一种极化SAR图像分类方法、装置及存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种极化sar图像分类方法、装置及存储介质。

背景技术：

目前，极化合成孔径雷达(syntheticapertureradar，sar)图像分类是图像解译过程中一个重要步骤，也是极化sar图像处理的一个重要研究方向。其中，对极化sar图像分类可以对目标特性进行深入挖掘，从图像数据中提取出符合应用要求的目标信息。然而在现有技术中，存在的问题是：一方面若获取的图像的极化特征数较少，会丢失原始图像的部分信息，对图像的地物目标识别精度不高；另一方面若获得比较全面的极化特征数量，对数据存储、算法复杂度又需要满足更高要求。

技术实现要素：

有鉴于此，本发明实施例提供一种极化sar图像分类方法、装置及存储介质。

本发明的技术方案是这样实现的：

一种极化sar图像分类方法，所述方法包括：

对待分类图像进行极化目标分解，获得所述待分类图像的第一极化特征集；所述待分类图像包括：极化合成孔径雷达sar图像；

将所述第一极化特征集中特征向量进行降维处理，获得目标维数特征向量的第二极化特征集；

基于所述第二极化特征集，对所述待分类图像进行分类。

上述方案中，所述将所述第一极化特征集中特征向量进行降维处理，获得目标维数特征向量的第二极化特征集，包括：

基于用户检测操作，从所述第一极化特征集中选取能够区分不同地物目标类别的至少一个特征向量；基于所述至少一个特征向量获得所述第二极化特征集；或者，

基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集。

上述方案中，所述基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集，包括：

将所述第一极化特征集中n维特征向量映射到k维空间，以获得包括k维特征向量的所述第二极化特征集；所述n、k为正整数；所述n大于所述k。

上述方案中，所述方法还包括：

若确定所述第一极化特征集中特征向量之间的关系为非线性关系，将所述第一极化特征集中n维特征向量映射到m维空间，获得包括m维特征向量的第三极化特征集；所述第三极化特征集中特征向量之间的关系为线性关系；所述m为正整数；所述m大于n；

所述基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集，包括：

将所述第三极化特征集中m维特征向量映射到k维空间，以获得包括k维特征向量的所述第二极化特征集。

上述方案中，所述基于所述第二极化特征集，对所述待分类图像进行分类，包括：

基于所述第二极化特征集，利用经过训练的深度支撑向量机svm分类器和/或深度学习算法分类器对所述待分类图像进行分类。

上述方案中，所述基于所述第二极化特征集，利用所述svm分类器对所述分类图像进行分类，包括：

基于所述第二极化特征集，获取所述待分类图像各像素的原始数据；

基于所述原始数据提取原始问题；

构建基于所述原始问题的拉格朗日函数；

对所述原始问题对偶化；

利用库恩塔克kkt条件求解分类决策函数，以获得对所述待分类图像的分类。

上述方案中，若基于所述第二极化特征集，利用所述深度学习算法分类器对所述待分类图像进行分类，所述方法还包括：

基于所述第二极化特征集，提取所述待分类图像各像素的原始特征并归一化；

训练卷积神经网络，得到卷积神经网络cnn卷积层参数；

将cnn池化层设置为平均池化，确定cnn卷积池化层参数；

基于所述cnn卷积池化层参数，获得cnn学习的结果；

所述利用所述深度学习算法分类器对所述待分类图像进行分类，包括：

利用所述cnn学习的结果对所述待分类图像进行分类。

上述方案中，所述对待分类图像进行极化目标分解包括以下至少之一：

利用散射熵h/散射角α/散射各向异性度a极化分解对待分类图像进行极化目标分解；

利用克劳德cloude极化分解对待分类图像进行极化目标分解。

本发明实施例还提供了一种极化sar图像分类装置，其特征在于所述装置包括处理器，和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行计算机程序时，实现本发明任一项所述的极化sar图像分类方法。

本发明实施例还提供了一种存储介质，所述存储介质中有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行实现本发明实施例任一项所述的极化sar图像分类方法。

本发明实施例中所提供的一种极化sar图像分类方法，通过对待分类图像进行极化目标分解，获得地物目标的第一极化特征集，可以针对不同的特定区域或者地物目标进行极化特征分解，获得不同区域或者地物目标的极化特征向量，建立更具代表性的极化特征集；通过对所述第一极化特征集中特征向量进行降维处理，获得目标维数特征向量的第二极化特征集，能够获得有效的较少维数的极化特征集；如此，在基于所述及第二极化特征集，对所述待分类图像进行分类时，能够一方面利用有效的特征向量对所述待分类图像进行分类，从而提高地物目标的识别精度，另一方面由于利用了相对于第一极化特征集更少维数的第二极化特征集进行识别运算，从而能够降低运算的复杂度，同时能够节省系统的存储空间。

附图说明

图1为本发明实施例提供的极化sar图像分类方法的流程示意图；

图2为本发明一实施例中提供的特征选择的流程示意图；

图3为本发明一实施例中提供的特征提取的流程示意图；

图4为本发明实施例提供的极化sar图像分类方法的流程示意图；

图5为本发明实施例提供的极化sar图像分类装置结构示意图；

图6为本发明实施例提供的极化sar图像分类方法的硬件结构示意图。

具体实施方式

以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解的是，sar图像上的信息是表征地物目标对雷达波束的反映的信息。极化，是指sar遥感系统常用的四种极化方式——hh、vv、hv、vh；其中，h表示水平方向收发方式，v是表示垂直收发方式；hh、vv为同极极化方式，hv、vh为交叉极化方式。

如图1所示，本发明实施例提供了一种极化sar图像分类方法，所述方法包括：

步骤101，对待分类图像进行极化目标分解，获得所述待分类图像的第一极化特征集；所述待分类图像包括：极化合成孔径雷达sar图像；

步骤103，将所述第一极化特征集中特征向量进行降维处理，获得目标维数特征向量的第二极化特征集；

步骤105，基于所述第二极化特征集，对所述待分类图像进行分类。

在一些实施例中，对待分类图像进行极化目标分解包括对待分类图像的每个像素点进行极化目标分解。

在一些实施例中，所述极化sar图像可包括：全极化sar图像和/或多极化sar图像；所述全极化sar图像为包括hh、hv、vh和vv四种极化方式的形成的图像；所述多极化sar图像为所述hh、hv、vh和vv四种极化方式中的几种极化方式形成的图像。

在另一些实施例中，所述极化sar图像为地物目标的图像；所述地物目标可以为森林、农田、城市、草地、机场跑道；或者，所述地物目标可以为湿地、林地、耕地、建筑物，等等。

在本发明实施例中，通过对待分类图像进行极化目标分解，获得地物目标的第一极化特征集，可以针对不同的特定区域或者地物目标进行极化特征分解，获得不同区域或者地物目标的极化特征向量，建立更具代表性的极化特征集；通过对所述第一极化特征集中特征向量进行降维处理，获得目标维数特征向量的第二极化特征集，能够获得有效的较少维数的极化特征集；如此，在基于所述及第二极化特征集，对所述待分类图像进行分类时，能够一方面利用有效的特征向量对所述待分类图像进行分类，从而提高地物目标的识别精度，另一方面由于利用了相对于第一极化特征集更少维数的第二极化特征集进行识别运算，从而能够降低运算的复杂度，同时能够节省系统的存储空间。

在一些实施例中，所述对待分类图像进行极化目标分解，包括但不限于以下至少之一：

利用散射熵h/散射角α/散射各向异性度a极化分解对待分类图像进行极化目标分解；

利用克劳德cloude极化分解对待分类图像进行极化目标分解。

在另一些实施例中，所述对待分类图像进行极化目标分解，还可以包括以下至少之一：

利用vanzyi极化分解对待分类图像进行极化目标分解；

利用huynen目标分解对待分类图像进行极化目标分解；

利用freeman二分量分解对待分类图像进行极化目标分解；

利用yamaguchi四分量分解对待分类图像进行极化目标分解；

利用泡利pauli分解对待分类图像进行极化目标分解。

当然，所述利用极化目标分解方法对待分类图像进行分解的方式有很多种，这里只是示例性举例，并不作限制。

这里，所述第一极化特征集包括多个特征向量，所述第二极化特征集包括多个特征向量；所述多个为两个或两个以上。所述第二极化特征集中的特征向量的维数小于所述第一特征集中特征向量的维数。其中，每一个特征向量都表示所述待分类图像的某个信息的参数。具体地，如下表1所示，根据不同的目标极化分解方式，可以得到不同的特征向量的参数。例如，可通过h/α/a极化分解方法分解待分类图像，可以得到极化散射各向异性度a，极化散射角参数α，散射熵h、特征值等特征向量的参数；又如，通过cloude极化分解，可以得到表面散射，二面角散射，体散射的参数；等等。

表1常用的极化特征向量参数

这里，所述目标维数可以预先设置；所述目标维数小于第一极化特征集中包括的特征向量的维数。例如，所述第一极化特征集的维数为100，所述目标维数为20。

在本发明实施例中，由于可以通过不同的极化目标分解方法对待分类图像进行分解，如此，可以获得更加全面的待分类图像的极化特征向量；针对特定的地物目标、特定的区域能进行针对性的分解；如此，还可以基于典型地物目标(如建筑物、农田、草地、森林等)为主要研究对象，对典型场景的特性，更准确的区分被分类的地物目标的不同散射机理，进行精准地获取其几何特征和/或物理特征，从而进行极化特征向量的提取，建立更具有代表性的极化特征集。进一步地，通过不同的极化目标分解方法对所述待分类图像进行分解获得的第一极化特征集，可以为后续极化特征的选择以及地物目标的识别提供数据基础。

在上述场景中，尽管多特征的组合利用会明显提高地物目标的识别精度，但过大的特征向量维度会导致特征识别算法的效率过低，因而需要获得更合适的维度的多特征集合来进行特征识别。

为了至少解决上述场景的部分问题，在一些实施例中，所述步骤103，包括：基于用户检测操作，从所述第一极化特征集中选取能够区分不同地物目标类别的至少一个特征向量；基于所述至少一个特征向量获得所述第二极化特征集。

如图2所示，提供了一种特征向量选择方法，输入端为x1、x2、……、xp；输出端为f1和f2；所述x1、x2、x3……、xp经过f(x)函数获得所述f1和f2；其中，f(x)为区分不同地物目标类别的分类函数；所述x1、x2、x3……、xp为根据步骤s101利用极化目标分解方式获得的第一极化特征集的特征向量；所述f1和f2为x1、x2、……、xp中的两个特征向量，所述f1和f2为第二极化特征集；所p为自然数。

本发明实施例中，可以通过从所述第一极化特征集中选择特征向量以获得第二极化特征集，如此，可以根据不同的地物目标或者特定区域，选择能够区分不同地物目标的多个特征向量，从而获得更优或者最优特征集，能够提高不同地物目标或区域的识别精度，并且能够降低后续识别运算的复杂度。

在另一些实施例中，所述步骤103，包括：基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集。

如图3所示，提供了一种特征向量提取方法，输入端为y1、y2、y3……、yq；输出端为g1和g2；所述y1、y2、y3……、yq经过g(y1、y2、y3……、yq)映射获得所述g1和g2；其中，g(y1、y2、y3……、yq)为降低维数的映射函数；所述y1、y2、y3……、yq为根据步骤s101利用极化目标分解方式获得的第一极化特征集的特征向量；所述g1和g2为y1、y2、y3……、yq中的两个特征向量，所述g1和g2为第二极化特征集；所述q为自然数。

在本发明实施例中，可通过从所述第一极化特征集中提取特征向量以获得所述第二特征极化集，如此，是在原始特征集中找到一个比较合适的特征子集，从而当一个模型在该子集上经过训练后，能够拥有更加优良的识别性能，能够提高地物目标的识别精度以及降低后续识别算法的复杂度。

其中，对于特征提取主要区别在于线性和非线性映射技术之间的区别；因而对于特征提取可以基于以下两种情况：

第一种情况，所述第一极化特征集中的特征向量之间的关系为线性关系。

所述基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集，包括：

将所述第一极化特征集中n维特征向量映射到k维空间，以获得包括k维特征向量的所述第二极化特征集；所述n、k为正整数；所述n大于所述k。

这里，所述k维特征向量为正交特征向量。

第二种情况，所述第一极化特征集中的特征向量之间的关系为非线性关系。

若确定所述第一极化特征集中特征向量之间的关系为非线性关系，将所述第一极化特征集中n维特征向量映射到m维空间，获得包括m维特征向量的第三极化特征集；所述第三极化特征集中特征向量之间的关系为线性关系；所述m为正整数；所述m大于n；

所述基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集，包括：

将所述第三极化特征集中m维特征向量映射到k维空间，以获得包括k维特征向量的所述第二极化特征集。

可以理解的是，将所述第一极化特征集中特征向量进行降维处理的方法还有多种，例如，利用主成分分析pca进行降维处理，或利用核的主成分分析kpca先进行升维处理、再进行降维处理，或者，利用局部保留投影lpp进行降维处理，等等。

其中，所述pca是利用特征的协方差矩阵判断变量间的方差一致性，寻找变量之间的最佳的线性组合。其具体的实现步骤如下：

步骤s11，输入数据集x；

步骤s12，计算数据集x的平均值xmean，将平均值xmean从数据集x中减去，得到xnew＝x-xmean。

步骤s13，计算求得xnew的协方差矩阵，记为cov，并计算得到协方差矩阵的特征值及其对应的特征向量。

步骤s14，将特征值按照从大到小的顺序排序，选择其中的最大的k个值，这k个值对应的特征向量分别作为列向量组成的特征向量矩阵w。

步骤s15，将数据集xnew投影到选取的特征向量上，得到降维后的数据集xneww。

所述kpca是基于核化思想，将样本的空间映射到更高维度的空间，再基于更高维度空间进行降维。若样本的维度是h，样本的个数是i，则h<i，那么将样本投射到i维空间，首先计算样本间的距离矩阵d(i×i)和核函数f，则f(d)就是高维空间投影；然后在高维特征空间中对映射数据做pca分析。

所述局部投影方法是通过构建空间中各样本对之间的远近亲疏关系，并在投影中保持这种关系，在降维的同时保留空间中样本的局部邻域结构。例如，在低维空间中最小化邻近样本间的距离加权平方和。

在一些实施例中，所述步骤105包括：基于所述第二极化特征集，利用经过训练的深度支撑向量机(supportvectormachine，svm)分类器和/或深度学习算法分类器对所述待分类图像进行分类。

在本发明实施例中，可通过svm分类器和/或深度学习算法分类器等对所述待分类图像进行分类，可提高对地物目标的识别精度，能够更加精度的对图像进行分类；且，由于其只是对待分类图像的第二极化特征集进行识别算法，所述第二极化特征集只是涉及到对地物目标起主要影响的特征向量参数，因而使得所述识别算法能够处理比较少量的特征向量参数，能够降低识别算法的运算复杂度。同时，由于是选取比较少量的特征向量参数，因而同时也能占用更少的存储空间，节省存储空间。

当然，在本发明实施例中，还可以利用其它的分类器或则其它分类器的组合对所述待分类图像进行分类处理，这里只是示例性举例，不作限制。

在一些实施例中，所述基于所述第二极化特征集，利用所述svm分类器对所述分类图像进行分类，包括：

基于所述第二极化特征集，获取所述待分类图像各像素的原始数据；

基于所述原始数据提取原始问题；

构建基于所述原始问题的拉格朗日函数；对所述原始问题对偶化；

利用库恩塔克kkt条件求解分类决策函数，以获得对所述待分类图像的分类。

以下介绍一种所述线性深度支撑向量机的算法流程：

步骤s21，原始问题求解：

yi(w·xi+b)≥1-ξi,ξi≥0，i＝1,2,…,n。

步骤s32，构建拉格朗日函数：

其中，所述αi≥0，μi≥0。

步骤s33，原始问题对偶化：

步骤s34，利用库恩塔克(karush-kuhn-tucher)条件求解决策函数

其中，所述a^*可基于smo算法求解，可基于所述可分别求解得到w和b的值。

在另一些实施例中，还提供了通过一种利用核函数求解非线性支撑向量机的方式。具体地，输入与所述步骤s11相同的原始问题并构建与建立所述步骤s12相同的拉格朗日函数；将所述原始问题对偶化并选择核函数，则所述原始问题可以转换为：利用kkt条件求解分类决策函数

在一些实施例中，所述若基于所述第二极化特征集，利用所述深度学习算法分类器对所述待分类图像进行分类，所述方法还包括：

基于所述第二极化特征集，提取所述待分类图像各像素的原始特征并归一化；

训练卷积神经网络，得到卷积神经网络cnn卷积层参数；

将cnn池化层设置为平均池化，确定cnn卷积池化层参数；

基于所述cnn卷积池化层参数，获得cnn学习的结果；

所述利用所述深度学习算法分类器对所述待分类图像进行分类，包括：

利用所述cnn学习的结果对所述待分类图像进行分类。

在一些实施例中，利用所述深度学习算法分类器对所述待分类图像进行分类可采用基于lenet模型的卷积神经网络cnn对待分类图像进行分类。

其中，所述lenet模型输入输出一共为八层，下面对八层进行逐层分析。

第一层，数据输入层；

所述数据输入层可对数据的归一化以及对数据去均值。其中，所述数据的归一化是将样本数据归一化到相同的区间范围；所述区间范围可以是0-1；灰度图可以为0-225。所述数据去均值是若所述样本数据中有非零均值，且所述样本的非零均值与测试数据的非零均值不一致，将所述样本数据中非零均值去除。

例如，所述数据输入层输入的矩阵图像的尺寸可为32×32。

第二层，第一卷积层；

所述第一卷积层是卷积神经网络的核心层；可通过不同的卷积核，来获取图像的特征；所述卷积核可相当于滤波器，不同的滤波器可提取不同特征。

例如，卷积核尺寸：5×5；卷积核种类：6。

第三层，第一池化层；

每个第一卷积层后都会紧跟一个所述第一池化层，因而每一次卷积之后会进行池化运算；所述池化运算对卷积层输出的数据进行降维处理。

在一实施例中，经过所述池化运算之后的输出矩阵大小为卷积运算后输出矩阵的大小的1/2左右。例如，第一卷积层之后输出的矩阵大小为28×28，经过池化运算之后的矩阵大小为14×14。这里，所述第一池化层增加了鲁棒性，可以在一定程度上过拟合。

第四层，第二卷积层；

所述第二卷积层对由所述第一池化层得到的特征进一步提取特征，对样本数据进行更深层的表达。

第五层，第二池化层；

所述每个第二卷积层后都会紧跟一个第二池化层；所述第二池化层的功能与所述第一池化层的功能类似，也是将第二卷积层输出的矩阵进行降维处理。

第六层，第三卷积层；

所述第三卷积层中设有卷积核120个左右；且全层是全连接的；所述第三卷积层将经所述第二池化层输出的矩阵卷积成一个数值。

第七层，全连接层；

所述全连接层可获得高维空间数据。

第八层，输出层。

所述输出层一般采用rbf网络，每个所述rbf网络的中心为每个类别的标识；网络输出的值越大，表征所述样本数据与所述训练数据越不相似，输出最小值即为网络的判别结果。

通过特征提取与所述svm分类器，和通过特征提取与所述cnn分类器输出的分类结果的精度得到大大的提高；对建筑、农田、城市等环境能有效识别出来；对不同区域、不同地物目标有更好的普适性。

以下表格2例举了利用基于h/α与wishart分类器、本发明的通过特征提取与svm分类器，和通过特征提取与cnn分类器三种分类方式对地物目标的分类精确度的对比。

表2三种分类方法分类精度比较

以下通过具体实施例对本发明实施例的技术方案作进一步说明。

如图4所示，本发明实施例还提供了一种极化sar图像分类方法，所述方法包括以下步骤：

步骤s31，利用目标分解算法对待分类图像进行目标图像分解，获得第一极化特征集；

这里，所述目标分解算法可以为以下至少之一：h/α/a极化分解、cloude极化分解、vanzyi极化分解、huynen目标分解、freeman二分量分解、yamaguchi四分量分解、pauli分解、改进的目标分解。

步骤s32，利用特征提取方法从所述极化特征集中提取特征向量，获得至少一个极化特征的第二极化特征集；

这里，所述特征提取方法可以为以下至少之一：主成分分析pca、核主成分分析kpca、局部保持投影lpp、线性图嵌入lge、领域保持嵌入npe。

这里，所述第二极化特征集为有效的特征向量组合；所述有效的特征向量组合包括能够识别不同地物目标的特征向量。

步骤s33；将所述第二极化特征集输入到检测器中，获得分类结果。

这里，所述检测器可以为多个；所述检测器可以为svm分类器和/或cnn分类器。

在本发明实施例中，可首先利用极化目标分解算法获得地物目标的极化特征集，然后采用特征提取方法降低极化特征集的维度，提取有效极化特征，最后利用多种检测器获得高精度地物目标的识别结果。

这里需要指出的是：以下极化sar图像分类装置项的描述，与上述极化sar图像分类方法项描述是类似的，同方法的有益效果描述，不做赘述。对于本发明极化sar图像分类装置实施例中未披露的技术细节，请参照本发明极化sar图像分类方法实施例的描述。

如图5所示，本发明实施例还提供了一种图像处理装置，所述装置包括：获取模块201、降维模块202和分类模块203；其中，

所述获取模块201，用于对待分类图像进行极化目标分解，获得所述待分类图像的第一极化特征集；所述待分类图像包括：极化合成孔径雷达sar图像；

所述降维模块202，用于将所述第一极化特征集中特征向量进行降维处理，获得目标维数特征向量的第二极化特征集；

所述分类模块203，用于基于所述第二极化特征集，对所述待分类图像进行分类。

在一些实施例中，所述降维模块202，用于基于用户检测操作，从所述第一极化特征集中选取能够区分不同地物目标类别的至少一个特征向量；基于所述至少一个特征向量获得所述第二极化特征集；或者，

基于线性映射，将所述第一极化特征集映射为降低维数后的所述第二极化特征集。

在一些实施例中，所述降维模块202，还用于将所述第一极化特征集中n维特征向量映射到k维空间，以获得包括k维特征向量的所述第二极化特征集；所述n、k为正整数；所述n大于所述k。

在一些实施例中，所述降维模块202，用于若确定所述第一极化特征集中特征向量之间的关系为非线性关系，将所述第一极化特征集中n维特征向量映射到m维空间，获得包括m维特征向量的第三极化特征集；所述第三极化特征集中特征向量之间的关系为线性关系；所述m为正整数；所述m大于n；将所述第三极化特征集中m维特征向量映射到k维空间，以获得包括k维特征向量的所述第二极化特征集。

在一些实施例中，所述分类模块203，用于基于所述第二极化特征集，利用经过训练的深度支撑向量机svm分类器和/或深度学习算法分类器对所述待分类图像进行分类。

在一些实施例中，所述分类模块203，用于基于所述第二极化特征集，获取所述待分类图像各像素的原始数据；基于所述原始数据提取原始问题；构建基于所述原始问题的拉格朗日函数；对所述原始问题对偶化；利用库恩塔克kkt条件求解分类决策函数，以获得对所述待分类图像的分类。

在一些实施例中，所述分类模块203，用于基于所述第二极化特征集，提取所述待分类图像各像素的原始特征并归一化；训练卷积神经网络，得到卷积神经网络cnn卷积层参数；将cnn池化层设置为平均池化，确定cnn卷积池化层参数；基于所述cnn卷积池化层参数，获得cnn学习的结果；利用所述cnn学习的结果对所述待分类图像进行分类。

在一些实施例中，所述获取模块201，用于利用散射熵h/散射角α/散射各向异性度a极化分解对待分类图像进行极化目标分解；和/或利用克劳德cloude极化分解对待分类图像进行极化目标分解。

如图6所示，本发明实施例还提供了一种采集设备，所述采集设备包括处理器301、存储器302及存储在存储器302上并可在处理器301上运行的计算机指令；所述处理器301执行所述指令时实现应用于所述采集设备中的极化sar图像分类方法的步骤。

在一些实施例中，本发明实施例中的存储器302可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的系统和方法的存储器302旨在包括但不限于这些和任意其它适合类型的存储器。

而处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器302，处理器301读取存储器302中的信息，结合其硬件完成上述方法的步骤。

在一些实施例中，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(applicationspecificintegratedcircuits，asic)、数字信号处理器(digitalsignalprocessing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmablelogicdevice，pld)、现场可编程门阵列(field-programmablegatearray，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本发明又一实施例提供了一种计算机存储介质，该计算机可读存储介质存储有可执行程序，所述可执行程序被处理器301执行时，可实现应用于所述采集设备中的极化sar图像分类方法的步骤。例如，如图1-图4所示的方法中的一个或多个。

在一些实施例中，所述计算机存储介质可以包括：u盘、移动硬盘、只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。