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散射(scatter)全卷积模型的极化合成孔径雷达(syntheticapertureradar，sar)图像分类方法。本发明可用于对极化sar图像的地物进行分类，能有效的提高极化sar图像分类的精度，可用于极化sar图像地物分类和目标识别。
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：
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。和普通的卷积神经网络相比，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，该方法提取的散射特征信息不完整，因此对图像的边缘像素点的分类效果较差。
zhangxiang,dengkazhong,fanhongdong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，该方法没有学习到图像的纹理特性，导致特征信息不全面，分类精度不高，而且svm的训练速度比卷积神经网络的训练速度慢很多。
技术实现要素：
本发明的目的是针对上述现有技术的不足，提出了一种基于散射全卷积模型的极化sar分类方法。本发明与现有其他极化sar图像分类方法相比，能够有效地提高极化sar图像的分类精度，同时更全面细致地保留极化sar图像的极化、散射、纹理特征信息。
实现本发明的技术思路是：先对待分类的极化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，然后构造数据集，之后构建散射全卷积模型，用训练数据集训练模型，最后将测试数据集送入训练好的散射全卷积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)对待分类的极化sar图像进行lee滤波：
对待分类的极化sar图像的散射矩阵，进行滤除相干噪声的精致极化lee滤波，得到滤波后的散射矩阵，其中待分类的极化sar图像大小为1800×1380像素，得到滤波后的散射矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征；
(2)将散射矩阵进行pauli分解：
对滤波后的散射矩阵进行pauli分解，得到奇次散射能量、偶次散射能量、体散射能量，用分解得到的奇次散射能量、偶次散射能量、体散射能量作为表征极化sar目标的3维图像特征，构成基于像素点的特征矩阵；
(3)特征矩阵归一化：
将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；
(4)构造数据集：
(4a)从归一化后的特征矩阵中每一类的特征值中随机选取10％的特征值，以所选取的每一个特征值为中心点，在左、上方向分别选取31个特征值，在右、下方向分别选取32个特征值，将所选取的特征值与其周围所选的特征值，组成64×64的特征矩阵块；
(4b)从特征矩阵块中随机选取5％的特征矩阵块，作为训练数据集，将其余的特征矩阵块作为测试数据集；
(5)构造散射全卷积网络模型：
构造一个含有19层的散射全卷积网络模型，模型结构为：输入层→散射层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层→第四卷积层→第四池化层→第五卷积层→第六卷积层→第七卷积层→第一反卷积层→第八卷积层→第二反卷积层→按元素etwise操作层→第三反卷积层→裁剪层→分类器；
(6)训练散射全卷积网络模型：
将训练数据集输入到散射全卷积网络模型中，得到训练好的散射全卷积网络模型；
(7)进行分类：
将测试数据集输入到训练好的散射全卷积网络模型中，得到测试数据集中每个像素的分类结果。
本发明与现有技术相比较，具有以下优点：
第一，由于本发明构建了散射全卷积模型，模型中使用了一系列卷积，池化层，提取了极化sar图像丰富的纹理特性，加快了网络的训练速度，克服了现有技术中通过svm分类器对极化sar图像进行分类而导致的训练速度慢的问题，使得本发明提高了极化sar图像的训练速度。
第二，由于本发明构建了散射全卷积模型，模型中使用了散射层，提取了极化sar图像丰富的散射特性，模型中的各层参数通过多次调整，得到最优的参数，克服了现有技术中全卷积网络模型提取的散射特征信息不完整，对图像的边缘像素点的分类效果较差的缺点，使得本发明既能够提取图像的散射特性，又能够提取图像的纹理特性。通过将极化sar图像的极化特性，散射特性和纹理特性有效的结合，保留了特征信息的完整性，从而提高了分类精度。
附图说明
图1是本发明流程图；
图2是本发明的仿真图。
具体实施方式
下面结合附图1对本发明的步骤做进一步的详细描述。
步骤1.对待分类的极化sar图像进行lee滤波。
对待分类的极化sar图像的散射矩阵，进行滤除相干噪声的精致极化lee滤波，得到滤波后的散射矩阵，其中待分类的极化sar图像大小为1800×1380像素，得到滤波后的散射矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征。
所述精致极化lee滤波中lee滤波器的窗口大小为7×7个像素。
步骤2.将散射矩阵进行pauli分解。
对滤波后的散射矩阵进行pauli分解，得到奇次散射能量、偶次散射能量、体散射能量，用分解得到的奇次散射能量、偶次散射能量、体散射能量作为表征极化sar目标的3维图像特征，构成基于像素点的特征矩阵。
所述pauli分解的具体步骤如下：
第一步，按照下式，将散射矩阵表示为：
s＝a[sa]+b[sb]+c[sc]+d[sd]
其中，s表示极化sar图像的散射矩阵，
表示极化sar图像奇次散射的基本散射矩阵，a表示极化sar图像散射矩阵奇次散射系数，b表示极化sar图像散射矩阵偶次散射系数，[sb]表示极化sar图像偶次散射的基本散射矩阵，c表示极化sar图像散射矩阵45度角偶次散射系数，[sc]表示极化sar图像45度角偶次散射的基本散射矩阵,d表示极化sar图像交叉极化的系数，[sd]表示极化sar图像交叉极化的基本散射矩阵。
第二步，按照下式，得到pauli分解不同方向四个散射系数的向量组合形式如下：
其中，k表示极化sar图像pauli分解四个散射系数的向量组合形式，a为极化sar图像散射矩阵奇次散射系数，b表示极化sar图像散射矩阵偶次散射系数，c表示极化sar图像散射矩阵45度角偶次散射系数，d表示极化sar图像交叉极化的系数，shh表示极化sar图像水平向接收的水平向发射极化波的回波数据，shv表示化sar图像垂直向接收的水平向发射极化波的回波数据，svv表示极化sar图像垂直向接收的垂直向发射极化波的回波数据，在满足互易条件时，shv＝svh，因此d＝0，最后一种散射机制对散射矩阵s的贡献为0，按照下式，得到pauli分解不同方向三个散射系数向量形式：
第三步，依次按照下述三个公式，计算pauli分解的不同方向三个散射能量：
|c|2＝2(shv)2
其中,a表示极化sar图像散射矩阵奇次散射系数，b表示极化sar图像散射矩阵偶次散射系数，c表示极化sar图像散射矩阵45度角偶次散射系数，|a|2表示极化sar图像散射矩阵奇次散射的散射能量，|b|2表示极化sar图像散射矩阵偶次散射的散射能量，|c|2表示极化sar图像散射矩阵45度角偶次散射的散射能量，shh表示极化sar图像水平向接收的水平向发射极化波的回波数据，shv表示化sar图像垂直向接收的水平向发射极化波的回波数据，svv表示极化sar图像垂直向接收的垂直向发射极化波的回波数据，|·|表示取绝对值操作。
第四步，将计算得到的奇次散射、偶次散射、体散射能量赋给一个大小为m1×m2×3的矩阵，得到基于像素点的特征矩阵，其中，m1表示待分类极化sar图像的长，m2表示待分类极化sar图像的宽。
步骤3.特征矩阵归一化。
将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵。
步骤4.构造数据集。
从归一化后的特征矩阵中每一类的特征值中随机选取10％的特征值，以每一个特征值为中心点，在左、上方向分别选取31个特征值，在右、下方向分别选取32个特征值，将所选取的特征值与其周围所选的特征值，组成64×64的特征矩阵块。
从特征矩阵块中随机选取5％的特征矩阵块，作为训练数据集，将其余的特征矩阵块作为测试数据集。
步骤5.构造散射全卷积网络模型。
构造一个含有19层的散射全卷积网络模型。
所述的19层散射全卷积网络模型的结构为：输入层→散射层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层→第四卷积层→第四池化层→第五卷积层→第六卷积层→第七卷积层→第一反卷积层→第八卷积层→第二反卷积层→按元素etwise操作层→第三反卷积层→裁剪层→分类器，其中，每层参数的设置如下：
输入层的特征映射图数目设置为3。
散射层的特征映射图数目设置为3。
第一池化层的特征映射图数目设置为32。
第二卷积层的特征映射图数目设置为64，卷积核尺寸设置为5。
第二池化层的特征映射图数目设置为64。
第三卷积层的特征映射图数目设置为96，卷积核尺寸设置为3。
第三池化层的特征映射图数目设置为96。
第四卷积层的特征映射图数目设置为128，卷积核尺寸设置为3。
第四池化层的特征映射图数目设置为96。
第五卷积层的特征映射图数目设置为128，卷积核尺寸设置为3。
第六卷积层的特征映射图数目设置为128，卷积核尺寸设置为1。
第七卷积层的特征映射图数目设置为5，卷积核尺寸设置为1。
第一反卷积层的特征映射图数目设置为5，卷积核尺寸设置为4。
第八卷积层的特征映射图数目设置为5，卷积核尺寸设置为1。
第二反卷积层的特征映射图数目设置为5，卷积核尺寸设置为4。
按元素etwise操作层的特征映射图数目设置为5，操作设置为求和操作。
第三反卷积层的特征映射图数目设置为5，卷积核尺寸设置为16。
裁剪层的特征映射图数目设置为5。
分类器的特征映射图数目设置为5。
步骤6.训练散射全卷积网络模型。
将训练数据集输入到散射全卷积网络模型中，得到训练好的散射全卷积网络模型。
将训练数据集作为散射全卷积网络模型的输入，利用模型提取数据集中每个像素点的特征，将模型前向传播的结果作为模型的输出，通过求解上述输出与人工标记的正确类别之间的误差并对误差进行反向传播，来优化散射全卷积网络模型的网络参数，得到训练好的散射全卷积网络模型，人工标记的正确类标如图2所示。
步骤7.进行分类。
将测试数据集输入到训练好的散射全卷积网络模型中，得到测试数据集中每个像素的分类结果。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真条件：
本发明的仿真实验是在主频2.40ghz*16的
图2(a)是本发明的仿真实验所使用的待分类的极化sar数据的伪彩图，该图为radarsat_2雷达系统于2008年获取的旧金山海湾地区极化sar数据的散射矩阵，经过pauli分解后得到的伪彩图。该伪彩图的大小为1800×1380像素，图像分辨率为10×5米。
图2(b)是本发明的仿真实验所使用的待分类的旧金山海湾地区极化sar图像的实际人工标记图。图2(b)中的灰度值为0的区域表示背景，灰度值为30的区域表示海洋区域，灰度值为75的区域表示森林区域，灰度值为105的区域表示草地区域，灰度值为150的区域表示低密度城区区域，灰度值为225的区域表示高密度城区区域。
2.仿真内容与结果分析：
使用本发明的方法对旧金山海湾地区极化sar图像进行分类，分类结果如图2(c)所示。
将得到的分类结果与真实的人工标记进行对比，根据下式，计算得到本发明的分类准确率为97.224％。
分类准确率＝总分类正确像素个数/总像素数
将图2(c)得到的分类结果与图2(b)真实的人工标记进行对比，可以看出：本发明方法分类结果较好，分类结果的区域一致性较好，不同类别之间的边缘也非常清晰，且保持了细节信息。
综上所述，本发明通过散射全卷积网络模型对极化sar图像进行分类，利用散射全卷积模型中的散射层提取了图像的散射特性，利用散射全卷积模型中一系列的卷积，池化层学习到极化sar图像的纹理特性，通过将极化sar图像的极化特性，散射特性和纹理特性有效的结合，保留了特征信息的完整性，从而提高了分类精度，同时提高了训练速度。