CNN结合SLIC的PolSAR区域化分类

针对PolSAR分类易受散斑噪声影响出现"椒盐"现象的问题,提出一种CNN结合SLIC算法的PolSAR分类方法。选取荷兰Flevoland地区机载L波段全极化数据作为实验数据,通过Pauli、Huynen和Yamaguchi分解获取了9维特征向量,利用指定窗口尺寸内像素在特征维度的分布特征作为CNN的输入端,在选取实际标签作为训练集进行训练的基础上,通过对网络学习率和随机失活率等参数调整优选,经过200次迭代将影像分为大豆、小麦和建筑等15种地类,并结合SLIC算法获取区域化分类结果。实验结果显示总体分类精度达到97%,Kappa系数为0.94,效果明显优于传统SVM和Random Forest分类算法,同时对国产高分三号全极化数据进行了分类,证明了该分类算法的有效性。