基于SAR极化分解的一维DCNN土地利用分类方法技术

本发明专利技术属于土地利用分类领域，涉及基于SAR极化分解的一维DCNN土地利用分类方法，具体为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。本发明专利技术的方法减少了SAR图像的边缘卷积计算复杂度，节省了海量SAR土地利用分类处理时间。

【技术实现步骤摘要】
基于SAR极化分解的一维DCNN土地利用分类方法
本专利技术属于土地利用分类领域，具体涉及一种基于SAR极化分解的一维DCNN土地利用分类方法。
技术介绍
土地利用分类对及时掌握土地利用状况、了解土地利用变化，进而研究全球环境变化具有重要意义。利用遥感技术进行土地利用分类能高时效高精度地获取大面积区域土地利用覆盖情况。然而，光学遥感数据存在易受云雾影响、有时获取不易的问题。合成孔径雷达(SyntheticApertureRadar，简称SAR)技术通过主动发射信号获取地面反射信息，因此不受天气和气候影响。此外，SAR数据对建筑物和水域的敏感性，使之很适合于建设用地、湿地等土地利用类型监测。目前通过SAR遥感数据进行土地利用分类的研究很多，这些方法涉及的原理主要来源于以下几个方面：1)不同土地利用类别在后向散射强度上的差异；2)不同土地利用类别在SAR影像纹理上的差异；3)不同土地利用类别在时间序列上的特征差异；4)不同土地利用类别两幅SAR图像的相干分析。目前利用SAR遥感技术进行土地利用分类的研究主要集中于使用SAR影像幅度信息，而很少使用包括相位信息的复数数据，SAR数据信息未充分利用，存在如下问题：1)后向散射幅度受多种因素影响，会出现相同地物后向散射系数不同或不同地物后向散射系数相同的现象，使得土地利用分类复杂化。2)受地形影响严重，后向散射系数值可能是多点散射值的叠加，因此其值大小不是某点真实散射的反映，阴影的影响加剧了分类的难度。3)雷达遥感中存在斑点噪声现象，会影响土地利用分类结果的精度和破碎化程度。因此，利用多极化复数据提供的丰富信息将更有利于土地利用分类处理。随着SAR遥感观测技术的发展，多极化高时空分辨率的数据越来越多，如国产高分3、欧空局的Sentinel1、Radarsat2，空间分辨率可能优于10米，重返周期可以达到5-10天，一般都有双极化甚至全极化的单视复数据可供使用。因此，如何充分利用多极化SAR数据丰富的信息，获得高精度的土地利用类型信息是一个亟待解决的问题。以深层卷积神经网络(DeepConvolutionNeuralNertwork，DCNN)为代表的深度学习采用类似于人类的抽象思维可以学习隐含的特征，能实现低耗时、低成本、高精度的自动分类，在光学遥感图像土地分类中取得了大量成果的应用。DCNN，根据其卷积核的结构可分为1维(One-dimensionalCNN,1DCNN)，2维(Two-dimensional,2DCNN)和3维(Three-dimensional,3DCNN)，对应卷积核为Conv1D,Conv2D,Conv3D。目前，成功应用于多极化SAR土地利用分类的方法都是基于Conv2D，例如Chen,Si-Wei,andChen-SongTao."PolSARimageclassificationusingpolarimetric-feature-drivendeepconvolutionalneuralnetwork."IEEEGeoscienceandRemoteSensingLetters15.4(2018):627-631，Conv3D则是引入了时间维度，适用于特定的情景。Conv2D的卷积核一般设为2×2，3×3或5×5，对固定大小的图像边缘处卷积操作通常采用填充赋值(如0)，重复边缘赋值或周期赋值等外延图像方式来保持卷积后图像大小，外延图像方法人为增加了卷积计算的复杂度。此外，也有采用直接舍弃边缘值方法，但会导致卷积后图像变小。而Conv1D则可以直接在边缘处直接进行高效的卷积运算。鉴于此，面向海量SAR数据处理时，发展一种边缘分类理想的快速、高效1DCNN的多极化SAR土地利用分类方法具有重要意义。
技术实现思路
为解决现有的技术下存在的如下问题：光学遥感土地利用分类数据获取存在障碍，SAR遥感数据土地利用边缘分类精度不够，难以直接应对大范围土地利用分类的问题。而基于卷积神经网络进行SAR深度特征学习这一先进技术，能够实现基于海量SAR的土地利用自动分类，取得理想效果。本专利技术提供了一种基于SAR极化分解的一维DCNN土地利用分类方法，该方法可以充分利用SAR复数据所提供的丰富信息，实现高精度、高鲁棒性的自动土地利用分类。同时，鉴于1DCNN卷积核的特性，通过与文献1采用图像边缘“填充补0”的(2,2)Conv2D卷积核方法相比较，Conv1D采用(2,)的卷积核，在图像四个边缘处，计算量只有文献1所述方法1/2。所以，本专利技术的方法复杂度低，计算时间短，对大范围SAR土地利用分类效果更好。本专利技术提供一种基于SAR极化分解的一维DCNN土地利用分类方法，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。具体步骤如下：S1、根据土地利用分类的需求选定作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2SLC，以及该作业区内待分类土地利用标签样本数据；S2、将采集的待分类土地利用样本数据叠加到高分辨率的谷歌地球(GoogleEarth)以及R2SLC，寻找类似样本区，得到更多土地利用标签(LabelDataset,LDS)，这些数据都是矢量格式的；S3、将矢量格式的待分类土地利用标签样本数据转为栅格格式(Raster-LDS)，令其空间分辨率与R2SLC数据保持一致；S4、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据克劳德-波蒂埃(Cloude-Pottier)极化分解原理，得到相干矩阵(CoherencyMatrix,T)的6个特征：T11，T12，T13，T22,T23,T33；并分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征；同时利用SLC数据计算旋转域零角特征θ；将所有的10个特征层进行逐层合并，得到多极化多特征数据集(Multi-PolarizationandMulti-IndexsDataset,MPMIDS)；S5、在S3生成的每一个子区内，重复如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取后的ROI区逐像素的多极化多特征数据集；S6、将S5的数据按照逐特征层进行最大最小值归一化，并以3:1的比例分别分成用于训练的train数据集和用于验证的val数据集；S7、使用深度学习框架，设计1DCNN神经网络结构；S8、加载S6中数据到神经网络中训练、调参(fine-tuning)、优化模型参数；S9、用优化参数模型对未知的覆盖区影像进行诸像素识别，最终获得土地利用分类结果，指导大范围土地利用类型快速识别中的应用。其中，本文档来自技高网...

【技术保护点】
1.一种基于SAR极化分解的一维DCNN土地利用分类方法，其特征在于，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。

【技术特征摘要】
1.一种基于SAR极化分解的一维DCNN土地利用分类方法，其特征在于，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。2.如权利要求1所述的方法，其特征在于，具体步骤如下：S1、根据土地利用分类的需求选定作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2SLC，以及该作业区内矢量格式的待分类土地利用样本数据；S2、将采集的待分类土地利用样本数据叠加到高分辨率的谷歌地球以及R2SLC，寻找类似样本区，得到更多土地利用标签LDS；S3、将矢量格式的待分类土地利用样本数据转为栅格格式，令其空间分辨率与R2SLC数据保持一致；S4、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据克劳德-波蒂埃极化分解原理，得到相干矩阵的6个特征：T11，T12，T13，T22,T23,T33；并分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征；同时利用SLC数据计算旋转域零角特征θ；将所有的10个特征层进行逐层合并，得到多极化多特征数据集MPMIDS；S5、在S3生成的每一个子区内，重复如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取后的ROI区逐像素的多极化多特征数据集；S6、将S5的数据按照逐特征层进行最大最小值归一化，并以3:1的比例分别分成用于训练的train数据集和用于验证的val数据集；S7、使用深度学习框架，设计1DCNN神经网络结构...

【专利技术属性】
技术研发人员：李俐，张迁迁，尤淑撑，魏海，孔庆玲，张超，朱德海，杨建宇，杨永侠，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11