一种基于K-shot学习的极化SAR地物分类方法技术

本发明专利技术公开了一种基于K‑shot学习的极化SAR地物分类方法，先准备图像分类数据集；再图像预处理；然后制作图像训练数据集；搭建DN4网络；构造损失函数；训练搭建好的网络；预测分类效果图；最后评估网络的性能。有效克服了现有技术中面对新的数据集不能够进行快速解译的问题，并通过改进后的损失函数解决了之前对特征空间中样本特征间的距离问题的忽视，极大的提高了网络的性能，同时提升了网络的训练效率，增强了网络的鲁棒性。

【技术实现步骤摘要】
一种基于K-shot学习的极化SAR地物分类方法
本专利技术属于图像处理
，具体涉及一种基于K-shot学习的极化SAR地物分类方法。
技术介绍
随着极化SAR系统的技术越来越先进，获取到的极化SAR图像中包含的地物信息也越来越丰富，这使得研究极化SAR雷达解译成为当前雷达图像领域研究的热点。目前，极化SAR地物分类的方法日趋完善与先进，可以大致分为无监督分类方法、有监督分类方法和半监督分类方法。随着极化SAR雷达的发展，海量的极化SAR数据出现。因此，在面对新的极化SAR数据如何快速地进行准确分类成为了新的问题。无论是无监督方法、有监督方法还是半监督方法，在解决极化SAR地物分类问题时采取的策略与流程是基本一致的。除了与常规的分类问题中的构建规则提取数据特征、构建分类器得到分类结果一致的部分外，有两种方法被常用于基础极化SAR数据集合的构建。一种是基于图像分类的方法，另一种则是基于图像分割的方法。然而无监督分类方法分类精度较低，一般来说并不能得到可以直接使用的分类结果；有监督方法依赖大量的人工标注，而囿于极化SAR数据的特殊之处，新获取到的极化SAR数据无法进行快速、大规模的标注；半监督方法虽然可以降低对有标签数据的依赖程度，然而现如今大量的可靠半监督学习方法均需要在数据集上进行训练，以得到专一性的分类器，而当应用至多种参数、多种极化模式的极化SAR数据的快速解译问题上便略显吃力。现有方法需要在数据集上进行训练，对于快速解译就还存在一定的局限性，并不能够实现快速解译的目的，在应用时也因此会存在实用性的问题。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于K-shot学习的极化SAR地物分类方法，解决了面对新的极化SAR数据时如何快速地进行准确分类的问题。本专利技术采用以下技术方案：一种基于K-shot学习的极化SAR地物分类方法，包括以下步骤：S1、准备数据集，以FlevolandI数据集作为训练集进行训练，以FlevolandII和SanFrancisco数据集作为测试集进行测试；S2、对极化SAR数据进行精致Lee滤波处理，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，逐像素有重叠地进行切块操作；S3、搭建包括深度嵌入模块Ψ和图像级度量模块Φ的DN4网络；S4、构造交叉熵损失和HingeLoss损失函数，实现对特征样本的类内距离缩小与类间距离增大；S5、采用基于步骤S3的网络结构得到分类结果，采用基于步骤S4的两个损失函数迭代优化整个网络，得到最优模型；S6、将步骤S5中训练好的最优模型权重参数载入到基于步骤S3构造的DN4网络模型中，并依次读取所有测试集数据，预测测试集中图像的分类结果图，实现对全图的地物分类。具体的，步骤S1中，测试集中的样本共有C类，每类K个样本，训练集中样本类别为M，M>K，每类样本个数为D，D>C，选取stembeans，rapessed，baresoil，potatoes，beet，wheat2，peas，wheat3，lucerne，barley的样本作为训练数据，剩余的五类即wheat，grasses，forest，water，buildings划分为验证集合。具体的，步骤S2中，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，而后逐像素有重叠地，以15×15的窗口大小进行切块，得到若干个尺寸为15×15×9的图像块。进一步的，T矩阵为：其中，T表示极化相干矩阵，H表示水平方向极化，V表示垂直方向极化，SHH表示雷达水平发射水平接收的散射分量，SVV表示雷达垂直发射垂直接收的散射分量，SHV表示雷达水平发射垂直接收的散射分量，<·>表示按极化视数取平均值，|·|2表示取模的平方操作，(·)*表示复数的共轭操作。具体的，步骤S3中，深度嵌入模块Ψ用以学习询问集合和支撑集合的图像的特征表示，包含四个卷积块，每个卷积块由一个卷积层，一个批处理规范化层和一个LeakyReLU层组成，前两个卷积块分别附加一个额外的2×2最大池化层，具体为：Ψ(X)＝[x1,...,xm]∈Rd×m其中，Xi是第i个深度局部描述子。具体的，步骤S3中，图像级度量模块Φ使用来自某一类中所有的训练图像的深度局部描述子来构造用于该类别的局部描述子空间，具体为：其中，k为超参数，m为局部描述子的集合个数，xi为描述子，为描述子在第c类中第k以内近邻的描述子，c为类别，q为询问集合图片。具体的，步骤S4中，将交叉熵函数与HingeLoss进行线性组合，当w(t)函数为正值的设置时，表示在模型训练初期以HingeLoss损失函数为主，而后逐渐以交叉熵损失函数为主要损失；当w(t)函数为负值的设置时，表示在模型训练初期以交叉熵损失函数为主，而后逐渐以HingeLoss损失函数为主要损失。进一步的，交叉熵函数与HingeLoss进行线性组合具体为：L(y)＝w(t)LC+[1-w(t)]LH其中，LC表示交叉熵损失函数，LH为HingeLoss损失函数，w(t)为随着迭代时间的增加，线性增长或者降低的权重函数，最小值为0，最大值为1。进一步的，HingeLoss损失函数为：其中，m为最大间隔，p为指数，N为样本总数，为任意样本，xi为另一个不同的任意样本。一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至9所述的方法中的任一方法。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种基于K-shot学习的极化SAR地物分类方法，将K-shot学习中的DN4模型引入到小样本的图像分类过程中，使得在有更多的极化SAR数据涌现的时候，使用K-shot学习方法可以在面对新的数据集分类任务时，在提高足够分类精度的前提下，降低对人工标注的依赖。进一步的，由于所使用的DN4模型进行极化SAR地物分类需要一个拥有较多类别和样本的数据集合作为训练集以在每个Episode中选取对应的类别与样本作为支撑集合和询问集合。因此，本专利技术的全部实验均选取来自AIRSAR获取的Flevoland农田极化SAR数据作为训练集合。测试样本集则选择RADARSAT-2获取的Flevoland农田极化SAR数据与金门大桥极化SAR数据。进一步的，选取抗噪能力更强的取patch块操作的极化SAR地物分类方法，在输入数据的层面上引入了邻域信息，相比对单个像素点的分类，对地物类别的表征能力在理论上也相对较强。并且由于极化SAR数据的成像特点使得极化SAR图像中含有大量的乘性噪声，而样本又是极少量的，则噪声的影响变得非常的明显，对这些数据进行精致Lee滤波处理，可去除数据中相干斑噪声影响。进一步的，选用基于度量的K-shot学本文档来自技高网...

【技术保护点】
1.一种基于K-shot学习的极化SAR地物分类方法，其特征在于，包括以下步骤：/nS1、准备数据集，以Flevoland I数据集作为训练集进行训练，以Flevoland II和SanFrancisco数据集作为测试集进行测试；/nS2、对极化SAR数据进行精致Lee滤波处理，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，逐像素有重叠地进行切块操作；/nS3、搭建包括深度嵌入模块Ψ和图像级度量模块Φ的DN4网络；/nS4、构造交叉熵损失和Hinge Loss损失函数，实现对特征样本的类内距离缩小与类间距离增大；/nS5、采用基于步骤S3的网络结构得到分类结果，采用基于步骤S4的两个损失函数迭代优化整个网络，得到最优模型；/nS6、将步骤S5中训练好的最优模型权重参数载入到基于步骤S3构造的DN4网络模型中，并依次读取所有测试集数据，预测测试集中图像的分类结果图，实现对全图的地物分类。/n

【技术特征摘要】
1.一种基于K-shot学习的极化SAR地物分类方法，其特征在于，包括以下步骤：
S1、准备数据集，以FlevolandI数据集作为训练集进行训练，以FlevolandII和SanFrancisco数据集作为测试集进行测试；
S2、对极化SAR数据进行精致Lee滤波处理，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，逐像素有重叠地进行切块操作；
S3、搭建包括深度嵌入模块Ψ和图像级度量模块Φ的DN4网络；
S4、构造交叉熵损失和HingeLoss损失函数，实现对特征样本的类内距离缩小与类间距离增大；
S5、采用基于步骤S3的网络结构得到分类结果，采用基于步骤S4的两个损失函数迭代优化整个网络，得到最优模型；
S6、将步骤S5中训练好的最优模型权重参数载入到基于步骤S3构造的DN4网络模型中，并依次读取所有测试集数据，预测测试集中图像的分类结果图，实现对全图的地物分类。


2.根据权利要求1所述的基于K-shot学习的极化SAR地物分类方法，其特征在于，步骤S1中，测试集中的样本共有C类，每类K个样本，训练集中样本类别为M，M>K，每类样本个数为D，D>C，选取stembeans，rapessed，baresoil，potatoes，beet，wheat2，peas，wheat3，lucerne，barley的样本作为训练数据，剩余的五类即wheat，grasses，forest，water，buildings划分为验证集合。


3.根据权利要求1所述的基于K-shot学习的极化SAR地物分类方法，其特征在于，步骤S2中，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，而后逐像素有重叠地，以15×15的窗口大小进行切块，得到若干个尺寸为15×15×9的图像块。


4.根据权利要求3所述的基于K-shot学习的极化SAR地物分类方法，其特征在于，T矩阵为：



其中，T表示极化相干矩阵，H表示水平方向极化，V表示垂直方向极化，SHH表示雷达水平发射水平接收的散射分量，SVV表示雷达垂直发射垂直接收的散射分量，SHV表示雷达水平发射垂直接收的散射分量，<·>表示按极化视数取平均值，|·|2表示取模的平方操作，(·)*表...

【专利技术属性】
技术研发人员：郭岩河，宋国鑫，王爽，赵永强，王尧，臧琪，焦李成，
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