[发明专利]一种基于CNN和RFC的集成学习的极化SAR图像分类方法

权利要求书

1.一种基于CNN和RFC的集成学习的极化SAR图像分类方法，其特征在于，包括如下步骤：

步骤1，根据滤波后的极化SAR图像，获取极化相干矩阵T和Cloude分解特征；

步骤2，将步骤1获取的极化相干矩阵T和Cloude分解特征设置为每个像素点的原始特征，记作F1，其维度为15，并将其每个元素归一化到[0，1]；

步骤3，从极化SAR图像的有标记样本中随机选取1％作为训练样本，记作TrainPixel；

步骤4，使用步骤3得到的训练样本训练RFC模型，待模型训练完成后，对整幅极化SAR图像进行分类，并将分类结果记作ResultRFC；所述的RFC模型表示为：

h(x,θ_k),k＝1,2,…,n 4

其中，n为正整数，x代表输入数据，k代表第k棵决策树，θ_k代表第k棵决策树的参数向量，每棵决策树都会对x的进行分类，并且每棵决策树都会对x的最终分类结果投出平等一票，x的最终类别为得票数最多的类别；

步骤5，对于CNN模型，从极化SAR图像中的每个像素点取21×21的邻域块，将邻域块中所有像素点的特征都设置为此像素点的输入特征，记作F2，其维度为21×21×15；

步骤6，基于步骤3获取的TrainPixel，将步骤5获取的F2中对应于TrainPixel中的像素点的邻域块作为CNN模型的训练样本，训练CNN模型，待模型训练完成后，对整幅极化SAR图像进行分类，并将分类结果记作ResultCNN；

步骤7，根据步骤6得到的ResultCNN，通过信息熵的方式得到整幅极化SAR图像的类别边界区域，记作Boundary，对于剩余区域记作Non-Boundary；

步骤8，对于步骤7得到的极化SAR图像的Boundary区域，使用步骤4得到的ResultRFC的分类结果，对于步骤7得到的极化SAR图像的Non-Boundary区域，使用步骤6得到的ResultCNN的分类结果，并将最终极化SAR图像的分类结果记作Result。

2.根据权利要求1所述的一种基于CNN和RFC的集成学习的极化SAR图像分类方法，其特征在于，步骤1按照如下步骤进行：

1a)提取每个像素点的极化相干矩阵T，以3×3矩阵形式表示为

1b)提取1a)中得到的T矩阵的对角元素T₁₁,T₂₂,T₃₃，并提取1a)中得到矩阵的T₁₂,T₁₃,T₂₃的实部与虚部，记作[T₁₁,T₂₂,T₃₃,Re(T₁₂),Re(T₁₃),Re(T₂₃),Im(T₁₂),Im(T₁₃),Im(T₂₃)]，其中Re(T_ij)和Im(T_ij)分别代表T_ij的实部与虚部；

1c)根据特征分解模型，1a)中得到的T矩阵分解为：

其中，与λ_i(i＝1,2,3)分别表示T矩阵的特征向量矩阵与特征值；

1d)根据Cloude分解模型，基于公式2得到的T矩阵的特征向量矩阵与特征值，熵H、平均散射角α和各向异性参数A分别表示为：

其中，代表特征向量的首个元素，提取Cloude分解特征，记作[H,A,α,λ₁,λ₂,λ₃]；

1e)将1b)与1d)得到的特征合到一起，记作[T₁₁,T₂₂,T₃₃,Re(T₁₂),Re(T₁₃),Re(T₂₃),Im(T₁₂),Im(T₁₃),Im(T₂₃),H,A,α,λ₁,λ₂,λ₃]。