速度，使用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理，提高了图像边缘的分类精度，加快了训练速度。

技术领域

本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达图像地物分类技术领域中的一种基于聚类细化残差模型的极化合成孔径雷达SAR(Synthetic ApertureRadar)图像分类方法。本发明可用于对极化SAR图像的地物目标进行分类。

背景技术

极化合成孔径雷达具有许多突出的优点，如不受时间的影响，可以24小时成像等。极化SAR图像具有独特的优势和广泛的应用前景，目前已经成功应用于土地利用分类、变化检测、地表参数反演、土壤湿度及土壤水分反演、人造目标分类、建筑物提取等。

随着全极化SAR遥感技术的进一步发展和应用程度的不断深入，全极化SAR图像分类领域依然存在一些问题，如全极化SAR图像受分辨率、噪声、滤波等影响，传统的目标分解无法获得更全面的极化特性，势必会影响分类精度，而且传统的SVM分类器的训练速度缓慢。例如：

ZHANG Xiang,DENG Kazhong,FAN Hongdong等人在其发表的论文“基于目标分解的极化SAR图像SVM监督分类”(计算机应用研究,2013,30(1):295-298.)中提出了一种基于多目标散射全卷积网的极化SAR图像分类方法。该方法首先对原始极化SAR图像使用多种目标分解方法进行处理，得到相应的分量信息，然后在极化SAR图像特征提取的基础上将SVM应用到极化SAR分类。该方法虽然使用了多目标分解得到了全面的极化特性，但是，该方法仍然存在的不足之处是，特征信息不全面，导致分类精度不高，而且SVM的训练速度比残差神经网络的训练速度慢很多。

西安电子科技大学在其申请的专利文献“基于全卷积神经网络的极化SAR地物分类方法”(专利申请号：201710369376.3，公开号：CN107239797A)中提出了一种基于全卷积神经网络的极化SAR地物分类方法。该方法首先对待分类的极化数据进行pauli分解，将得到的特征矩阵转化为伪彩图，然后利用全卷积网络进行地物分类。全卷积网络是一种基于像素级的分类，从而实现了端到端的分类效果，而且该网络对输入数据图像的尺寸没有限制，在测试阶段，可以使用整张原图进行测试，避免了由块拼接所带来的边缘效应，得到了不错的分类效果。但是，该方法仍然存在的不足之处是，全卷积网络层次太深，导致网络训练时间过长，而且全卷积神经网络在对图像进行分类时常常出现错分、漏分,且分出的图斑比较零乱，因此，在图像边缘存在许多小图斑，对图像的边缘像素点的分类效果较差。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于聚类细化残差模型的极化SAR分类方法。本发明与现有其他极化SAR图像分类方法相比，能够更全面细致地保留极化SAR图像的极化、散射、纹理特征信息，有效地提高极化SAR图像的分类精度。

实现本发明目的的思路是：先搭建聚类细化残差模型并设置每层参数，再对待分类的极化SAR图像进行Lee滤波，对滤波后的散射矩阵进行pauli分解，再对分解得到的特征矩阵进行归一化操作，然后生成训练数据集和测试数据集，使用细化残差网络对训练数据集深浅层信息进行融合处理，再用聚类层对融合处理后的分类图中边缘的小图斑进行重新分类处理，得到训练好的聚类细化残差模型，最后将测试数据集送入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所属的类别。

实现本发明的具体步骤如下：

(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；