基于随机森林多尺度卷积模型的极化SAR分类方法与流程

本发明属于图像处理
技术领域：
，涉及一种极化sar分类方法，具体涉及一种基于随机森林多尺度卷积模型的极化sar图像分类方法。
背景技术：
合成孔径雷达sar(syntheticapertureradar)是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理方法合成一较大的等效天线孔径的雷达，具有分辨率高、全天候工作、有效识别伪装和穿透掩盖物等特点。极化sar是一种高分辨主动式相干多通道合成孔径雷达，它是sar的一个重要分支，相比sar具有更加丰富的表示信息，可广泛应用于导航、农业、地理监视等诸多领域。极化sar图像分类方法可以分为基于无监督的分类方法和有监督的分类方法，其中基于有监督的极化sar图像分类方法是指有标准类标做为指导的分类方法，基于神经网络对极化sar图像分类是有监督分类方法中的一种，例如：申请公开号为cn107239797a，名称为“基于全卷积神经网络的极化sar地物分类方法”的专利申请，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极化散射矩阵s进行pauli分解，得到奇次散射矩阵、偶次散射矩阵和体散射矩阵，将奇次散射矩阵、偶次散射矩阵和体散射矩阵作为极化sar图像的三维图像特征f，再将得到的三维图像特征矩阵f转化成rgb图f1，再在rgb图f1上随机选取m×n的像素块作为训练样本，整张rgb图f1作为测试样本，然后构造全卷积神经网络模型，再通过训练样本对全卷积神经网络进行训练，得到训练好的全卷积神经网络，再通过训练好的全卷积神经网络对测试集进行分类，得到分类结果。该发明实现了96.5％的分类准确率，且由于全卷积神经网络对输入图片的尺寸没有限制，在测试阶段，可以拿整张图进行测试，避免了由块拼接所带来的边缘效应，较好的缩短了分类时间。该方法存在的不足之处是，在全卷积神经网络训练过程中忽略了对语义信息的学习和纹理特征的保留，同时仅依赖于softmax分类器对网络输出的特征图进行概率估计分类，导致分类准确率较低，同时在使用全卷积神经网络对极化sar图像进行分类时，使用的网络层次太深，导致分类时间较长。技术实现要素：本发明的目的是针对上述现有技术的不足，提出了一种基于随机森林多尺度卷积模型的极化sar分类方法，用于解决现有技术中存在的分类准确率较低和分类时间较长的技术问题。为实现上述目的，本发明采取的技术方案包括如下步骤：(1)构建随机森林多尺度卷积模型并初始化相关参数：(1a)构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，随机森林模型至少包含200棵树；(1b)对随机森林多尺度卷积模型的权重和误差进行随机初始化；(2)对待分类的极化sar图像s进行精致极化lee滤波：对待极化sar图像s进行精致极化lee滤波处理，得到滤波后的极化sar图像s'；(3)对滤波后的极化sar图像s'进行预处理：(3a)对滤波后的极化sar图像s'进行pauli分解，得到三维特征矩阵；(3b)将三维特征矩阵中的特征值归一化到[0，255]之间，得到归一化后的三维特征矩阵；(4)获取训练数据集：从归一化后的三维特征矩阵中随机选取5％的特征值，并以每个特征值为中心点，选取大小不同，尺度为l1×l1，l2×l2，l3×l3，...，li×li，...的特征矩阵块，并将以所有特征值为中心点选取的特征矩阵块作为训练数据集，其中，li为第i个特征矩阵块的边长，6≤li≤25，2≤i≤6；(5)对随机森林多尺度卷积模型进行训练：将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图featuremap，并将featuremap输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；(6)对极化sar图像进行分类：将归一化后的三维特征矩阵输入到训练好的随机森林多尺度卷积模型中，得到极化sar图像的分类结果。本发明与现有技术相比，具有以下优点：第一，由于本发明构建的随机森林多尺度卷积模型中的多尺度卷积模型中包含细化模块，该细化模块能够将不同尺度的输入数据集经过不同输入模块输出的featuremap进行通道叠加后进行融合学习，得到了含极化sar图像丰富的语义特征的featuremap，随机森林模型对多尺度卷积模型输出的featuremap再次学习，并依据featuremap本身进行特征分类，与现有技术相比较，有效地提高了分类准确率。第二，由于本发明构建的随机森林多尺度卷积模型，多尺度卷积模型中包含有多个细化层，将模型中卷积层输出的featuremap进行像素叠加，使得模型使用少量的卷积层便可以学习到极化sar图像丰富的纹理特征，减少了模型的层次，与现有技术相比较，在进一步提高分类准确率的同时，缩短了分类时间。附图说明图1是本发明的实现流程图；图2是本发明和现有技术分类准确率的仿真结果对比图。具体实施方式下面结合附图和具体实施例，对本发明作进一步的详细描述。参照图1，一种基于随机森林多尺度卷积模型的极化sar分类方法，包括如下步骤：步骤1)构建随机森林多尺度卷积模型并初始化相关参数：由于现有技术中全卷积神经网络对极化sar图像分类方法，忽略了对语义信息的学习和纹理特征的保留，同时仅依赖于softmax分类器对网络输出的特征图进行概率估计分类，同时导致网络层次太深，因此本发明构建了随机森林多尺度卷积模型，多尺度卷积模型中使用了细化模块，将两种尺度的输入数据集经过两个输入模块训练之后输出的featuremap进行通道叠加输入到细化模块进行融合学习，得到了极化sar图像丰富的语义特征，随机森林模型对多尺度卷积模型输出的featuremap再次学习，并依据特征本身进行特征分类；步骤1a)构建包含多尺度卷积模型和随机森林模型的随机森林多尺度卷积模型，其中多尺度卷积模型包括细化模块和至少两个输入模块，随机森林模型至少包含200棵树；在本发明实例中输入模块的数量为两个，该两个输入模块的输出端与细化模块的输入端相连，其中：第一个输入模块的结构为：第一个输入层→第一个卷积层→第二个卷积层→第一个池化层→第三个卷积层→第四个卷积层→第一个细化层→第五个卷积层→第六个卷积层；第二个输入模块的结构为：第二个输入层→第七个卷积层→第八个卷积层→第九个卷积层→第十个卷积层→第二个细化层→第十一个卷积层→第十二个卷积层→第三个细化层→第十三个卷积层→第十四个卷积层→第二个池化层；细化模块的结构为：第四个细化层→第十五个卷积层→第十六个卷积层→第三个池化层→第四个池化层→第五个细化层→第一个relu层→第二个relu层；各层的参数设置如下：将第一至第二个共两个输入层的特征映射图的总数设置为3个。将第一至第二个共两个卷积层的特征映射图的总数设置为64个，卷积核的尺度设置为5*5个节点。将第三至第四个共两个卷积层的特征映射图的总数设置为128个，卷积核的尺度设置为3*3个节点。将第七至第八个共两个卷积层的特征映射图的总数设置为64个，卷积核的尺度设置为3*3个节点。将第九至第十个共两个卷积层的特征映射图的总数设置为128个，卷积核的尺度设置为2*2个节点。将第十一至第十二个共两个卷积层的特征映射图的总数设置为256个，卷积核的尺度设置为2*2个节点。将第五至第六个、第十三至第十四个共四个卷积层的特征映射图的总数设置为256个，卷积核的尺度设置为3*3个节点。将第十五至第十六个共两个卷积层的特征映射图的总数设置为1024个，卷积核的尺度设置为2*2个节点。将第十七至第十八个共两个卷积层的特征映射图的总数设置为2048个，卷积核的尺度设置为2*2个节点。将第一至第六个共六个池化层的尺度设置为2*2。将第一个至第三个共三个细化层的特征映射图的总数设置为256个。将第四个细化层的特征映射图的总数设置为512个。将第一个relu层的特征映射图的总数设置为1024个。将第二个relu层的特征映射图的总数设置为512个。在本发明实例中随机森林模型包含400棵树；步骤1b)对随机森林多尺度卷积模型的权重和误差进行随机初始化；步骤2)对待分类的极化sar图像s进行精致极化lee滤波：由于极化sar成像时引入了噪声，使得在对极化sar图像分类时受噪声的影响，导致分类准确率降低，对待极化sar图像s进行精致极化lee滤波处理，得到滤波后的极化sar图像s'；步骤3)对滤波后的极化sar图像s'进行预处理：步骤3a)为了充分利用极化sar图像s'中的散射特征，对滤波后的极化sar图像s'进行pauli分解，得到三维特征矩阵，对滤波后的极化sar图像s'进行pauli分解，实现步骤为：步骤3a1)获取极化sar图像s'的表达式：s'＝a[sa]+b[sb]+c[sc]+d[sd]其中，[sa]表示极化sar图像s'奇次散射矩阵，a表示奇次散射矩阵系数，[sb]表示极化sar图像s'偶次散射矩阵，b表示偶次散射矩阵系数，[sc]表示极化sar图像s'45度角偶次散射矩阵,c表示45度角偶次散射矩阵系数，[sd]表示极化sar图像s'交叉极化散射矩阵，d表示交叉极化散射矩阵系数；步骤3a2)计算极化sar图像s'表达式中散射矩阵系数的向量组合k'：计算极化sar图像s'表达式中四个散射矩阵系数的向量组合k：当svh和shv满足等价条件时，d＝0，计算极化sar图像s'表达式中散射矩阵系数的向量组合k'：其中，shh表示极化sar水平向接收的发射源以水平向发射的极化波的回波数据，shv表示化sar垂直向接收的发射源以水平向发射的极化波的回波数据，svh表示极化sar水平向接收的发射源以垂直向发射的极化波的回波数据，svv表示极化sar垂直向接收的发射源以垂直向发射的极化波的回波数据；步骤3a3)计算极化sar图像s'的奇次基本散射矩阵|a|2、偶次基本散射矩阵|b|2和45度角偶次基本散射矩阵|c|2：|c|2＝2(shv)2其中，|·|表示取绝对值操作；步骤3a4)将|a|2、|b|2和|c|2赋给大小为m1×m2×3的矩阵，得到三维特征矩阵，其中，m1表示待分类极化sar图像s'的长，m2表示待分类极化sar图像s'的宽。步骤3b)为了减小散射矩阵中奇异值影响分类结果，将三维特征矩阵中的特征值归一化到[0，255]之间，得到归一化后的三维特征矩阵；步骤4)获取训练数据集：从归一化后的三维特征矩阵中随机选取5％的特征值，并以每个特征值为中心点，选取大小不同，尺度为l1×l1，l2×l2，l3×l3，...，li×li，...的特征矩阵块，并将以所有特征值为中心点选取的特征矩阵块作为训练数据集，其中，li为第i个特征矩阵块的边长，6≤li≤25，2≤i≤6，在本发明实例中选取大小不同，尺度为16×16和8×8的特征矩阵块；步骤5)对随机森林多尺度卷积模型进行训练：为了得到适合本发明实例的随机森林多尺度卷积模型，将训练数据集输入到多尺度卷积模型中进行模型训练，得到特征图featuremap，并将featuremap输入到随机森林模型进行模型训练，得到训练好的随机森林多尺度卷积模型；步骤6)对极化sar图像进行分类：将归一化后的三维特征矩阵输入到训练好的随机森林多尺度卷积模型中，得到极化sar图像的分类结果。下面结合仿真实验对本发明的技术效果作进一步的说明：1.仿真条件和内容：本发明的仿真实验是在主频2.40ghz*16的xeon(r)cpu、内存64gb的硬件环境和keras的软件环境下进行的。对本发明和现有的基于全卷积神经网络的极化sar地物分类方法的分类准确率和分类效率进行对比仿真，分类准确率如图2所示，分类准确率和分类效率的具体数据如表1所示。2.仿真结果分析：参照图2，图2(a)是仿真实验所使用的通过radarsat_2雷达系统获取的极化sar图像，该极化sar图像的大小为1800×1380×3像素。图2(b)是仿真实验所使用的极化sar图像的实际人工标记图。图2(c)是本发明的对极化sar图像进行分类的分类准确率结果图。图2(d)是现有技术对极化sar图像进行分类的分类准确率结果图。图2(b)、图2(c)和图2(d)中的1区域表示背景，2的区域表示海洋区域，3区域表示森林区域，4区域表示草地区域，5区域表示低密度城区区域，6的区域表示高密度城区区域。将得到的分类准确率仿真结果图2(c)与实际人工标记图2(b)进行对比，可以看出：本发明方法分类结果中水域区域、草地区域和森林区域三个区域与人工标记图对应区域的颜色不相同的部分比较少，低密度区域和高密度区域两个区域错与人工标记图对应区域的颜色不相同的部分较多。将得到的分类准确率仿真结果图2(d)与实际人工标记图2(b)进行对比，可以看出：本发明方法分类结果中水域区域、草地区域和森林区域三个区域与人工标记图对应区域的颜色不相同的部分较少，低密度区域和高密度区域两个区域错与人工标记图对应区域的颜色不相同的部分比较多。参照表1，表1为本发明和现有的基于全卷积神经网络的极化sar地物分类方法的分类准确率和分类效率的具体数据，其中的分类准确率的计算公式为：分类准确率＝总分类正确像素个数/总像素数表1.方法分类准确率分类时间本发明99.225％2小时45分钟现有技术96.024％5小时40分钟将得到的分类准确率、训练时间和测试时间进行对比，可以看出：本发明的分类准确率要比现有技术的分类准确率高4.225％，本发明的分类时间比现有技术的分类时间短近三个小时。当前第1页12