基于SLIC和改进的CNN的极化SAR图像分类方法

技术领域

本发明属于图像处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种SLIC和改进的CNN融合的极化SAR图像分类方法，使卷积神经网络模型可以对极化SAR数据进行快速准确分类，可应用于对极化SAR图像的地物分类、目标检测和目标识别。

背景技术

图像分类技术主要是通过图像信息中反映的不同特征，对图像进行量化分析，将其归于某一类别。SAR图像获取途径同自然图像不同,其利用成像的地面目标与雷达间相对运动来改善雷达成像的方位向分辨率。SAR图像的每一像素点不仅包含反映地表微波反射强度的灰度值，还包含与雷达斜距有管的相位值。SAR图像所反映的特征与自然图像有很大差异，而且其获取成像过程中雷达回波相干性干扰形成大量相干斑噪声，使其分类方法与自然图像分类方法有很大差异，因此，SAR图像分类形成了图像分类技术中的一个特殊分支。

与传统的合成孔径雷达SAR相比，极化SAR可以得到更加丰富全面的目标信息，极大的提高了对于地物的识别分析能力。因此，极化SAR已经成为了SAR的主要发展趋势，并且在军事领域，地质与资源勘探，地形测绘和制图，海洋研究与应用，水资源应用，农业和林业应用等多个方面都有广泛的应用。其中，地物分类是极化SAR图像理解编译的重要内容。现有的极化SAR图像分类方法按照有无标记样本的可以分为有监督的分类和无监督的分类。

无监督的分类方法主要是通过极化SAR图像包含的各种固有特征信息来作为分类器输入进行分类，不需要对极化SAR图像进行标记，分类的类别数一般比较有限，经典模型包括：

Lee等人提出了基于H/α目标分解和Wishart分类器的H/α—Wishart分类方法，它在原始H/α分类的基础之上添加了Wishart迭代，弥补了边界固定带来的缺陷但是这种方法不能保持极化散射特性。

Lee等人基于Freeman分解还提出了一种极化SAR图像的分类方法，它主要是根据Freeman分解获得平面散射功率，二面角散射功率和体散射功率的大小对极化数据进行划分，很好的保持了各类的散射特性，但是存在多类别合并划分复杂度比较高的问题。

西安电子科技大学王爽等人利用Freeman分解得到的三种散射功率对图像进行初始大类的划分，并利用同极化比对初始大类进行更加细致的划分，最后在划分的初始类别的基础上对整幅图像进行复Wishart迭代，进一步提高了分类的准确度，该算法思想简单，易于理解操作，具有较高的分类准确率，但是该算法存在一定的局限性，该算法分类类别数目固定不变，一般为9类，因此对于类别数目多于9类或者少于9类的数据来说，该算法的分类精度会受到影响。

有监督的分类方由于近年深度学习的普遍应用可以包括基于固有特征加分类器和基于网络加分类器两种分类方法，两类的典型算法如下：

Lee等人提出的基于复Wishart分布的极化协方差矩阵监督分类方法，由于极化协方差矩阵C可以通过线性变换的到极化相干矩阵T，这样得到Wishart分类器，这种方法限制C和T矩阵的概率密度分布服从复Wishart分布，对数据分布类型要求比较严格；Heermann等人提出了基于后向传播的神经网络的极化SAR图像分类方法，但是该方法收敛速度较慢，容易陷入局部最优。

近来，深度学习网络开始广泛的应用于极化SAR图像分类领域，深度学习网络中的CNN也被应用到了极化SAR图像分类上，并取得了不错效果。例如，中国专利申请，申请公开号为CN105184309A，名称为“基于CNN和SVM的极化SAR图像分类”中，提出了一种基于CNN和SVM的极化SAR图像分类方法，将CNN网络作为特征提取工具，通过AE网络训练获得CNN网络参数，然后将CNN学习到的特征输入到SVM分类器进行分类，这种方法虽然显著提高了分类的精度，但分类速度较慢。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于改进的CNN的极化SAR图像分类方法，将SLIC和改进的CNN结合起来解决现有有监督极化SAR图像分类方法中存在的分类速度慢和分类精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)根据极化SAR图像的九维极化数据T，计算极化SAR图像每一像素点的Wishart距离，并将该距离与九维极化数据T合并，获得极化SAR图像新数据，实现步骤为：

(1a)输入极化SAR图像的九维极化数据的类别标记，对每一类标记的相邻样本进行样本选取，得到多个类别极化样本；

(1b)计算每个类别极化样本的相干矩阵均值C_i，其中i为样本所属的类别数)；

(1c)利用相干矩阵均值C_i，计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离d_m；

(1d)将计算得到的Wishart距离与极化SAR图像的九维极化数据融合，获得极化SAR图像新数据；

(2)利用Lee滤波方法，对极化SAR图像新数据进行滤波，得到滤波后极化SAR图像新数据；

(3)从滤波后极化SAR图像新数据中选取同类别的相邻像素点，获得多个类别的小样本块；

(4)根据极化SAR图像的尺寸及其待分类图像的类别数，将CNN的全连接层和分类器层更换为分类卷积层，将CNN输出层连接到分类卷积层后，获得高效卷积神经网络；

(5)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，得到稳定的高效卷积神经网络，并将极化SAR图像新数据输入到该稳定的高效卷积神经网络中，获得极化SAR图像的初步分类结果，实现步骤如下：

(5a)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，在输出层获得小样本块每一像素点分别属于每一类别的概率；

(5b)将输出层得到每一像素点的最大概率类别作为该像素点的类别，迭代训练高效卷积神经网络的网络参数，获得稳定的高效卷积神经网络；

(5c)将极化SAR图像新数据输入到稳定的高效卷积神经网络中，在输出层获得极化SAR图像每一像素点分别属于每一类别的概率，并将这些类别中概率最大的类别作为该像素点的类别，获得极化SAR图像的初步分类结果；

(6)利用SLIC的分割方法，对极化SAR图像进行超像素分割，获得极化SAR图像的超像素分割图，实现步骤如下：

(6a)对极化SAR图像的九维极化数据进行Pauli分解，获得极化SAR图像的伪彩色图像；

(6b)对极化SAR图像的伪彩色图像进行SLIC的超像素分割，获得极化SAR图像的超像素分割图；

(7)将极化SAR图像的超像素分割图中的每一个超像素块作为独立单元，通过极化SAR图像初步分类结果中每一像素点的类别分别计算每一独立单元中所占比例，将比例最大的类别作为该独立单元的类别，获得极化SAR图像分类结果；

(8)用红色R、蓝色B和绿色G作为基色，给极化SAR图像分类结果上色，得到极化SAR图像彩色分类结果图。

本发明与现有的技术相比，具有如下优点：

1.本发明在获得极化SAR图像初步分类结果的过程中，通过固定各层的步长为1，避免大量重复运算，提高运算速度节约内存，使输出层可以同时输出每个像素点的分类结果，使该算法可以对大尺寸的图像也可以进行高速精确分类。

2.本发明在获得极化SAR图像的最终分类结果的过程中，通过SLIC对极化SAR图像分割，约束极化SAR图像的边界分类结果，并对零星的误分类点进行修正，从而提高极化SAR图像的分类精确度。

附图说明

图1是本发明的实现流程框图；

图2是本发明Sanfrancisico数据的伪彩色图和对该数据分类的不同阶段结果图；

图3是本发明与现有技术的分类结果对比图。

具体实施方式

以下结合附图和实施例，对本发明进行进一步说明。

参照图1，本发明的具体实现步骤如下：

步骤1，根据极化SAR图像的九维极化数据T，计算极化SAR图像每一像素的Wishart距离，并将该距离与九维极化数据T合并，获得极化SAR图像新数据，实现步骤为：

(1a)输入极化SAR图像的九维极化数据的类别标记，对每一类标记的相邻样本进行样本选取，得到多个类别极化样本。

(1b)计算每个类别极化样本的相干矩阵均值C_i，其中i为样本所属的类别数。

(1c)利用相干矩阵均值C_i，计算极化SAR图像每一像素点到每一类别的类别中心的Wishart距离d_m，计算公式如下：

d_m(T,C_i)＝ln|C_i|+tr(C_i^-1T)。

(1d)将计算得到的Wishart距离与极化SAR图像的九维极化数据融合，获得极化SAR图像新数据。

步骤2，利用Lee滤波方法，对极化SAR图像新数据进行滤波，得到滤波后极化SAR图像新数据,计算公式如下：

x'_i,j＝m_i,j+k(x_i,j-m_i,j)，

其中，m_i,j为局部方差，x_i,j为原像素点的值，x'_i,j为滤波后像素点的值，k为自定义参数，当k>1时，图像锐化，相当于高通滤波；当0<k<1时，图像平滑，相当于低通滤波；当k＝0或者k＝1时，前者输出原图像的局部均值，后者输出原图像。

步骤3，从滤波后极化SAR图像新数据中选取同类别的相邻像素点，获得多个类别的小样本块。

步骤4，根据极化SAR图像的尺寸及其待分类图像的类别数，将CNN的全连接层和分类器层更换为分类卷积层，将CNN输出层连接到分类卷积层后，获得高效卷积神经网络，包括输入层，卷积层，池化卷积层，分类卷积层，输出层，其中，卷积层的卷积步长为1，池化卷积层的卷积步长为1，分类卷积层的卷积核个数与待分类图像的类别数相等，且卷积核行数和列数设定为奇数，其除四角元素以外的值固定为0，卷积步长为1。

步骤5，将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，得到稳定的高效卷积神经网络，并将极化SAR图像新数据输入到该稳定的高效卷积神经网络中，获得极化SAR图像的初步分类结果，实现步骤如下：

(5a)将多个类别的小样本块逐个输入到高效卷积神经网络中分别进行迭代训练，在输出层获得小样本块每一像素点分别属于每一类别的概率。

(5b)将输出层得到每一像素点的最大概率类别作为该像素点的类别，迭代训练高效卷积神经网络的网络参数，获得稳定的高效卷积神经网络。

(5c)将极化SAR图像新数据输入到稳定的高效卷积神经网络中，在输出层获得极化SAR图像每一像素点分别属于每一类别的概率，并将这些类别中概率最大的类别作为该像素点的类别，获得极化SAR图像的初步分类结果。

步骤6，利用SLIC的分割方法，对极化SAR图像进行超像素分割，获得极化SAR图像的超像素分割图，实现步骤如下：

(6a)对极化SAR图像的九维极化数据进行Pauli分解，获得极化SAR图像的伪彩色图像。

(6b)对极化SAR图像的伪彩色图像进行SLIC的超像素分割，获得极化SAR图像的超像素分割图，SLIC分割步骤如下：

(6b1)将极化SAR图像的伪彩色图像从RGB颜色空间转换到CIE-Lab颜色空间，得到对应每个像素点的五维向量[L,a,b,x,y]，其中，L分量用于表示像素的亮度，取值范围是[0,100],表示从纯黑到纯白；a表示从绿色到红色的范围，取值范围是[-128，127]；b表示从蓝色到黄色的范围，取值范围是[-128，127]，x和y为像素点位置坐标。

(6b2)极化SAR图像包含像素点个数为N，设置伪彩色图像的待分割超像素块为K，计算得到分割完成以后的每一超像素块包含的像素点个数为N/K和超像素块的边长

(6b3)在伪彩色图像上每隔S个像素点选取一个像素点作为聚类中心，聚类中心周围选取2S×2S范围获得搜索空间。

(6b4)在搜索空间中，选择与聚类中心向量距离最近的点构成该聚类中心的超像素块，向量距离的计算公式为:

d_s＝d_lab+(m÷S)×d_xy，

其中，m为权值，取值范围为[1,20]。

(6b5)将超像素中过小的块合并到与该块相联且最大的超像素块中，使保证每个超像素块是完整联通的，获得极化SAR图像的超像素分割图。

步骤7，将极化SAR图像的超像素分割图中的每一个超像素块作为独立单元，通过极化SAR图像初步分类结果中每一像素点的类别分别计算每一独立单元中所占比例，将比例最大的类别作为该独立单元的类别，获得极化SAR图像分类结果。

步骤8，用红色R、蓝色B和绿色G作为基色，给极化SAR图像分类结果上色，得到极化SAR图像彩色分类结果图。

以下结合仿真实验对本发明的技术效果作进一步说明：

1.仿真条件和内容：

本发明在windows7系统core-i7-6700处理器的计算机上通过软件matlab-2014b，对Sanfrancisico数据进行分类仿真，其结果如图2，同时与现有技术中的SVM和H/α-Wishart两种方法的仿真结果进行对比，其结果如图3。

2.仿真结果分析:

参照图2，本实施例对Sanfrancisico数据进行分类仿真，其中图2(a)为Pauli分解获得的伪彩色图像，图2(b)为将极化特征和Wishart距离合并输入到已改进的CNN，获得初步分类结果图，由于利用大量的邻域信息，一个噪声点会影响邻域内的分类结果，导致误分类点大多集中在一起，形成较多的误分类快，图2(c)为对伪彩色图像进行SLIC聚类的超像素分割结果图，边界分割结果和实际有差异，图2(d)为经过超像素分割结果约束以后的分类结果图，由于分割结果的边界差异导致边界误分类结果较多，但是区域的一致性较好，整体分类精度较高。

参照图3，本实施例和现有的SVM分类以及H/α—Wishart分类方法对Sanfrancisico数据进行分类的仿真对比，其中图3(a)为Pauli分解获得的伪彩色图像，图3(b)为SVM分类方法对Sanfrancisico数据分类仿真结果，类内误分类点较多，部分区域很集中，区域一致性较差，而且如果两类别差异不够明显的时候，很难将两类分开，类别边缘不够平滑清晰，图3(c)为H/α—Wishart分类方法对Sanfrancisico数据的分类仿真结果，类内有较多的误分点，区域一致性差，差异不明显类别不能很好的区分，边界不够平滑但是很好的保持了图像原有细节特征，图3(d)为本实施例的仿真结果，类内误分类点基本被修正，区域一致性很好，可以将差异较小的类别很好的分开，但是细节信息丢失，边界保持不是很好，而且类别交界处比较不平滑。

通过图2和图3可以看出，本发明通过已改进的CNN对极化SAR图像进行分类，通过极化特征，Wishart特征以及邻域信息空间特征的综合输入来确定像素点类别，然后利用SLIC对上述结果进行修正，改善区域一致性和边界分类结果。通过整个模型得出的分类结果精确度明显提高，区域一致性极大改善，清晰比较可以被很好的保留表现；利用特定的卷积核和卷积步长，避免了大量重复计算，降低了时间复杂度。

综上所述，本发明提出的对极化SAR图像分类的方法，先结合Wishart距离通过已改进的CNN来分类，提高分类速度，获得初步分类结果图，然后对伪彩色图像进行SLIC聚类获得超像素分割结果图，利用该结果来约束初步分类结果，获得区域一致性良好的结果，保证分类精度，适用于任何尺寸尤其是大幅图像的高速高精度分类。