【技术实现步骤摘要】
基于空间信息和深度学习的极化SAR图像分类方法
本专利技术属于图像处理
,涉及一种极化SAR图像分类方法,具体涉及一种基于空间信息和深度学习的极化SAR图像分类方法,可用于对极化SAR图像的地物进行分类和识别等任务。
技术介绍
SAR是合成孔径雷达,是一种先进的遥感成像系统,具有全天时、全天候、分辨率高等优点。极化SAR是具有多通道的合成孔径雷达,它是SAR的一个重要组成部分,因此,相比SAR可以获取目标更丰富的信息,对极化SAR图像的解译比其他普通的遥感图像相比,更具有研究价值,极化SAR图像分类是一种重要的解译极化SAR数据的方式。随着人工智能的发展,机器学习越来越多的应用到极化SAR图像分类上,深度学习作为机器学习的一个分支,也被应用到极化SAR分类上,并得到了不错的分类效果。根据极化SAR图像分类过程中,是否有人工参与可以将极化SAR分类方法分为有监督分类和无监督分类。无监督分类是指分类过程中不需要人工参与,如大多数的基于散射机理的算法,经典的算法包括Cloude等人提出的基于H/α分解的无监督分类算法,它是根据分解得到散射熵和平均散射角将目标分为八种类别,这种方法只利用了这两个参数,没有充分利用极化SAR的极化信息,导致分类准确率较低;有监督分类是指分类过程中需要人工参与,如基于极化SAR数据分布特性的最大似然分布;基于后向传播神经网络的极化SAR图像分类算法,这种算法收敛速度慢,并且容易陷入局部最优。根据有监督分类算法和无监督分类算法的各自的优缺点,有学者将两者结合,提出了半监督的分类算法,这种方法可以很好地弥补有监督和无监督算法的缺点, ...
【技术保护点】
基于空间信息和深度学习的极化SAR图像分类方法,包括如下步骤:(1)将输入的极化SAR图像使用极化相干矩阵表示,并对极化相干矩阵进行滤波,得到滤波后的极化相干矩阵T;(2)根据滤波后的极化相干矩阵T,计算极化SAR图像的空间信息:2a)对滤波后的极化相干矩阵T进行线性变换,得到极化协方差矩阵C,并根据极化协方差矩阵C,计算极化SAR图像总功率;2b)对滤波后的极化相干矩阵T进行特征值分解,并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率;2c)对滤波后的极化相干矩阵T进行Freeman分解,得到Freeman分解参数,并利用Freeman分解参数计算极化SAR图像Freeman分解总功率;2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数;(3)利用极化SAR图像的空间信息,获取多维特征极化SAR图像:3a)对滤波后的极化相干矩阵T进行向量化,得到极化SAR图像的向量表示;3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合,得到多维特征极化SAR图像;(4)利用多维特征极 ...
【技术特征摘要】
1.基于空间信息和深度学习的极化SAR图像分类方法,包括如下步骤:(1)将输入的极化SAR图像使用极化相干矩阵表示,并对极化相干矩阵进行滤波,得到滤波后的极化相干矩阵T;(2)根据滤波后的极化相干矩阵T,计算极化SAR图像的空间信息:2a)对滤波后的极化相干矩阵T进行线性变换,得到极化协方差矩阵C,并根据极化协方差矩阵C,计算极化SAR图像总功率;2b)对滤波后的极化相干矩阵T进行特征值分解,并利用分解结果计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率;2c)对滤波后的极化相干矩阵T进行Freeman分解,得到Freeman分解参数,并利用Freeman分解参数计算极化SAR图像Freeman分解总功率;2d)计算极化SAR图像总功率纹理参数、H/A/alpha分解总功率纹理参数和Freeman分解总功率纹理参数;(3)利用极化SAR图像的空间信息,获取多维特征极化SAR图像:3a)对滤波后的极化相干矩阵T进行向量化,得到极化SAR图像的向量表示;3b)将极化SAR图像的向量表示与极化SAR图像的空间信息进行融合,得到多维特征极化SAR图像;(4)利用多维特征极化SAR图像对深度置信网络进行深度学习:4a)将多维特征极化SAR图像像素输入深度置信网络中,并对该深度置信网络的参数进行无监督训练,得到无监督训练后的深度置信网络;4b)从多维特征极化SAR图像中随机选取一定比例的像素作为带标签数据,并利用选取的带标签数据对无监督训练后的深度置信网络的参数进行微调,得到训练好的深度置信网络;(5)将待分类极化SAR图像像素输入到训练好的深度置信网络中,得到每个像素所属的类别标签,并用红色、绿色和蓝色三个颜色作为三基色,对类别标签上色,得到最终彩色分类结果图。2.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法,步骤(1)所述的对极化相干矩阵进行滤波,采用精致Lee滤波方法。3.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法,步骤2a)所述的计算极化SAR图像总功率,计算公式为:SPAN1=C11+C22+C33(1)其中,SPAN1为极化SAR图像总功率,C11、C22和C33分别表示极化协方差矩阵C的主对角线元素,C=A-1TA,A为变换矩阵,A-1表示变换矩阵A的逆矩阵,且4.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法,步骤2b)所述的计算H/A/alpha分解参数和极化SAR图像H/A/alpha分解总功率,实现步骤为:2b1)将滤波后的极化相干矩阵T进行特征值分解,用如下公式表示:T=UΛU*(2)其中,U为酉矩阵,U*表示酉矩阵U的共轭转置矩阵,Λ为对角矩阵,可以表示为:其中,λ1,λ2和λ3分别表示滤波后的极化相干矩阵T的三个特征值;2b2)计算极化SAR图像的H/A/alpha分解参数和H/A/alpha分解总功率,计算公式分别为:SPAN2=λ1+λ2+λ3(7)其中,H为散射熵,A为反熵,为平均散射角,∑表示求和操作,λi、λj为滤波后的极化相干矩阵T的特征值,i,j分别对应第几个特征值,cos-1表示反余弦操作,|·|为取模操作,U1i表示酉矩阵U第一行第i列元素,SPAN2为极化SAR图像H/A/alpha分解总功率。5.根据权利要求1所述的基于空间信息和深度学习的极化SAR图像分类方法,步骤2c)所述的计算极化S...
【专利技术属性】
技术研发人员:侯彪,焦李成,侯伟丹,王爽,马晶晶,马文萍,冯婕,张小华,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。