基于散射全卷积模型的极化SAR分类方法技术

本发明专利技术公开了一种基于散射全卷积模型的极化SAR分类方法，其步骤为：(1)对待分类的极化SAR图像进行Lee滤波；(2)将散射矩阵进行pauli分解；(3)特征矩阵归一化；(4)构造数据集；(5)构建散射全卷积网络模型；(6)训练散射全卷积模型；(7)获得测试结果。本发明专利技术通过将极化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，提高了图像的分类精度，同时加快了训练速度。

Polarimetric SAR classification method based on scattering total convolution model

The invention discloses a polarimetric SAR classification method based on scattering full convolution model. The steps are: (1) Lee filtering for classified polarimetric SAR images; (2) Pauli decomposition of scattering matrix; (3) normalization of characteristic matrix; (4) construction of data sets; (5) construction of scattering full convolution network model; (6) training scattering full convolution model. (7) get the test results. By effectively combining polarization characteristics, scattering characteristics and texture characteristics of polarimetric SAR images, the invention preserves the integrity of feature information, improves the classification accuracy of images, and speeds up the training speed.

【技术实现步骤摘要】
基于散射全卷积模型的极化SAR分类方法
本专利技术属于图像处理
，更进一步涉及极化合成孔径雷达图像地物分类
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。本专利技术可用于对极化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。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术与现有其他极化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。实现本专利技术的技术思路是：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。实现本专利技术的具体步骤如下：(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。本专利技术与现有技术相比较，具有以下优点：第一，由于本专利技术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，使得本专利技术提高了极化SAR图像的训练速度。第二，由于本专利技术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，使得本专利技术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是本专利技术流程图；图2是本专利技术的仿真图。具体实施方式下面结合附图1对本专利技术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]表本文档来自技高网...

【技术保护点】
1.一种基于散射全卷积模型的极化SAR分类方法，其特征在于，包括如下步骤：(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；(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。...

【技术特征摘要】
1.一种基于散射全卷积模型的极化SAR分类方法，其特征在于，包括如下步骤：(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；(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。2.根据权利要求1所述的基于散射全卷积模型的极化SAR分类方法，其特征在于，所述步骤(2)中所述对滤波后的散射矩阵进行pauli分解是...

【专利技术属性】
技术研发人员：焦李成，屈嵘，高丽丽，马文萍，杨淑媛，侯彪，刘芳，唐旭，马晶晶，张丹，陈璞华，古晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61