基于Pauli分解和深度残差网的极化SAR影像分类方法技术

本发明专利技术公开了一种基于Pauli分解和深度残差网的极化SAR影像分类方法，主要解决现有技术分类精度低，神经网络无法增加到更深层的问题，其方案是输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F；用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；构造训练数据集D；对Pauli分解之后的图像进行超像素处理，构造数据集T1；构造基于深度残差网的分类模型；用训练数据集对分类模型进行训练，得到训练好的模型；将数据集T1送入训练好的模型进行分类并得到整张图的预测类标矩阵T2；T2矩阵中除去训练数据集中的像素点，然后计算准确率。本发明专利技术采用深度残差网加深网络层数，并且采用超像素对图像进行处理，有效的学习了图像特征，提高了极化SAR图像的分类精度，可用于目标识别。

Polarimetric SAR image classification method based on Pauli decomposition and depth residual network

The invention discloses a Pauli decomposition and polarimetric SAR image classification method based on the depth of residual network, mainly solves the classification accuracy is low, the neural network can not be increased to a deeper problem, the program is input to classification of polarimetric SAR images, the polarization scattering matrix S for Pauli decomposition, a feature matrix of pixels based on the characteristics of F; block F matrix of each element from around 28 x 28 on behalf of the elements of the original value, a feature matrix of image based on the block structure of the training data set; D; on Pauli after decomposition of image super pixels, construct the data set T1; constructing classification model of network based on the residual depth; training on the classification model using the training data set, get the trained model; T1 data sets will be sent to the trained model to classify and forecast the chart label matrix T2; T2 moment Pixels in the training data set are removed from the array, and then the accuracy is calculated. The invention adopts a deep residual network to deepen the network layer number, and adopts hyper pixels to process the image, effectively learns the image characteristics, improves the classification accuracy of the polarimetric SAR image, and can be used for target recognition.

【技术实现步骤摘要】
基于Pauli分解和深度残差网的极化SAR影像分类方法
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，可用于变化检测、目标识别。
技术介绍
合成孔径雷达是一种高分辨率成像雷达。由于微波具有穿透特性，不受光线强度的影响，因此具有全天时、全天候的工作能力。与其他传感器相比，它能呈现更多的细节，可以更好的区分临近目标的特性。作为一种重要的遥感图像获取手段，有着广泛的应用。极化合成孔径雷达(极化SAR)通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标，可以得到更丰富的目标信息，在军事、农林业、海洋、水文学和地质学等方面具有广泛的应用和研究价值。相比于传统的单极化SAR，多极化SAR有利于提供更为丰富的目标信息，有利于确定和理解散射机制，提高目标检测和分类识别能力，因此极化SAR数据适合于图像解译。极化SAR图像分类的关键是对极化SAR图像的目标特征提取，现有的基于散射特性的极化SAR图像目标特征提取方法，包括Cameron分解、Freeman分解，卷积神经网络等。1996年，Cameron基于雷达目标的两个基本特性——互易性和对称性提出了Cameron分解方法，它本文档来自技高网...

【技术保护点】
基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，包括：(1)输入待分类的极化SAR图像，对极化SAR图像的极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射和体散射系数，用这三个系数作为极化SAR图像的三维图像特征，构成基于像素点的特征矩阵F；(2)用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；(3)构造训练数据集D；(4)对步骤1中Pauli分解之后的图像进行超像素处理，构造数据集T1；(5)构造基于深度残差网的分类模型：选择一个由输入层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分...

【技术特征摘要】
1.基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，包括：(1)输入待分类的极化SAR图像，对极化SAR图像的极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射和体散射系数，用这三个系数作为极化SAR图像的三维图像特征，构成基于像素点的特征矩阵F；(2)用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；(3)构造训练数据集D；(4)对步骤1中Pauli分解之后的图像进行超像素处理，构造数据集T1；(5)构造基于深度残差网的分类模型：选择一个由输入层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器组成的32层卷积神经网络；(6)用步骤3中构造的训练数据集D对分类模型进行训练，得到训练好的模型；(7)将步骤4中构造的数据集T1送入训练好的模型进行分类并得到整张图的预测类标矩阵T2，即为分类结果。2.根据权利要求1所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(1)具体步骤如下：(1a)定义Pauli基{S1,S2,S3}，公式如下：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分解定义得到如下等式：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；(1c)求解式<2>，代入式<1>求得的SHH、SVV、SHV，得到3个散射系数a、b、c：(1d)定义一个大小为H×W×3的矩阵F，并将奇次散射系数a、偶次散射系数b和体散射系数c赋给矩阵F，得到基于像素点的特征矩阵F，其中H为待分类极化SAR图像的长，W为待分类极化SAR图像的宽。3.根据权利要求1所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(3)中构造训练数据集D的具体步骤如下：(3a)将极化SAR图像地物分为5类，以中心像素点类标作为图像块的类标，其周围28×28的块代表此像素点，分别存入对应类别A1、A2、A3、A4、A5当中；(3b)从上述A1、A2、A3、A4、A5中随机选取4％的元素，生成5种对应不同类地物被选做训练数据集的图像块B1、B2、B3、B4、B5，其中B1为对应第1类地物中被选作训练数据集的中心像素点对应的图像块，B2为对应第2类地物中被选作训练数据...

【专利技术属性】
技术研发人员：焦李成，屈嵘，王美玲，唐旭，杨淑媛，侯彪，马文萍，刘芳，尚荣华，张向荣，张丹，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