基于全卷积神经网络的极化SAR地物分类方法技术

本发明专利技术公开了基于全卷积神经网络的极化SAR地物分类方法，对待分类极化散射矩阵S进行Pauli分解，得到奇次散射系数、偶次散射系数和体散射系数，将奇次散射系数、偶次散射系数和体散射系数作为极化SAR图像的三维图像特征F；再将得到的三维图像特征矩阵F转化成RGB图F1；再在RGB图F1上随机选取m×n的像素块作为训练样本，整张RGB图F1作为测试样本；再构造全卷积神经网络模型；再通过全卷积神经网络训练训练样本，得到训练好的模型；再通过训练好的模型对测试集进行分类，得到分类结果。本发明专利技术的方法能够解决现有技术时间效率低的问题，在保证分类精度较高的情况下，缩短了运行时间。

Polarimetric SAR object classification method based on total convolutional neural network

The invention discloses a full polarimetric SAR classification method based on convolutional neural network classification, treat the polarization scattering matrix S of Pauli decomposition, get the odd even scattering coefficient, scattering coefficient and scattering coefficient, scattering coefficient, the odd even scattering coefficient and scattering coefficient as the three-dimensional image features of polarimetric SAR images F; 3D image feature matrix and then get the F into RGB F1; blocks of pixels as training samples in RGB F1 were randomly selected from m * n, the whole RGB F1 as test samples; then the whole structure of convolutional neural network model; and then through the convolution neural network training samples, get good training the model of the test set; are classified by the trained model, get the results. The method of the invention can solve the problem that the time efficiency of the prior art is low, and the running time is shortened under the condition that the classification accuracy is high.

【技术实现步骤摘要】
基于全卷积神经网络的极化SAR地物分类方法
本专利技术属于图像处理
，具体涉及一种极化SAR图像分类方法，可用于极化SAR图像地物分类和目标识别，具体是基于全卷积神经网络的极化SAR地物分类方法。
技术介绍
极化合成孔径雷达作为当代遥感技术的一个热门研究领域，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。陈军等综合比较了Freeman分解、Yamaguchi分解、Pauli分解等极化目标分解方法得到的极化特征，并将其通过支持向量机法进行分类，结果表明采用Pauli分解和支持向量机对全极化SAR图像进行分类取得了较高的分类精度。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，全极化SAR图像受分辨率、噪声、滤波等影响，比如传统的卷积神经网络，网络参数比较多，训练时间长，在图像上选择一定数量的训练样本有难度，这势必影响分类精度和分类性能。怎样在训练样本较少的情本文档来自技高网...

【技术保护点】
基于全卷积神经网络的极化SAR地物分类方法，其特征在于，包括如下步骤：(1)对待分类的极化散射矩阵S进行Pauli分解，得到奇次散射系数、偶次散射系数和体散射系数，将奇次散射系数、偶次散射系数和体散射系数作为极化SAR图像的三维图像特征矩阵F；(2)将步骤(1)得到的三维图像特征矩阵F转化为RGB图F1；(3)在RGB图F1上随机选取m×n的像素块作为训练样本，m和n均为正整数，整张RGB图F1作为测试样本；(4)构造全卷积神经网络模型为：输入层→第一卷积层→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...

【技术特征摘要】
1.基于全卷积神经网络的极化SAR地物分类方法，其特征在于，包括如下步骤：(1)对待分类的极化散射矩阵S进行Pauli分解，得到奇次散射系数、偶次散射系数和体散射系数，将奇次散射系数、偶次散射系数和体散射系数作为极化SAR图像的三维图像特征矩阵F；(2)将步骤(1)得到的三维图像特征矩阵F转化为RGB图F1；(3)在RGB图F1上随机选取m×n的像素块作为训练样本，m和n均为正整数，整张RGB图F1作为测试样本；(4)构造全卷积神经网络模型为：输入层→第一卷积层→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→Eltwise层→第三反卷积层→crop层→softmax分类器；(5)通过全卷积神经网络模型训练训练样本，得到训练好的模型；(6)通过训练好的模型对测试集进行分类，得到分类结果。2.根据权利要求1所述的基于全卷积神经网络的极化SAR地物分类方法，其特征在于，所述步骤(1)中对待分类的极化散射矩阵S进行Pauli分解，步骤如下：(1a)定义Pauli基{S1,S2,S3}为公式<1>，公式<1>如下：其中，S1表示奇次散射，S2表示偶次散射，S3表示体散射；(1b)由Pauli分解定义得到等式<2>，等式<2>如下：其中，a为奇次散射系数，b为偶次散射系数，c为体散射系数，SHH为水平发射且水平接收的散射分量，SVV为为垂直发射且垂直接收的散射分量，SHV为水平发射且垂直接收的散射分量；(1c)通过公式<1>和等式<2>得到奇次散射系数a、偶次散射系数b和体散射系数c：将奇次散射系数a、偶次散射系数b和体散射系数作为极化SAR图像的三维图像特征矩阵F，3.根据权利要求1所述的基于全卷积神经网络的极化SAR地物分类方法，其特征在于，所述步骤(1)中，所述将奇次散射系数、偶次散射系数和体散射系数作为极化SAR图像的三维图像特征矩阵F的过程如下：先定义一个大小为M1×M2×3的特征矩阵F，再将奇次散射系数、偶次散射系数、体散射系数赋给特征矩阵F，其中，M1为待分类极化SAR图像的长度，M2为待分类极化SAR图像的宽度。4.根据权利要求1所述的基于全卷积神经网络的极化SAR地物分类方法，其特征在于，所述步骤(2)中，将步骤(1)得到的三维特征矩阵转化为RGB伪彩图F1。5.根据权利要求1所述的基于全卷积神经网络的极化SAR地物分类方法，其特征在于，所述步骤(3)的具体过程如下：(3a)将待分类极化SAR地物分为5类，每一个像素点在待分类图像中都有对应的位置，首先得到5种像素点对应的位置第一类像素点的位置L1，第二类像素点的位置L2，第三类像素...

【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，尚荣华，张向荣，张丹，唐旭，马晶晶，
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