本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種極化SAR圖像分類方法，具體涉及一種SLIC和改進(jìn)的CNN融合的極化SAR圖像分類方法，使卷積神經(jīng)網(wǎng)絡(luò)模型可以對(duì)極化SAR數(shù)據(jù)進(jìn)行快速準(zhǔn)確分類，可應(yīng)用于對(duì)極化SAR圖像的地物分類、目標(biāo)檢測(cè)和目標(biāo)識(shí)別。

背景技術(shù)：

圖像分類技術(shù)主要是通過圖像信息中反映的不同特征，對(duì)圖像進(jìn)行量化分析，將其歸于某一類別。SAR圖像獲取途徑同自然圖像不同,其利用成像的地面目標(biāo)與雷達(dá)間相對(duì)運(yùn)動(dòng)來改善雷達(dá)成像的方位向分辨率。SAR圖像的每一像素點(diǎn)不僅包含反映地表微波反射強(qiáng)度的灰度值，還包含與雷達(dá)斜距有管的相位值。SAR圖像所反映的特征與自然圖像有很大差異，而且其獲取成像過程中雷達(dá)回波相干性干擾形成大量相干斑噪聲，使其分類方法與自然圖像分類方法有很大差異，因此，SAR圖像分類形成了圖像分類技術(shù)中的一個(gè)特殊分支。

與傳統(tǒng)的合成孔徑雷達(dá)SAR相比，極化SAR可以得到更加豐富全面的目標(biāo)信息，極大的提高了對(duì)于地物的識(shí)別分析能力。因此，極化SAR已經(jīng)成為了SAR的主要發(fā)展趨勢(shì)，并且在軍事領(lǐng)域，地質(zhì)與資源勘探，地形測(cè)繪和制圖，海洋研究與應(yīng)用，水資源應(yīng)用，農(nóng)業(yè)和林業(yè)應(yīng)用等多個(gè)方面都有廣泛的應(yīng)用。其中，地物分類是極化SAR圖像理解編譯的重要內(nèi)容。現(xiàn)有的極化SAR圖像分類方法按照有無標(biāo)記樣本的可以分為有監(jiān)督的分類和無監(jiān)督的分類。

無監(jiān)督的分類方法主要是通過極化SAR圖像包含的各種固有特征信息來作為分類器輸入進(jìn)行分類，不需要對(duì)極化SAR圖像進(jìn)行標(biāo)記，分類的類別數(shù)一般比較有限，經(jīng)典模型包括：

Lee等人提出了基于H/α目標(biāo)分解和Wishart分類器的H/α—Wishart分類方法，它在原始H/α分類的基礎(chǔ)之上添加了Wishart迭代，彌補(bǔ)了邊界固定帶來的缺陷但是這種方法不能保持極化散射特性。

Lee等人基于Freeman分解還提出了一種極化SAR圖像的分類方法，它主要是根據(jù)Freeman分解獲得平面散射功率，二面角散射功率和體散射功率的大小對(duì)極化數(shù)據(jù)進(jìn)行劃分，很好的保持了各類的散射特性，但是存在多類別合并劃分復(fù)雜度比較高的問題。

西安電子科技大學(xué)王爽等人利用Freeman分解得到的三種散射功率對(duì)圖像進(jìn)行初始大類的劃分，并利用同極化比對(duì)初始大類進(jìn)行更加細(xì)致的劃分，最后在劃分的初始類別的基礎(chǔ)上對(duì)整幅圖像進(jìn)行復(fù)Wishart迭代，進(jìn)一步提高了分類的準(zhǔn)確度，該算法思想簡(jiǎn)單，易于理解操作，具有較高的分類準(zhǔn)確率，但是該算法存在一定的局限性，該算法分類類別數(shù)目固定不變，一般為9類，因此對(duì)于類別數(shù)目多于9類或者少于9類的數(shù)據(jù)來說，該算法的分類精度會(huì)受到影響。

有監(jiān)督的分類方由于近年深度學(xué)習(xí)的普遍應(yīng)用可以包括基于固有特征加分類器和基于網(wǎng)絡(luò)加分類器兩種分類方法，兩類的典型算法如下：

Lee等人提出的基于復(fù)Wishart分布的極化協(xié)方差矩陣監(jiān)督分類方法，由于極化協(xié)方差矩陣C可以通過線性變換的到極化相干矩陣T，這樣得到Wishart分類器，這種方法限制C和T矩陣的概率密度分布服從復(fù)Wishart分布，對(duì)數(shù)據(jù)分布類型要求比較嚴(yán)格；Heermann等人提出了基于后向傳播的神經(jīng)網(wǎng)絡(luò)的極化SAR圖像分類方法，但是該方法收斂速度較慢，容易陷入局部最優(yōu)。

近來，深度學(xué)習(xí)網(wǎng)絡(luò)開始廣泛的應(yīng)用于極化SAR圖像分類領(lǐng)域，深度學(xué)習(xí)網(wǎng)絡(luò)中的CNN也被應(yīng)用到了極化SAR圖像分類上，并取得了不錯(cuò)效果。例如，中國(guó)專利申請(qǐng)，申請(qǐng)公開號(hào)為CN105184309A，名稱為“基于CNN和SVM的極化SAR圖像分類”中，提出了一種基于CNN和SVM的極化SAR圖像分類方法，將CNN網(wǎng)絡(luò)作為特征提取工具，通過AE網(wǎng)絡(luò)訓(xùn)練獲得CNN網(wǎng)絡(luò)參數(shù)，然后將CNN學(xué)習(xí)到的特征輸入到SVM分類器進(jìn)行分類，這種方法雖然顯著提高了分類的精度，但分類速度較慢。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于改進(jìn)的CNN的極化SAR圖像分類方法，將SLIC和改進(jìn)的CNN結(jié)合起來解決現(xiàn)有有監(jiān)督極化SAR圖像分類方法中存在的分類速度慢和分類精度較低的技術(shù)問題。

為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案包括如下步驟：

(1)根據(jù)極化SAR圖像的九維極化數(shù)據(jù)T，計(jì)算極化SAR圖像每一像素點(diǎn)的Wishart距離，并將該距離與九維極化數(shù)據(jù)T合并，獲得極化SAR圖像新數(shù)據(jù)，實(shí)現(xiàn)步驟為：

(1a)輸入極化SAR圖像的九維極化數(shù)據(jù)的類別標(biāo)記，對(duì)每一類標(biāo)記的相鄰樣本進(jìn)行樣本選取，得到多個(gè)類別極化樣本；

(1b)計(jì)算每個(gè)類別極化樣本的相干矩陣均值C_i，其中i為樣本所屬的類別數(shù))；

(1c)利用相干矩陣均值C_i，計(jì)算極化SAR圖像每一像素點(diǎn)到每一類別的類別中心的Wishart距離d_m；

(1d)將計(jì)算得到的Wishart距離與極化SAR圖像的九維極化數(shù)據(jù)融合，獲得極化SAR圖像新數(shù)據(jù)；

(2)利用Lee濾波方法，對(duì)極化SAR圖像新數(shù)據(jù)進(jìn)行濾波，得到濾波后極化SAR圖像新數(shù)據(jù)；

(3)從濾波后極化SAR圖像新數(shù)據(jù)中選取同類別的相鄰像素點(diǎn)，獲得多個(gè)類別的小樣本塊；

(4)根據(jù)極化SAR圖像的尺寸及其待分類圖像的類別數(shù)，將CNN的全連接層和分類器層更換為分類卷積層，將CNN輸出層連接到分類卷積層后，獲得高效卷積神經(jīng)網(wǎng)絡(luò)；

(5)將多個(gè)類別的小樣本塊逐個(gè)輸入到高效卷積神經(jīng)網(wǎng)絡(luò)中分別進(jìn)行迭代訓(xùn)練，得到穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)，并將極化SAR圖像新數(shù)據(jù)輸入到該穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)中，獲得極化SAR圖像的初步分類結(jié)果，實(shí)現(xiàn)步驟如下：

(5a)將多個(gè)類別的小樣本塊逐個(gè)輸入到高效卷積神經(jīng)網(wǎng)絡(luò)中分別進(jìn)行迭代訓(xùn)練，在輸出層獲得小樣本塊每一像素點(diǎn)分別屬于每一類別的概率；

(5b)將輸出層得到每一像素點(diǎn)的最大概率類別作為該像素點(diǎn)的類別，迭代訓(xùn)練高效卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，獲得穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)；

(5c)將極化SAR圖像新數(shù)據(jù)輸入到穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)中，在輸出層獲得極化SAR圖像每一像素點(diǎn)分別屬于每一類別的概率，并將這些類別中概率最大的類別作為該像素點(diǎn)的類別，獲得極化SAR圖像的初步分類結(jié)果；

(6)利用SLIC的分割方法，對(duì)極化SAR圖像進(jìn)行超像素分割，獲得極化SAR圖像的超像素分割圖，實(shí)現(xiàn)步驟如下：

(6a)對(duì)極化SAR圖像的九維極化數(shù)據(jù)進(jìn)行Pauli分解，獲得極化SAR圖像的偽彩色圖像；

(6b)對(duì)極化SAR圖像的偽彩色圖像進(jìn)行SLIC的超像素分割，獲得極化SAR圖像的超像素分割圖；

(7)將極化SAR圖像的超像素分割圖中的每一個(gè)超像素塊作為獨(dú)立單元，通過極化SAR圖像初步分類結(jié)果中每一像素點(diǎn)的類別分別計(jì)算每一獨(dú)立單元中所占比例，將比例最大的類別作為該獨(dú)立單元的類別，獲得極化SAR圖像分類結(jié)果；

(8)用紅色R、藍(lán)色B和綠色G作為基色，給極化SAR圖像分類結(jié)果上色，得到極化SAR圖像彩色分類結(jié)果圖。

本發(fā)明與現(xiàn)有的技術(shù)相比，具有如下優(yōu)點(diǎn)：

1.本發(fā)明在獲得極化SAR圖像初步分類結(jié)果的過程中，通過固定各層的步長(zhǎng)為1，避免大量重復(fù)運(yùn)算，提高運(yùn)算速度節(jié)約內(nèi)存，使輸出層可以同時(shí)輸出每個(gè)像素點(diǎn)的分類結(jié)果，使該算法可以對(duì)大尺寸的圖像也可以進(jìn)行高速精確分類。

2.本發(fā)明在獲得極化SAR圖像的最終分類結(jié)果的過程中，通過SLIC對(duì)極化SAR圖像分割，約束極化SAR圖像的邊界分類結(jié)果，并對(duì)零星的誤分類點(diǎn)進(jìn)行修正，從而提高極化SAR圖像的分類精確度。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程框圖；

圖2是本發(fā)明Sanfrancisico數(shù)據(jù)的偽彩色圖和對(duì)該數(shù)據(jù)分類的不同階段結(jié)果圖；

圖3是本發(fā)明與現(xiàn)有技術(shù)的分類結(jié)果對(duì)比圖。

具體實(shí)施方式

以下結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步說明。

參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：

步驟1，根據(jù)極化SAR圖像的九維極化數(shù)據(jù)T，計(jì)算極化SAR圖像每一像素的Wishart距離，并將該距離與九維極化數(shù)據(jù)T合并，獲得極化SAR圖像新數(shù)據(jù)，實(shí)現(xiàn)步驟為：

(1a)輸入極化SAR圖像的九維極化數(shù)據(jù)的類別標(biāo)記，對(duì)每一類標(biāo)記的相鄰樣本進(jìn)行樣本選取，得到多個(gè)類別極化樣本。

(1b)計(jì)算每個(gè)類別極化樣本的相干矩陣均值C_i，其中i為樣本所屬的類別數(shù)。

(1c)利用相干矩陣均值C_i，計(jì)算極化SAR圖像每一像素點(diǎn)到每一類別的類別中心的Wishart距離d_m，計(jì)算公式如下：

d_m(T,C_i)＝ln|C_i|+tr(C_i^-1T)。

(1d)將計(jì)算得到的Wishart距離與極化SAR圖像的九維極化數(shù)據(jù)融合，獲得極化SAR圖像新數(shù)據(jù)。

步驟2，利用Lee濾波方法，對(duì)極化SAR圖像新數(shù)據(jù)進(jìn)行濾波，得到濾波后極化SAR圖像新數(shù)據(jù),計(jì)算公式如下：

x'_i,j＝m_i,j+k(x_i,j-m_i,j)，

其中，m_i,j為局部方差，x_i,j為原像素點(diǎn)的值，x'_i,j為濾波后像素點(diǎn)的值，k為自定義參數(shù)，當(dāng)k>1時(shí)，圖像銳化，相當(dāng)于高通濾波；當(dāng)0<k<1時(shí)，圖像平滑，相當(dāng)于低通濾波；當(dāng)k＝0或者k＝1時(shí)，前者輸出原圖像的局部均值，后者輸出原圖像。

步驟3，從濾波后極化SAR圖像新數(shù)據(jù)中選取同類別的相鄰像素點(diǎn)，獲得多個(gè)類別的小樣本塊。

步驟4，根據(jù)極化SAR圖像的尺寸及其待分類圖像的類別數(shù)，將CNN的全連接層和分類器層更換為分類卷積層，將CNN輸出層連接到分類卷積層后，獲得高效卷積神經(jīng)網(wǎng)絡(luò)，包括輸入層，卷積層，池化卷積層，分類卷積層，輸出層，其中，卷積層的卷積步長(zhǎng)為1，池化卷積層的卷積步長(zhǎng)為1，分類卷積層的卷積核個(gè)數(shù)與待分類圖像的類別數(shù)相等，且卷積核行數(shù)和列數(shù)設(shè)定為奇數(shù)，其除四角元素以外的值固定為0，卷積步長(zhǎng)為1。

步驟5，將多個(gè)類別的小樣本塊逐個(gè)輸入到高效卷積神經(jīng)網(wǎng)絡(luò)中分別進(jìn)行迭代訓(xùn)練，得到穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)，并將極化SAR圖像新數(shù)據(jù)輸入到該穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)中，獲得極化SAR圖像的初步分類結(jié)果，實(shí)現(xiàn)步驟如下：

(5a)將多個(gè)類別的小樣本塊逐個(gè)輸入到高效卷積神經(jīng)網(wǎng)絡(luò)中分別進(jìn)行迭代訓(xùn)練，在輸出層獲得小樣本塊每一像素點(diǎn)分別屬于每一類別的概率。

(5b)將輸出層得到每一像素點(diǎn)的最大概率類別作為該像素點(diǎn)的類別，迭代訓(xùn)練高效卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，獲得穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)。

(5c)將極化SAR圖像新數(shù)據(jù)輸入到穩(wěn)定的高效卷積神經(jīng)網(wǎng)絡(luò)中，在輸出層獲得極化SAR圖像每一像素點(diǎn)分別屬于每一類別的概率，并將這些類別中概率最大的類別作為該像素點(diǎn)的類別，獲得極化SAR圖像的初步分類結(jié)果。

步驟6，利用SLIC的分割方法，對(duì)極化SAR圖像進(jìn)行超像素分割，獲得極化SAR圖像的超像素分割圖，實(shí)現(xiàn)步驟如下：

(6a)對(duì)極化SAR圖像的九維極化數(shù)據(jù)進(jìn)行Pauli分解，獲得極化SAR圖像的偽彩色圖像。

(6b)對(duì)極化SAR圖像的偽彩色圖像進(jìn)行SLIC的超像素分割，獲得極化SAR圖像的超像素分割圖，SLIC分割步驟如下：

(6b1)將極化SAR圖像的偽彩色圖像從RGB顏色空間轉(zhuǎn)換到CIE-Lab顏色空間，得到對(duì)應(yīng)每個(gè)像素點(diǎn)的五維向量[L,a,b,x,y]，其中，L分量用于表示像素的亮度，取值范圍是[0,100],表示從純黑到純白；a表示從綠色到紅色的范圍，取值范圍是[-128，127]；b表示從藍(lán)色到黃色的范圍，取值范圍是[-128，127]，x和y為像素點(diǎn)位置坐標(biāo)。

(6b2)極化SAR圖像包含像素點(diǎn)個(gè)數(shù)為N，設(shè)置偽彩色圖像的待分割超像素塊為K，計(jì)算得到分割完成以后的每一超像素塊包含的像素點(diǎn)個(gè)數(shù)為N/K和超像素塊的邊長(zhǎng)

(6b3)在偽彩色圖像上每隔S個(gè)像素點(diǎn)選取一個(gè)像素點(diǎn)作為聚類中心，聚類中心周圍選取2S×2S范圍獲得搜索空間。

(6b4)在搜索空間中，選擇與聚類中心向量距離最近的點(diǎn)構(gòu)成該聚類中心的超像素塊，向量距離的計(jì)算公式為:

d_s＝d_lab+(m÷S)×d_xy，

其中，m為權(quán)值，取值范圍為[1,20]。

(6b5)將超像素中過小的塊合并到與該塊相聯(lián)且最大的超像素塊中，使保證每個(gè)超像素塊是完整聯(lián)通的，獲得極化SAR圖像的超像素分割圖。

步驟7，將極化SAR圖像的超像素分割圖中的每一個(gè)超像素塊作為獨(dú)立單元，通過極化SAR圖像初步分類結(jié)果中每一像素點(diǎn)的類別分別計(jì)算每一獨(dú)立單元中所占比例，將比例最大的類別作為該獨(dú)立單元的類別，獲得極化SAR圖像分類結(jié)果。

步驟8，用紅色R、藍(lán)色B和綠色G作為基色，給極化SAR圖像分類結(jié)果上色，得到極化SAR圖像彩色分類結(jié)果圖。

以下結(jié)合仿真實(shí)驗(yàn)對(duì)本發(fā)明的技術(shù)效果作進(jìn)一步說明：

1.仿真條件和內(nèi)容：

本發(fā)明在windows7系統(tǒng)core-i7-6700處理器的計(jì)算機(jī)上通過軟件matlab-2014b，對(duì)Sanfrancisico數(shù)據(jù)進(jìn)行分類仿真，其結(jié)果如圖2，同時(shí)與現(xiàn)有技術(shù)中的SVM和H/α-Wishart兩種方法的仿真結(jié)果進(jìn)行對(duì)比，其結(jié)果如圖3。

2.仿真結(jié)果分析:

參照?qǐng)D2，本實(shí)施例對(duì)Sanfrancisico數(shù)據(jù)進(jìn)行分類仿真，其中圖2(a)為Pauli分解獲得的偽彩色圖像，圖2(b)為將極化特征和Wishart距離合并輸入到已改進(jìn)的CNN，獲得初步分類結(jié)果圖，由于利用大量的鄰域信息，一個(gè)噪聲點(diǎn)會(huì)影響鄰域內(nèi)的分類結(jié)果，導(dǎo)致誤分類點(diǎn)大多集中在一起，形成較多的誤分類快，圖2(c)為對(duì)偽彩色圖像進(jìn)行SLIC聚類的超像素分割結(jié)果圖，邊界分割結(jié)果和實(shí)際有差異，圖2(d)為經(jīng)過超像素分割結(jié)果約束以后的分類結(jié)果圖，由于分割結(jié)果的邊界差異導(dǎo)致邊界誤分類結(jié)果較多，但是區(qū)域的一致性較好，整體分類精度較高。

參照?qǐng)D3，本實(shí)施例和現(xiàn)有的SVM分類以及H/α—Wishart分類方法對(duì)Sanfrancisico數(shù)據(jù)進(jìn)行分類的仿真對(duì)比，其中圖3(a)為Pauli分解獲得的偽彩色圖像，圖3(b)為SVM分類方法對(duì)Sanfrancisico數(shù)據(jù)分類仿真結(jié)果，類內(nèi)誤分類點(diǎn)較多，部分區(qū)域很集中，區(qū)域一致性較差，而且如果兩類別差異不夠明顯的時(shí)候，很難將兩類分開，類別邊緣不夠平滑清晰，圖3(c)為H/α—Wishart分類方法對(duì)Sanfrancisico數(shù)據(jù)的分類仿真結(jié)果，類內(nèi)有較多的誤分點(diǎn)，區(qū)域一致性差，差異不明顯類別不能很好的區(qū)分，邊界不夠平滑但是很好的保持了圖像原有細(xì)節(jié)特征，圖3(d)為本實(shí)施例的仿真結(jié)果，類內(nèi)誤分類點(diǎn)基本被修正，區(qū)域一致性很好，可以將差異較小的類別很好的分開，但是細(xì)節(jié)信息丟失，邊界保持不是很好，而且類別交界處比較不平滑。

通過圖2和圖3可以看出，本發(fā)明通過已改進(jìn)的CNN對(duì)極化SAR圖像進(jìn)行分類，通過極化特征，Wishart特征以及鄰域信息空間特征的綜合輸入來確定像素點(diǎn)類別，然后利用SLIC對(duì)上述結(jié)果進(jìn)行修正，改善區(qū)域一致性和邊界分類結(jié)果。通過整個(gè)模型得出的分類結(jié)果精確度明顯提高，區(qū)域一致性極大改善，清晰比較可以被很好的保留表現(xiàn)；利用特定的卷積核和卷積步長(zhǎng)，避免了大量重復(fù)計(jì)算，降低了時(shí)間復(fù)雜度。

綜上所述，本發(fā)明提出的對(duì)極化SAR圖像分類的方法，先結(jié)合Wishart距離通過已改進(jìn)的CNN來分類，提高分類速度，獲得初步分類結(jié)果圖，然后對(duì)偽彩色圖像進(jìn)行SLIC聚類獲得超像素分割結(jié)果圖，利用該結(jié)果來約束初步分類結(jié)果，獲得區(qū)域一致性良好的結(jié)果，保證分類精度，適用于任何尺寸尤其是大幅圖像的高速高精度分類。