基于卷积神经网络的极化SAR地物分类方法技术

本发明专利技术提供一种基于卷积神经网络的极化SAR地物分类方法。技术方案是：计算相极化SAR图像中各个像素点相应的两个旋转域零角特征及四个传统的旋转不变特征，以上述六个特征参数作为分类特征集，形成多层特征图，再基于归一化后的多层特征图，以切片的形式输入至新搭建的高性能CNN分类器之中，经过相应的训练处理，以利用训练所得模型实现对极化SAR图像中不同地物类别像素点的分类处理。本发明专利技术实现简单，计算效率高，分类效果好。

Polarimetric SAR terrain classification method based on convolutional neural network

The invention provides a polarimetric SAR ground object classification method based on convolutional neural network. The technical scheme is: the calculation of the phase polarization of each pixel in the SAR image corresponding to the two rotating field zero angle characteristics and four traditional rotation invariant features, with the above six parameters as the classification feature set, forming a multilayer feature map and multilayer feature graph normalized based on slicing to form the input to the new building the high performance of CNN classifier, trained the corresponding processing, in order to achieve the classification of different classes of pixels in polarimetric SAR images using the trained model. The invention has the advantages of simple implementation, high calculation efficiency and good classification effect.

【技术实现步骤摘要】
基于卷积神经网络的极化SAR地物分类方法
本专利技术属于极化SAR(SyntheticApertureRadar，合成孔径雷达)成像遥感
，涉及一种基于卷积神经网络的极化SAR地物分类方法。
技术介绍
极化SAR具有全天时和几乎全天候的工作能力，能够通过收发极化状态正交的电磁波以获取目标的全极化散射信息，已成为当今微波遥感的主流之一。地物分类是农作物生长监控、农村与城市用地普查、环境监测等应用领域的共性基础问题，也是极化SAR图像理解与解译的重要应用方向。高精度的地物分类结果能够为上述应用领域提供可靠的信息支撑。极化SAR地物分类的目的是针对机载或星载极化SAR传感器所获得的极化测量数据确定其中每个像素点所属的地物类别。通常，提高极化SAR地物分类精度主要有两种途径：第一种途径专注于极化特征的提取与优选，通过精细化的极化散射机理建模与解译，从全极化信息中提取出对不同地物类别具有更强区分度的特征。第二种途径则是从分类器入手，使用性能更好的分类器，以实现对现有极化特征的充分利用。针对第一种途径，专利技术人所在课题组之前申请的专利“一种结合旋转域极化零角特征的极化SAR地物分类方法”(申请号201710088598.8)通过在绕极化SAR视线旋转域中对目标隐含极化信息的深入挖掘，进而将所得旋转域零角特征与传统的旋转不变特征联合应用于极化SAR地物分类，结合SVM(SupportVectorMachine，支持向量机)分类器在不同的极化SAR实测数据上均取得较好分类效果，这也证实了旋转域零角特征在极化SAR地物分类领域的较大潜力。然而，该方法在训练样本数量较少的情况下所得分类精度仍有待提高，主要原因在于SVM分类器的泛化能力限制。故需要另辟蹊径，从上述第二种途径入手。而在分类器的选择上，相较于一些传统分类器，具有深度学习能力的CNN(ConvolutionalNeuralNetworks，卷积神经网络)已经在计算机视觉和光学图像处理等领域取得了大量的成功应用，且这一先进的机器学习分类算法也在极化SAR图像处理领域实现了一定程度的应用，其在地物分类方面的具体应用之一参见文献YuZhou,Hai-PengWang,FengXuandYa-QiuJin,“PolarimetricSARimageclassificationusingdeepconvolutionalneuralnetworks,”IEEEGeoscienceandRemoteSensingLetters,vol.13,no.12,pp.1935–1939,Dec.2016。鉴于CNN分类器强有力的分类性能及泛化能力，其在训练样本数量较少的极化SAR地物分类中具有极大的应用潜力。在上述基础之上，发展一种基于卷积神经网络的极化SAR地物分类方法具有重要意义。
技术实现思路
本专利技术要解决的技术问题是，提供一种基于卷积神经网络的极化SAR地物分类方法，实现对极化SAR图像中不同地物类别的高精度分类处理。本专利技术的基本思路是：由于旋转域零角特征蕴含目标在绕极化SAR视线旋转域中丰富的隐含信息，这些隐含信息是传统的旋转不变特征所没有考虑到的。将旋转域零角特征与传统的旋转不变特征联合用于地物分类，能够在充分利用目标旋转域隐含信息的同时又发挥旋转不变特征在极化散射机理理解与解译方面的优势。基于极化SAR图像所提取得到的上述特征，可联合形成分类特征集，并在归一化处理后以切片的形式导入至新搭建的CNN分类器之中，通过相应的训练过程得到性能较强的分类器模型，进而实现对极化SAR图像中不同地物类别的高精度分类处理。具体而言，本专利技术通过计算相极化SAR图像中各个像素点相应的两个旋转域零角特征和及四个传统的旋转不变特征H、A、α和Span，并以上述六个特征参数作为分类特征集，从而形成多层特征图，再基于归一化后的多层特征图，以切片的形式输入至新搭建的CNN分类器之中，经过相应的训练处理，以利用训练所得模型实现对极化SAR图像中不同地物类别像素点的分类处理。本专利技术的技术方案是：一种基于卷积神经网络的极化SAR地物分类方法，具体包括下述步骤：设极化SAR图像中，位置坐标为(i,j)的像素点的极化相干矩阵为T(ij)；则极化SAR图像中每一个像素点均对应一个极化相干矩阵，i＝1,2,…,I且j＝1,2,…,J，即极化SAR图像的大小为I×J。对于任意一个极化相干矩阵T(ij)，进行下面第一步至第三步的处理，从而提取得到归一化多层特征图：第一步，相干斑滤波；对各像素点所对应的极化相干矩阵分别进行相干斑滤波，得到滤波后极化SAR图像中每个像素点的极化相干矩阵，记为且j＝1,2,…,J，其可写成矩阵形式为第二步，极化特征提取；提取相应极化特征的具体过程如下：①旋转域零角特征的提取：利用下面两式分别计算两个旋转域零角特征和其中，Angle{·}表示取复数的相位，相应取值范围为[-π,π]；Re[·]和Im[·]则分别表示取复数的实部以及虚部。②旋转不变特征的提取：利用Cloude-Pottier极化目标分解方法，对于每个计算提取得到相应的极化熵H(ij)、极化平均角α(ij)和极化反熵A(ij)三个旋转不变特征；同时利用下式计算总散射能量第三步，特征归一化；设极化SAR图像中，位置坐标为(i,j)的像素点所用于地物分类的特征参数集为且j＝1,2,…,J。特别地，v＝1,2,…,6，且具体有：则针对任意的均按照下式进行归一化处理：其中，即归一化处理后的取值，且范围为[0,1]。则对于整幅极化SAR图像即可得到上述六个极化特征经归一化处理后的六幅特征图，记为H、A、α及Span，它们组成归一化多层特征图，其中每一幅特征图即体现一个归一化后的特征。第四步,CNN分类器训练；本专利技术所采用的CNN分类器具体有十二层结构，依次包括第一卷积层Conv1、修正线性单元层ReLU、第一最大池化层MaxPooling1、第二卷积层Conv2、修正线性单元层ReLU、第二最大池化层MaxPooling2、第三卷积层Conv3、修正线性单元层ReLU、第一全连接层FC1、修正线性单元层ReLU、第二全连接层FC2和一个Softmax分类器。该CNN分类器的输入数据为15×15×d尺寸大小的多层特征切片，其中d代表特征切片层数，即所用特征个数，在本专利技术中d＝6表示上一步所得到的六个极化特征，在各单一特征下输入切片的尺寸大小均为15×15。具体地，该CNN分类器的层次结构及相关细节如表1。表1本专利技术所用CNN分类器的层次结构及相关细节在训练时，基于已知的极化SAR图像数据所对应的真实地物类别标记图，利用归一化多层特征图，提取得到大量尺寸大小为15×15×d的多层特征切片，并确定其各自相应的地物类别标记，作为CNN分类器的输入，对CNN分类器进行训练。第五步,分类处理；基于待分类的极化SAR图像，利用第一步至第三步的过程提取得到其归一化多层特征图；设其中任意的像素点位置为(i*,j*)，i*＝8,9,…,(I-7)且j*＝8,9,…,(J-7)，则以(i*,j*)为中心提取出尺寸大小为15×15×d的多层特征切片，进而输入到上一步训练好的CNN分类器之中，由CNN分类器判断得到该多层特征切片的所属地物类别，并以此作本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的极化SAR地物分类方法，SAR是指合成孔径雷达，具体包括下述步骤：设极化SAR图像中，位置坐标为(i,j)的像素点的极化相干矩阵为T

【技术特征摘要】
1.一种基于卷积神经网络的极化SAR地物分类方法，SAR是指合成孔径雷达，具体包括下述步骤：设极化SAR图像中，位置坐标为(i,j)的像素点的极化相干矩阵为T(ij)，i＝1,2,…,I且j＝1,2,…,J，极化SAR图像的大小为I×J；对于任意一个极化相干矩阵T(ij)，进行下面第一步至第三步的处理，从而提取得到归一化多层特征图：第一步，相干斑滤波；对各像素点所对应的极化相干矩阵分别进行相干斑滤波，得到相干斑滤波后极化SAR图像中每个像素点的极化相干矩阵，记为第二步，极化特征提取；提取相应极化特征的具体过程如下：①旋转域零角特征的提取：利用下面两式分别计算两个旋转域零角特征和其中，Angle{·}表示取复数的相位，相应取值范围为[-π,π]；Re[·]和Im[·]则分别表示取复数的实部以及虚部；②旋转不变特征的提取：利用Cloude-Pottier极化目标分解方法，对于每个计算提取得到相应的极化熵H(ij)、极化平均角α(ij)和极化反熵A(ij)三个旋转不变特征；同时利用下式计算总散射能量第三步，特征归一化；设极化SAR图像中，位置坐标为(i,j)的像素点所用于地物分类的特征参数集为i＝1,2,…,I且j＝1,2,…,J；v＝1,2,…,6，且具体有：

【专利技术属性】
技术研发人员：陈思伟，陶臣嵩，李永祯，王雪松，肖顺平，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南,43