[发明专利]一种基于学习超像素和QCNN的极化SAR地物识别方法

权利要求书

1.一种基于学习超像素和QCNN的极化SAR地物识别方法，其特征在于，包括：

S1、获取极化雷达数据；

S2、将所述极化雷达数据进行极化分解得到极化雷达伪彩色图像；

S3、基于像素的四元数卷积神经网络将所述极化雷达伪彩色图像分类得到分类结果；

S4、基于所述极化雷达伪彩色图像利用PAN网络生成多个超像素块；

S5、基于所述极化雷达伪彩色图像的分类结果及超像素块生成所述极化雷达数据的分类结果。

2.如权利要求1所述的基于学习超像素和QCNN的极化SAR地物识别方法，其特征在于，步骤S2中：

从极化雷达数据中获取散射矩阵S，S_bd表示复散射系数，bd∈(hh,hv,vh,vv)；

基于以下公式利用Pauli分解将散射矩阵S分解为各Pauli矩阵的复数形式的加权和：

得到每个颜色分量：

|a|²、|b|²及|c|²分别对应于B、R及G三个颜色通道，由这三个颜色通道合成极化雷达伪彩色图像。

3.如权利要求2所述的基于学习超像素和QCNN的极化SAR地物识别方法，其特征在于，步骤S3中：

将R、G及B三个颜色通道的极化雷达伪彩色图像转换为四元数矩阵i,j,k表示虚部单位；

将四元数矩阵输入QCNN网络进行分类得到分类结果。

4.如权利要求3所述的基于学习超像素和QCNN的极化SAR地物识别方法，其特征在于，步骤S5中：

对于每一个超像素块，统计所述超像素块中的像素点的总个数T，统计所述超像素块中属于每一个类别的像素点的个数，按降序排列为Num_1,Num_2,...,Num_c，c为类别数；

记录Num_1和Num_2对应的类别label_{Num_1}和label_{Num_2}；

若Num_1≥T×D，将label_{Num_1}作为所述超像素块的类别，D为门限值，否则，执行如下步骤：

计算所述超像素块的每个颜色通道的强度均值Mean_(I)，并计算类别l所对应的每个颜色通道的强度均值Mean(I,l)。最后计算超像素块每个颜色通道的强度均值与类别l所对应的颜色通道的强度均值差异之和M(l)，

其中，I表示单个颜色通道的强度，l∈{label_{Num_1},label_{Num_2}}，若M(label_{Num_1})≥M(label_{Num_2})，将label_{Num_2}作为所述超像素块的类别，否则将label_{Num_1}作为该超像素块的类别；

计算所有超像素块的类别得到所述极化雷达数据的分类结果。