基于双通道卷积网络的极化SAR图像分类方法技术

本发明专利技术公开了一种基于双通道卷积网络的极化SAR图像分类方法，包括对待分类极化SAR图像进行滤波；从滤波后的极化SAR图像每个像素点的相干矩阵中提取多维特征向量；对极化SAR图像进行空间加权；根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本与测试样本；构建多层卷积网络模型；将训练样本输入到多层卷积网络模型中，获得训练好的卷积网络模型；将测试样本输入到训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；将分类结果与真实的地物标记进行对比，计算正确率；输出分类结果。本发明专利技术对地物具有更高的分类正确率，并且同质区域更完整，区域一致性和分类性能更好，适用于对极化SAR图像的进行地物分类和目标识别。

Polarization SAR image classification method based on dual-channel convolution network

【技术实现步骤摘要】
基于双通道卷积网络的极化SAR图像分类方法
本专利技术属于图像处理
，主要涉及极化SAR图像分类，具体说是一种基于双通道卷积网络的极化SAR图像分类方法，可用于对极化SAR图像的地物分类和目标识别。
技术介绍
随着遥感技术在卫星、载人航天、探月工程等领域的发展，极化SAR已成为SAR的发展趋势，极化SAR能够得到更丰富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地形测绘、资源勘探、灾害监测及天文研究等诸多领域。极化图像分类的目的是利用机载或星载极化传感器获得的极化测量数据，确定每个像素所属的类别。近年来，利用极化SAR测量数据进行的分类在国际遥感领域受到高度重视，已成为SAR图像分类的主要研究方向。根据处理方法的不同，全极化SAR图像分类方法可以分为非监督分类方法和监督分类方法。对于这两种方法，特征提取和分类技术是两个基本要素。极化SAR图像分类的性能在很大程度上依赖于特征提取。出于这个原因，许多极化SAR图像分类方法着力于PolSAR图像特征的提取。Cloude等[1]提出一种特征提取的方法，即基于H/α目标分解的极化SAR图像非监督分类方法。该方法主要是通过Cloude分解获取H和α两个表征极化数据的特征，然后根据H和α组成的H/α平面人为的将其划分为9个区域，去掉一个理论上不可能存在的区域，最终将图像划分为8类。H/α分类存在的一个缺陷是区域的划分过于武断，当数据分布于区域边界上时可能会被错误的划分，另外，同一类别的地物可能会划分到不同的区域内，同时，同一区域内也可能存在不同类别的地物。YoshioYamaguchi等[2]提出了一种基于四分量目标分解的极化图像非监督分类算法。该方法将极化SAR数据分解为四个简单的散射机制，这四个散射机制分别为：平面散射、二面角散射、体散射和螺旋散射。需要指出的是，上述特征提取方法都是根据要解决的问题以及数据的特征人工设计出来的。因此，针对不同的地物类型需要选择的特征提取方法也不同。卷积神经网络(ConvolutionalNeuralNetworks，CNN)是一种无监督特征学习框架，它能够提取多层特征。类似于人脑的层次模型，CNN能提取从低层次到高层次的特征。参考文献：[1]CloudeSR，PottierE.AnentropybasedclassificationschemeforlandapplicationsofpolarimetricSAR[J].IEEETrans.Geosci.RemoteSensing.1997，35(1)：549-557.[2]YoshioYamaguchi,ToshifumiMoriyama,MotoiIshido,andHiroyoshiYamada,“Four-ComponentScatteringModelforPolarimetricSARImageDecomposition,”IEEETrans.Geosci.RemoteSens,vol.43,no.8,Aug.2005.
技术实现思路
本专利技术的目的在于：空间信息作为极化SAR图像的重要特征，本专利技术探索将CNN引入到极化SAR图像分类方法中，用来学习极化SAR图像的深层次特征，构建基于多尺度信息的双通道CNN网络对极化SAR图像进行分类，以获得更丰富的空间特征。为达到上述目的，本专利技术提供一种基于双通道卷积网络的极化SAR图像分类方法。具体而言，本专利技术所述基于双通道卷积网络的极化SAR图像分类方法，包括：对待分类极化SAR图像进行滤波；从滤波后的极化SAR图像每个像素点的相干矩阵中提取多维特征向量；对极化SAR图像进行空间加权，以空间加权处理之后的数据作为卷积神经网络的输入；根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本与测试样本；构建多层卷积网络模型；将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；将所述分类结果与真实的地物标记进行对比，计算正确率；输出上色后的分类结果图。进一步优选地，所述基于双通道卷积网络的极化SAR图像分类方法，包括：对待分类极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；和从滤波后的极化SAR图像每个像素点的相干矩阵中提取9维特征向量；对极化SAR图像进行空间加权，以空间加权处理之后的数据作为双通道卷积神经网络的输入；根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取10％的有标记数据作为训练样本，剩余的90％有标记数据作为测试样本；构建一个双通道含有14层的卷积网络模型；将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；将所述分类结果与真实的地物标记进行对比，计算正确率；输出上色后的分类结果图。作为本专利技术技术方案的优选实施方式之一，所述基于双通道卷积网络的极化SAR图像分类方法，所述9维特征向量的提取处理步骤，包括：将极化SAR图像每个像素点用3×3的相干矩阵T表示：根据所述极化SAR图像的相干矩阵T，提取对应像素点的极化特征向量I：I＝(T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23))；其中，Re()表示对复数取实部运算，Im()表示对复数取虚部运算。作为本专利技术技术方案的优选实施方式之一，所述基于双通道卷积网络的极化SAR图像分类方法，所述对极化SAR图像进行空间加权的处理步骤，包括：以所述极化SAR图像中每一像素点为中心选取11×11的像素块，为中心像素点的原始输入信息；对所选取的像素块，以中心像素点为中心进行空间加权处理，以空间加权处理之后的数据作为双通道卷积神经网络的输入。作为本专利技术技术方案的优选实施方式之一，所述基于双通道卷积网络的极化SAR图像分类方法，所述对极化SAR图像进行空间加权的处理步骤，包括：以所述极化SAR图像中每一像素点为中心选取11×11的像素块，以所述11×11的像素块作为中心像素点的原始输入信息；计算中心像素点到11×11的像素块中任意一像素点之间的距离wi,j：其中，Tr(·)表示矩阵的迹，Ti表示中心像素点的相干矩阵，Tj表示以中心像素点为11×11的像素块内其他像素点的相干矩阵，(Ti)-1和(Tj)-1分别表示对矩阵Ti和Tj求逆，q为常数，取值为q＝3；计算每一像素点特征的权值Wi,j：作为本专利技术技术方案的优选实施方式之一，所述基于双通道卷积网络的极化SAR图像分类方法，所述双通道含有14层的卷积网络模型的结构为：输入层→数据预处理层(空间加权)→第一通道第一卷积层(第二通道第一卷积层)→第一通道第一池化层(第二通道第一池化层)→第一通道第二卷积层(第二通道第二卷积层)→第一通道第二池化层(第二通道第二池化层)→第一通道第三卷积层→第一通道第三池化层→inception连接层，连接第一通道第三层池化输出特征和第二通道第二层池化输出特征→第四卷积层→第四池化层→全链接层→分类器→输出层。作为本专利技术技术方案的优选实施方式之一本文档来自技高网...

【技术保护点】
1.一种基于双通道卷积网络的极化SAR图像分类方法，其特征在于，包括：对待分类极化SAR图像进行滤波；从滤波后的极化SAR图像每个像素点的相干矩阵中提取多维特征向量；对极化SAR图像进行空间加权，以空间加权处理之后的数据作为卷积神经网络的输入；根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本与测试样本；构建多层卷积网络模型；将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；将所述分类结果与真实的地物标记进行对比，计算正确率；输出上色后的分类结果图。

【技术特征摘要】
1.一种基于双通道卷积网络的极化SAR图像分类方法，其特征在于，包括：对待分类极化SAR图像进行滤波；从滤波后的极化SAR图像每个像素点的相干矩阵中提取多维特征向量；对极化SAR图像进行空间加权，以空间加权处理之后的数据作为卷积神经网络的输入；根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取训练样本与测试样本；构建多层卷积网络模型；将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；将所述分类结果与真实的地物标记进行对比，计算正确率；输出上色后的分类结果图。2.根据权利要求1所述基于双通道卷积网络的极化SAR图像分类方法，其特征在于，包括：对待分类极化SAR图像进行滤波，去除斑点噪声，得到滤波后的极化SAR图像；从滤波后的极化SAR图像每个像素点的相干矩阵中提取9维特征向量；对极化SAR图像进行空间加权，以空间加权处理之后的数据作为双通道卷积神经网络的输入；根据真实的地物标记，对极化SAR数据的每个地物类别分别随机选取10％的有标记数据作为训练样本，剩余的90％有标记数据作为测试样本；构建一个双通道含有14层的卷积网络模型；将所述训练样本输入到所述多层卷积网络模型中，获得训练好的卷积网络模型；将所述测试样本输入到所述训练好的卷积网络模型中，获得测试样本中每个像素的分类结果；将所述分类结果与真实的地物标记进行对比，计算正确率；输出上色后的分类结果图。3.根据权利要求2所述基于双通道卷积网络的极化SAR图像分类方法，其特征在于，所述9维特征向量的提取处理步骤，包括：将极化SAR图像每个像素点用3×3的相干矩阵T表示：根据所述极化SAR图像的相干矩阵T，提取对应像素点的极化特征向量I：I＝(T11,T22,T33,Re(T12),Re(T13),Re(T23),Im(T12),Im(T13),Im(T23))；其中，Re()表示对复数取实部运算，Im()...

【专利技术属性】
技术研发人员：滑文强，谢雯，金小敏，潘晓英，邓万宇，王忠民，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西,61