CN108734228A - 综合多特征的极化sar图像随机森林分类方法 - Google Patents

Abstract

本发明公开了一种综合多特征的极化SAR图像随机森林分类方法，包括以下步骤：利用SLIC超像素生成算法分割待分类的极化SAR图像；提取极化SAR图像的特征信息，构建高维极化特征图；基于高维极化特征图训练随机森林模型，构建极化SAR图像随机森林模型；利用极化SAR图像随机森林模型统计像素各类别票数，以超像素为单元构建基于随机森林的超像素类别概率图；基于PLR模型迭代修正各超像素类别概率，得到迭代修正的超像素类别概率图；以超像素为单元计算各超像素类别，输出分类结果。本发明利用改进的SLIC算法生成准确细腻的超像素作为分类单元，有效降低了极化SAR图像中相干斑噪声的干扰；利用超像素间邻域特征进一步减小了相干斑噪声的干扰，提高了分类结果精度。

Description

综合多特征的极化SAR图像随机森林分类方法

技术领域

本发明涉及极化合成孔径雷达图像分类方法技术领域，具体地涉及一种综合多特征的极化SAR图像随机森林分类方法。

背景技术

合成孔径雷(Synthetic Aperture Radar，SAR)达以其全天时、全天候的成像能力，广泛应用于目标检测和测绘制图等方面。通过发射和接收不同极化状态的电磁波，极化SAR图像能获取丰富的地物信息，因而在地物分类中具有明显优势。但极化SAR图像特有的相干斑噪声会干扰地物分类的精度，综合利用极化特征和空间邻域特征分类是抑制相干斑噪声提高分类精度的一种有效方法。

表征极化SAR图像信息的极化特征众多，这为地物类别的准确区分提供了可能，同时也给分类带来了困难，极化特征的选择和分类规则集的构建是一个难点。随机森林是一个由多个决策树构成的组合分类器，面对高维特征，可通过少量样本的训练构建分类规则，能抑制过拟合，具有分类表现优异、人工干预少和运算速度快等优点，且对噪声数据具有很好的鲁棒性，目前随机森林分类方法已被成功应用到极化SAR图像分类中。

随着极化SAR图像分辨率的提高，相干斑噪声对分类结果的干扰更严重，传统基于像素的分类结果中存在椒盐现象且目视效果差、分类精度低。为克服上述问题，以超像素为分类单元的极化SAR图像分类算法取得较好效果。利用超像素的空间邻域特征有助于降低相干斑噪声的干扰，近年来马尔科夫随机场引入到极化SAR图像中并取得到较好效果，但马尔科夫随机场计算复杂，影响分类效率。

发明内容

本发明的目的在于，提供一种综合多特征的极化SAR图像随机森林分类方法，解决极化SAR图像分类精度受相干斑噪声干扰较大的问题，获取准确连续的极化SAR图像分类结果。

为实现上述目的，本发明所设计的综合多特征的极化SAR图像随机森林分类方法，包括以下步骤：步骤S1)，利用Pauli分解特征重新定义像素与超像素中心间的距离，利用SLIC超像素生成算法分割待分类的极化SAR图像；步骤S2)，从待分类的极化SAR图像中提取极化SAR图像的特征信息，构建高维极化特征图；步骤S3)，选取各类别样本，基于所述步骤S2)中生成的高维极化特征图训练随机森林模型，构建极化SAR图像随机森林模型；步骤S4)，基于高维极化特征图，利用极化SAR图像随机森林模型统计像素各类别票数，以超像素为单元构建基于随机森林的超像素类别概率图；步骤S5)，利用超像素间的邻域信息，基于PLR模型迭代修正各超像素类别概率，得到迭代修正的超像素类别概率图；步骤S6)，以超像素为单元计算各超像素类别，输出分类结果。

作为优选方案，所述步骤S1)中进一步包括以下步骤：

步骤1.1)，根据原始的极化SAR图像数据生成Pauil RGB梯度影像，按步长S采样选取种子点作为超像素初始中心，然后在局部3×3范围内将种子点调整至梯度影像最低点；

步骤1.2)，在每个超像素中心2S×2S范围内依次计算每个像素到该超像素中心的距离，并将该像素划分到与之最邻近超像素内；计算完成后，更新每个超像素的中心，重复上述步骤直至收敛或者达到最大迭代次数，生成大小近似为S×S的超像素；

步骤1.3)，将像素数目小于16的超像素合并到与之最邻近的超像素内，得到最终极化SAR图像超像素。

作为优选方案，所述步骤S1.2)中，假设超像素i的空间位置为(x_i,y_i)，Pauli分解的平均特征矢量为(Pa_i,Pb_i,Pc_i)；像素j的空间位置为(x_j,y_j)，Pauli分解的特征矢量为(Pa_j,Pb_j,Pc_j)，则像素i与超像素j间的空间距离d_s和Pauli距离d_p分别为：

极化SAR图像中像素到超像素之间的距离d为：

式中，max(d_p)为上一次迭代过程中Pauli距离d_p的最大值。

作为优选方案，在所述步骤S2)中，基于测量矩阵的代数运算和极化目标分解方法两种方法，从原始的极化SAR图像数据中充分提取极化SAR图像的特征信息，生成高维极化特征图。

作为优选方案，所述步骤S3)进一步包括以下步骤：

步骤3.1)，在待分类的原始极化SAR图像的Pauli RGB图上，选取各个地类不同类型的训练样本；

步骤3.2)，对所述步骤3.1)中得到的训练样本采用多次随机、可重复的采样，得到多个bootstrap样本集；

步骤3.3)，基于所述步骤S2)中生成的高维极化特征图，利用步骤3.2)中的每个bootstrap样本集对树的根节点进行初始化，然后从高维极化特征图中随机选择特征和二分阈值，计算该树节点的二分前后的GINI系数的变化值，并根据特征规则将训练样本迭代分裂到左右两个子集，构造对应的决策树；

步骤3.4)，重复上述步骤S3.2)和所述步骤S3.3)，直至设定的最大树深度或者直到不能通过继续分割获取更大的信息增益为止，得到训练好的随机森林模型。

作为优选方案，步骤S4)进一步包括以下步骤：

步骤4.1)，从所述步骤S2)中的高维极化特征图中获取每个像素的极化特征矢量，作为所述步骤S3)中训练好的随机森林模型的输入，从而获取每个像素属于各类类别的投票数其中i为像素标号，c为类别标号；

步骤4.2)，以所述步骤S1)中获得的超像素为单位，获取每个超像素内的像素数目M，统计得到该超像素内所有像素的类别投票数

步骤4.3)，按照超像素各类别投票比例计算超像素的类别概率，则超像素为类别c的概率为其中K为总类别数；

步骤4.4)，重复所述步骤S4.1)至所述步骤S4.3)，计算出待分类的极化SAR图像的各超像素的类别概率，输出超像素的类别概率图。

作为优选方案，所述步骤S5)进一步包括以下步骤：

步骤5.1)，定义先验的相容性系数p_on(ω_i|ω_j)来描述当邻域超像素n属于类别ω_j时，超像素o属于ω_i的概率为：

其中，ρ为相邻超像素为同类地物和非同类地物的概率；

步骤5.2)，对当前超像素o所有的邻域以及邻域每个类别的贡献求和，得到最终邻域函数：

其中，N为邻域超像素的数目，M为类别数，p_n(ω_j)为所述步骤S4)中得到的超像素类别概率，d_n为邻域权重，NP_n为邻域超像素包含的像素数目，NP_o为当前超像素包含的像素数目；

步骤5.3)，结合当前超像素在所述步骤S4)中生成的超像素类别概率图中的初始类别概率，超像素o的类别概率修正为：

其中，t为迭代次数，p_o(ω_i)为在每次迭代过程中更新超像素的类别概率；

步骤5.4)，重复上述步骤5.1)至所述步骤5.3)，计算每次迭代后超像素类别概率的变化值当CP小于1％时迭代终止，得到修正后的超像素的类别概率图。

作为优选方案，所述步骤S6)进一步包括以下步骤：

步骤6.1)，从所述步骤S5)中修正后的类别概率图中依次获取各超像素的类别概率矢量，并依据最大后验准则，获取该超像素的类别c；

步骤6.2)，以所述步骤S1)中获得的超像素为分类单元，将超像素内各像素均标记为类别c，获取整幅影像的类别信息并输出为单波段的类别影像；

步骤6.3)，利用GIS对类别影像进行专题图制作，得到极化SAR图像的分类图。

本发明的有益效果是：本发明的综合多特征的极化SAR图像随机森林分类方法基于超像素的分类有效避免分类结果中出现椒盐现象，利用改进的SLIC算法生成准确细腻的超像素作为分类单元，有效降低了极化SAR图像中相干斑噪声的干扰；利用超像素间邻域特征，以移除分类结果中由于噪声或误分生成的孤立超像素，进一步减小了相干斑噪声的干扰，提高了分类结果精度，得到准确连续的极化SAR图像分类结果。

附图说明

图1为本发明优选实施例的综合多特征的极化SAR图像随机森林分类方法的流程图。

图2为超像素分割极化SAR图像步骤的流程图。

图3为构建极化SAR图像随机森林模型步骤的流程图。

图4为构建基于随机森林的超像素类别概率图步骤的流程图。

图5为基于PLR模型修正超像素类别概率图步骤的流程图。

图6中，(a)、(b)分别为武汉地区RADARSAT-2数据Pauli RGB图及对应的真实地类分布图。

图7中，(a)、(b)分别为Flevoland地区AIRSAR数据Pauli RGB图及对应的真实地类分布图。

图8中，(a)、(b)、(c)、(d)分别为RADARSAT-2数据基于RF、RF-PLR、RF-SP、RF-SP-PLR的分类结果图。

图9中，(a)、(b)、(c)、(d)分别为AIRSAR数据基于RF、RF-PLR、RF-SP、RF-SP-PLR的分类结果图。

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说明。

为了解决极化SAR图像分类精度受相干斑噪声干扰较大的问题，获取准确连续的极化SAR图像分类结果，基于超像素的概率松弛模型(Probabilistic Label Relaxation，PLR)和随机森林的极化SAR图像分类方法，本发明提出了一种综合多特征的极化SAR图像随机森林分类方法，综合利用极化和空间邻域特征，如图1中所示，包括以下步骤：

步骤S1)，超像素分割极化SAR图像。对于待分类的极化SAR图像，利用改进的简单线性迭代聚类(Simple Linear Iterative Clustering，SLIC)算法生成超像素，以此作为后续分类单元。

步骤S2)，构建高维极化特征图。对极化SAR相干矩阵，进行极化目标分解及简单数学变换，充分提取极化SAR图像特征信息，进而构建高维极化SAR特征图像。

步骤S3)，构建极化SAR图像随机森林模型。设置合理的决策树个数，选取各类别样本，基于极化SAR特征图像，训练随机森林模型。

步骤S4)，构建基于随机森林的超像素类别概率图。基于极化特征图，利用训练好的森林模型统计像素各类别票数，然后以超像素为单元，计算各超像素类别概率。

步骤S5)，迭代修正基于超像素的PLR模型概率。利用超像素间的邻域信息，基于PLR模型，迭代修正各超像素类别概率。

步骤S6)，输出分类结果。依据最大后验准则，以超像素为单元，计算各超像素类别，并输出分类结果图。

下文将结合附图对本发明优选实施例的综合利用极化和空间邻域特征的极化SAR图像随机森林超像素分类方法的各个步骤将分别进行进一步的详细解析。

步骤S1)，超像素分割极化SAR图像。

对于待分类的极化SAR图像，采用改进的适用于极化SAR图像的简单线性迭代聚类算法生成超像素，作为后续分类单元。

传统SLIC算法采用光谱和空间距离来定义像素与超像素间的距离，难适合极化SAR图像超像素生成，而步骤S1)中利用Pauli分解特征代替光学影像中的光谱特征，重新定义像素与超像素中心间的距离，进而生成准确细腻的超像素。

请结合图2所示，对步骤S1)的子步骤进行进一步的说明。

步骤1.1)，选择初始中心种子点。根据原始的极化SAR图像数据生成Pauil RGB梯度影像，按步长S采样选取种子点作为超像素初始中心，其中S²为期望生成的超像素大小；然后在局部3×3范围内将种子点调整至梯度影像最低点，以避免将噪声点作为种子点。

步骤1.2)，局部K均值迭代聚类。在每个超像素中心2S×2S范围内依次计算每个像素到该超像素中心的距离，并将该像素划分到与之最邻近超像素内；计算完成后，更新每个超像素的中心。重复上述步骤直至收敛或者达到最大迭代次数，进而生成大小近似为S×S的超像素。假设超像素i的空间位置为(x_i,y_i)，Pauli分解的平均特征矢量为(Pa_i,Pb_i,Pc_i)；像素j的空间位置为(x_j,y_j)，Pauli分解的特征矢量为(Pa_j,Pb_j,Pc_j)，则像素i与超像素j间的空间距离d_s和Pauli距离d_p分别为：

则极化SAR图像中像素到超像素之间的距离d定义为：

式中，max(d_p)为上一次迭代过程中，Pauli距离d_p的最大值，并与步长S用来对Pauli距离d_p和空间距离d_s归一化。归一化后的Pauli距离和空间距离的相对大小，影响着超像素的形状和大小。空间距离相对越大，生成的超像素越紧凑，反之形状和大小越不规则。借鉴实验的结果，步骤S1.2)中对Pauli距离和空间距离等值加权后得到的距离能生成最优的超像素。

步骤1.3)，聚类后处理。为避免存在孤立的像素，将像素数目小于16的超像素合并到与之最邻近的超像素内，得到最终极化SAR图像超像素。

步骤S2)，构建高维极化特征图。

极化SAR图像特征提取有两种方法，一种是基于测量矩阵的代数运算，主要是通过对测量矩阵进行简单的数学变换，得到一系列极化特征，包括极化功率，相位差，极化相关系数等；另外一种是极化目标分解方法，该方法通过对测量矩阵用不同的分解模型得到对应的极化特征。极化目标分解分为相干分解和非相干分解，其中相干分解适用于散射矩阵，典型方法有Pauli分解和Krogager分解；非相干分解是利用协方差矩阵或相干矩阵，这类方法包括Cloude-Pottier分解、Yamaguchi分解、Freeman分解等。地物的散射机理常采用极化目标分解方法来分析，不同方法可从不同角度描述地物的散射属性，单一的目标分解方法难以适用于不同的分类场景。

为在分类过程中充分利用极化信息，步骤S2)中基于测量矩阵的代数运算和极化目标分解方法两种方法，从原始的极化SAR图像数据中充分提取极化SAR图像的各种特征信息，生成高维极化特征图，并用于后续分类。表1为本发明所用的极化特征及其物理意义与对应的地物形式。

表1本发明方法所用的极化特征

步骤S3)，构建极化SAR图像随机森林模型。

随机森林是一个由一系列决策树分类器组成的集成分类器，该集成分类器可描述为：

h(x,θ_k),k＝1,2,…

其中，x是输入样本向量，k为随机森林中决策树的数目，θ_k是第k棵决策树的参数向量，为独立同分布的随机向量，可通过在bootstrap集上学习确定；被确定的第k棵决策树用于对所有输入向量x进行分类。对于输入样本变量x归属于哪个最合适的类别，每棵决策树投平等的一票。一个输入样本向量x的类别归属由所有树的输出结果投票综合决定。如图3所示，步骤S3)中基于高维极化特征图像构建随机森林模型，其具体步骤如下：

步骤3.1)，在待分类的原始极化SAR图像的Pauli RGB图上，选取各个地类不同类型的训练样本。每种地类宜选取多个纯洁的训练样本。

步骤3.2)，对步骤3.1)中得到的训练样本采用多次随机、可重复的采样，得到多个bootstrap样本集。

步骤3.3)，基于步骤S2)中生成的高维极化特征图，利用步骤3.2)中的每个bootstrap样本集对树的根节点进行初始化，然后从高维极化特征图中随机选择特征和二分阈值，计算该树节点的二分前后的GINI系数的变化值，并根据特征规则将训练样本迭代分裂到左右两个子集，构造对应的决策树。

步骤3.4)，重复上述迭代训练过程，一直执行到设定的最大树深度或者直到不能通过继续分割获取更大的信息增益为止，得到训练好的随机森林模型。

步骤S4)，构建基于随机森林的超像素类别概率图。

将步骤S2)中获得的各个像素的极化特征矢量输入到步骤S3)中得到的已训练好的随机森林模型中，统计出超像素内各决策树的投票数，然后以步骤S2)中生成的超像素为统计单元，统计出超像素内像素属于各类别的投票总数，进而计算出超像素的类别概率。请参阅图4，具体步骤如下所示：

步骤4.1)，从步骤S2)中的高维极化特征图中获取每个像素的极化特征矢量，作为步骤S3)中训练好的随机森林模型的输入，从而获取每个像素属于各类类别的投票数其中i为像素标号，c为类别标号。

步骤4.2)，以步骤S1)中获得的超像素为单位，获取每个超像素内的像素数目M，统计得到该超像素内所有像素的类别投票数

步骤4.3)，按照超像素各类别投票比例计算超像素的类别概率，则超像素为类别c的概率为其中K为总类别数。

步骤4.4)，重复上述步骤S4.1)至步骤S4.3)，计算出待分类的极化SAR图像的各超像素的类别概率，输出超像素的类别概率图。

步骤S5)，基于PLR模型修正超像素类别概率图。

PLR算法是一种考虑像素周围邻域特征的迭代标号算法，其基本思想是图像中相邻像素具有一定相关性，并不是完全独立的，并且地物目标的分布具有连续性，每个像素的类别归属信息不仅与该点的观察信息有关而且要受到它邻域特征的影响。利用这种空间邻域特征的分类方法有助于移除分类结果中由于噪声或者错分导致的孤立像素，使得分类结果在光谱和空间上具有一致性。

与传统基于像素的PLR模型不同，为有效减小极化SAR图像相干斑噪声的干扰，本方明方法在超像素的基础上，利用PLR模型描述空间邻域特征。结合图5所示，迭代修正基于超像素的PLR模型概率的具体步骤如下：

步骤5.1)，定义先验的相容性系数p_on(ω_i|ω_j)来描述当邻域超像素n属于类别ω_j时，超像素o属于ω_i的概率为：

式中ρ定量的描述了相邻超像素为同类地物和非同类地物的概率，ρ值越高，分类结果越均匀。

步骤5.2)，对当前超像素o所有的邻域以及邻域每个类别的贡献求和，得到最终邻域函数如下式所示：

其中，N为邻域超像素的数目，M为类别数；p_n(ω_j)为先验概率，即步骤S4)中所求的超像素类别概率；d_n为邻域权重，用邻域超像素包含的像素数目NP_n与当前超像素包含的像素数目NP_o的比值来表示。

步骤5.3)，结合当前超像素初始的类别概率，即步骤S4)中生成的超像素类别概率图，利用超像素间的邻域特征，则超像素o的类别概率可修正为：

上标t表示迭代次数，在每次迭代过程中更新超像素的类别概率p_o(ω_i)，多次迭代后p_o(ω_i)收敛。

步骤5.4)，重复上述步骤5.1)至步骤5.3)，计算每次迭代后超像素类别概率的变化值当CP小于1％时迭代终止，此时已利用超像素间的邻域信息修正完步骤S4)的超像素的类别概率信息，得到修正后的超像素的类别概率图。

步骤S6)，输出分类结果。

利用步骤S5)中获取的各超像素的类别信息，根据最大后验概率准则，对超像素的类别进行划分，得到最终的分类结果。具体步骤如下：

步骤6.1)，从步骤S5)中修正后的类别概率图中，依次获取各超像素的类别概率矢量，并依据最大后验准则，获取该超像素的类别c。

步骤6.2)，以步骤S1)中获得的超像素为分类单元，将超像素内各像素均标记为类别c；重复上述步骤，进而获取整幅影像的类别信息，并输出为单波段的类别影像。

步骤6.3)，利用GIS(Geographic Information System，地理信息系统)软件的制图功能，对类别影像进行专题图制作，最终得到极化SAR图像的分类图。

综上所述，本发明提出的基于超像素综合利用极化和空间邻域特征的极化SAR图像分类方法，将SLIC算法生成的超像素作为分类单元，降低了极化SAR图像中相干斑噪声的干扰；基于高维极化特征图利用随机森林算法分类，并增加利用超像素间邻域特征，以移除分类结果中由于噪声或误分生成的孤立超像素，进一步减小了相干斑噪声的干扰，提高了分类结果精度，并得到准确连续的极化SAR图像分类结果。

为了更好地理解本发明，以下将结合两个实施例对本发明的综合多特征的极化SAR图像随机森林分类方法进行更加具体详尽的说明。以下采用本发明的综合多特征的极化SAR图像随机森林分类方法分别对RADARSAT-2及AIRSAR数据进行分类实验的来具体说明本发明方法的效果。

1、实验方法：

为验证本发明方法所采用的超像素和空间邻域特征对极化SAR图像分类精度提升的有效性，分别采用以下四种不同的分类方法进行分类实验：(a)基于像素的随机森林分类(以下简称RF)；(b)基于像素利用PLR的随机森林分类(下称RF-PLR)；(c)基于超像素的随机森林分类(下称RF-SP)；(d)基于超像素的RF-PLR分类(下称RF-SP-PLR，本发明的综合多特征的极化SAR图像随机森林分类方法)。

2、实验结果：

利用上述四种算法对武汉地区的RADARSAT-2数据及Flevoland地区机载AIRSAR全极化SAR数据进行分类实验，并利用真实地类分布图进行精度评价。图6与图7分别为两种数据的Pauli RGB图及地面真实地类分布图，图8与图9分别为RADARSAT-2数据与AIRSAR数据的上述四种方法的分类结果图。表2为RADARSAT-2数据的分类精度表，表3为AIRSAR数据的分类精度表。

表2 RADARSAT-2数据分类精度表

表3 AIRSAR数据分类精度表

3、实验结果分析：

由图8、图9及表2、表3可知，本发明的综合多特征的极化SAR图像随机森林分类方法对于武汉地区的RADARSAT-2数据与Flevoland地区的AIRSAR数据的分类精度均最高，且分类结果光滑连续。对比图8中(a)、(c)和(b)、(d)以及图9中(a)、(c)和(b)、(d)可知，以超像素为分类单元有助于降低极化SAR图像中相干斑噪声的干扰，并将图像分类精度分别提升5.34％与6.73％(RADARSAT-2)，6.18％与7.75％(AIRSAR)，且分类结果的目视效果更优；图8中(a)、(c)和(b)、(d)以及图9中(a)、(c)和(b)、(d)的对比实验也进一步验证了空间邻域信息的利用有助于消除分类结果中因噪声或误分生成的孤立超像素，并提高极化SAR图像分类精度。上述实验结果表明，以超像素为分类单元并在此基础上利用空间邻域特征的方法，有效地抑制了相干斑噪声对极化SAR图像分类精度的干扰。

以上通过不同研究区的星载RADARSAT-2数据及机载AIRSAR数据的实例验证，证明了本发明的综合多特征的极化SAR图像随机森林分类方法的有效性。相比基于像素的极化SAR图像分类，本发明基于超像素的分类有效避免分类结果中出现椒盐现象；增加利用超像素间的邻域特征，保留点目标的同时，有效提高极化SAR图像分类精度，得到光滑准确的分类结果。

与现有的技术相比，本发明的综合多特征的极化SAR图像随机森林分类方法具有以下优点：(1)利用改进的SLIC算法生成准确细腻的超像素作为分类单元，有效降低了极化SAR图像中相干斑噪声的干扰；(2)基于高维极化特征图利用随机森林方法分类，并增加利用超像素间邻域特征，移除了分类结果中由于噪声或误分生成的孤立超像素，进一步减小了相干斑噪声的干扰，提高了分类结果精度。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种综合多特征的极化SAR图像随机森林分类方法，包括以下步骤：

步骤S1)，利用Pauli分解特征重新定义像素与超像素中心间的距离，利用SLIC超像素生成算法分割待分类的极化SAR图像；

步骤S2)，从待分类的极化SAR图像中提取极化SAR图像的特征信息，构建高维极化特征图；

步骤S3)，选取各类别样本，基于所述步骤S2)中生成的高维极化特征图训练随机森林模型，构建极化SAR图像随机森林模型；

步骤S4)，基于高维极化特征图，利用极化SAR图像随机森林模型统计像素各类别票数，以超像素为单元构建基于随机森林的超像素类别概率图；

步骤S5)，利用超像素间的邻域信息，基于PLR模型迭代修正各超像素类别概率，得到迭代修正的超像素类别概率图；

步骤S6)，以超像素为单元计算各超像素类别，输出分类结果。

2.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，所述步骤S1)中进一步包括以下步骤：

步骤1.1)，根据原始的极化SAR图像数据生成Pauil RGB梯度影像，按步长S采样选取种子点作为超像素初始中心，然后在局部3×3范围内将种子点调整至梯度影像最低点；

步骤1.2)，在每个超像素中心2S×2S范围内依次计算每个像素到该超像素中心的距离，并将该像素划分到与之最邻近超像素内；计算完成后，更新每个超像素的中心，重复上述步骤直至收敛或者达到最大迭代次数，生成大小近似为S×S的超像素；

步骤1.3)，将像素数目小于16的超像素合并到与之最邻近的超像素内，得到最终极化SAR图像超像素。

3.根据权利要求2所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于：所述步骤S1.2)中，假设超像素i的空间位置为(x_i,y_i)，Pauli分解的平均特征矢量为(Pa_i,Pb_i,Pc_i)；像素j的空间位置为(x_j,y_j)，Pauli分解的特征矢量为(Pa_j,Pb_j,Pc_j)，则像素i与超像素j间的空间距离d_s和Pauli距离d_p分别为：

极化SAR图像中像素到超像素之间的距离d为：

式中，max(d_p)为上一次迭代过程中Pauli距离d_p的最大值。

4.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于：在所述步骤S2)中，基于测量矩阵的代数运算和极化目标分解方法两种方法，从原始的极化SAR图像数据中充分提取极化SAR图像的特征信息，生成高维极化特征图。

5.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，所述步骤S3)进一步包括以下步骤：

步骤3.1)，在待分类的原始极化SAR图像的Pauli RGB图上，选取各个地类不同类型的训练样本；

步骤3.2)，对所述步骤3.1)中得到的训练样本采用多次随机、可重复的采样，得到多个bootstrap样本集；

步骤3.3)，基于所述步骤S2)中生成的高维极化特征图，利用步骤3.2)中的每个bootstrap样本集对树的根节点进行初始化，然后从高维极化特征图中随机选择特征和二分阈值，计算该树节点的二分前后的GINI系数的变化值，并根据特征规则将训练样本迭代分裂到左右两个子集，构造对应的决策树；

步骤3.4)，重复上述步骤S3.2)和所述步骤S3.3)，直至设定的最大树深度或者直到不能通过继续分割获取更大的信息增益为止，得到训练好的随机森林模型。

6.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，步骤S4)进一步包括以下步骤：

步骤4.1)，从所述步骤S2)中的高维极化特征图中获取每个像素的极化特征矢量，作为所述步骤S3)中训练好的随机森林模型的输入，从而获取每个像素属于各类类别的投票数其中i为像素标号，c为类别标号；

步骤4.2)，以所述步骤S1)中获得的超像素为单位，获取每个超像素内的像素数目M，统计得到该超像素内所有像素的类别投票数

步骤4.3)，按照超像素各类别投票比例计算超像素的类别概率，则超像素为类别c的概率为其中K为总类别数；

步骤4.4)，重复所述步骤S4.1)至所述步骤S4.3)，计算出待分类的极化SAR图像的各超像素的类别概率，输出超像素的类别概率图。

7.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，所述步骤S5)进一步包括以下步骤：

步骤5.1)，定义先验的相容性系数p_on(ω_i|ω_j)来描述当邻域超像素n属于类别ω_j时，超像素o属于ω_i的概率为：

其中，ρ为相邻超像素为同类地物和非同类地物的概率；

步骤5.2)，对当前超像素o所有的邻域以及邻域每个类别的贡献求和，得到最终邻域函数：

其中，N为邻域超像素的数目，M为类别数，p_n(ω_j)为所述步骤S4)中得到的超像素类别概率，d_n为邻域权重，NP_n为邻域超像素包含的像素数目，NP_o为当前超像素包含的像素数目；

步骤5.3)，结合当前超像素在所述步骤S4)中生成的超像素类别概率图中的初始类别概率，超像素o的类别概率修正为：

其中，t为迭代次数，p_o(ω_i)为在每次迭代过程中更新超像素的类别概率；

步骤5.4)，重复上述步骤5.1)至所述步骤5.3)，计算每次迭代后超像素类别概率的变化值当CP小于1％时迭代终止，得到修正后的超像素的类别概率图。

8.根据权利要求1所述的综合多特征的极化SAR图像随机森林分类方法，其特征在于，所述步骤S6)进一步包括以下步骤：

步骤6.1)，从所述步骤S5)中修正后的类别概率图中依次获取各超像素的类别概率矢量，并依据最大后验准则，获取该超像素的类别c；

步骤6.2)，以所述步骤S1)中获得的超像素为分类单元，将超像素内各像素均标记为类别c，获取整幅影像的类别信息并输出为单波段的类别影像；

步骤6.3)，利用GIS对类别影像进行专题图制作，得到极化SAR图像的分类图。