基于多指标卷积自编码器的PolSAR地物精细分类方法技术

本发明专利技术公开了一种基于多指标卷积自编码器的PolSAR地物精细分类方法，包括：1.对PolSAR数据进行预处理和切片操作；2.通过卷积和池化操作提取PolSAR图像的特征图，将得到的特征图输入MI

【技术实现步骤摘要】
基于多指标卷积自编码器的PolSAR地物精细分类方法


[0001]本专利技术涉及PolSAR地物精细分类
，具体涉及一种基于多指标卷积自编码器的PolSAR地物精细分类方法。

技术介绍

[0002]极化合成孔径雷达(Polarimetric synthetic aperture radar，PolSAR)作为一种高分辨率成像传感器，可以提供详细的地物信息。与光学图像相比，PolSAR可以在全天候、全时条件下获得更有效、更全面的地物信息。因此，利用PolSAR数据进行地物分类可以有效的提高分类的准确度。
[0003]传统的PolSAR地物分类方法可以概括为没有训练样本标签的无监督分类和有训练样本标签的监督分类。尽管无监督分类过程中不需要消耗大量的人力资源，但其运行时间长，分类精度低。基于机器学习的有监督分类主要包括特征提取和分类两个过程，其性能主要受限于特征的表示能力，当提取的特征难以突出不同地物类别之间的差异时，分类性能极具下降。近年来基于深度学习的有监督分类算法不断被提出，但是随着深度学习网络复杂性的增加，训练过程一般需要大量的样本和充足的时间。然而样本缺少标签的问题正是PolSAR地物分类问题中的短板。为了解决这一问题，卷积自编码器(convolutional auto
‑
encoder,CAE)被更多人关注，因为CAE可以在无监督条件下，通过解码器训练网络参数，从而减少最终分类所需的样本量。然而由于网络深度较低，提取的深度特征不能完全代表目标的信息，也容易受到干扰信息的影响，从而导致分类结果较差。
[0004]现有针对CAE网络存在的问题改进方法也有很多，它们分别从样本数据量、网络深度、损失函数等多个方面对传统的CAE网络进行改进。例如：堆叠卷积自编码器(stacked convolutional Autoencoder,SCAE)通过叠加多个CAE网络来深化整个网络，并使用分层训练来学习网络参数，从而获取更深入的地物信息；还有将wishart距离作为CAE网络的重建损耗的算法。但是这些改进算法仅仅将相邻的特征堆叠到不同的特征图通道中，这样对于不同类别的地物特征表示不够完整和细腻。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于多指标卷积自编码器的PolSAR地物精细分类方法，以期能提高PolSAR地物特征表征的完整性和细腻性，获得更高的分类精度和分类效率。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于多指标卷积自编码器的PolSAR地物精细分类方法的特点是包括如下步骤：
[0008]步骤1：PolSAR数据的预处理以及裁剪操作：
[0009]步骤1.1：将PolSAR数据中任意一个最小分辨单元的散射特性使用一个极化散射矩阵S表示；根据互易原理和Pauli分解原理，将PolSAR数据中任意一个极化散射矩阵S转换
为矢量其中，S
HH
表示发射极化方式为水平极化，接收极化方式为水平极化时的复散射系数，S
VV
表示发射极化方式为垂直极化，接收极化方式为垂直极化时的复散射系数，S
HV
表示发射极化方式为垂直极化，接收极化方式为水平极化时的复散射系数；
[0010]步骤1.2：根据失量K，利用式(1)得到极化相干矩阵T：
[0011][0012]式(1)中，(
·
)
H
表示共轭转置，T
ij
表示极化相干矩阵T的第i行第j列的元素；且i，j＝1,2,3；
[0013]步骤1.3：利用式(2)从所述极化相干矩阵T中提取六维特征向量F＝[A,B,C,D,E,F]：
[0014][0015]式(2)中，Span表示所有极化通道的总散射功率，且Span＝T
11
+T
22
+T
33
，A代表总散射功率Span的分贝形式，B和C分别表示第2行第2列元素T
22
和第3行第3列元素T
33
的标准化功率比，D，E和F代表三个相对相关系数；
[0016]步骤1.4：对六维特征向量F进行归一化操作，得到归一化后的六维特征向量F
′
，从而由所有最小分辨单元的归一化后的六维特征向量构成预处理后的PolSAR数据；
[0017]步骤1.5：将预处理后的PolSAR数据裁剪成尺寸为L
×
L
×
6的切片，从而得到PolSAR数据的切片集合{s1,...,s
n
,...,s
N
}，其中，s
n
表示第n个切片，N表示切片总数；n∈[1,N]；
[0018]步骤2：构建基于多指标卷积自编码器的分类网络，包括：编码器、解码器以及分类器；并将所述切片集合{s1,...,s
n
,...,s
N
}输入所述分类网络中；
[0019]步骤2.1：所述编码器由m个卷积层、m个池化层、m个MI
‑
SE模块、m个加权模块以及一个全连接层组成；
[0020]所述第n个切片s
n
输入到所述编码器中，并经过第一个卷积层和池化层的处理后，得到尺度为H
×
W
×
D的特征图U，其中，H和W分别代表特征图U的高和宽，D表示特征图U的通道数；
[0021]所述特征图U输入第一个MI
‑
SE模块中，并利用式(3)计算多指标，包括：一阶矩S1、二阶中心矩S2和变异系数S3：
[0022][0023]式(3)中，U(a,b,:)代表特征图U的第a行和第b列所有元素；
[0024]将所述一阶矩S1、二阶中心矩S2和变异系数S3拼接为尺寸为3
×
D的多指标矩阵V，所述多指标矩阵V再经过所述第一个MI
‑
SE模块中的卷积层和全连接层的处理后，得到1
×
D的权重矩阵Y；
[0025]第一个加权模块将所述权重矩阵Y与特征图U相乘后，得到一个尺寸为H
×
W
×
D的加权后的特征图U
′
；
[0026]所述加权后的特征图U
′
再依次经过所述编码器的其余m
‑
1个卷积层、池化层、MI
‑
SE模块和加权模块的操作后，最后输出的特征再经过一个全连接层后，得到所述编码器输出的特征向量α；
[0027]步骤2.2：所述解码器由k个卷积层和k个上采样层依次交错连接组成；
[0028]所述特征向量α输入解码器中并得到第n个切片s
n
的重建切片再使用式(4)建立反向传播的损失函数L
MSE
：
[0029][0030]式(4)中，MSE表示最小均方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多指标卷积自编码器的PolSAR地物精细分类方法，其特征是包括如下步骤：步骤1：PolSAR数据的预处理以及裁剪操作：步骤1.1：将PolSAR数据中任意一个最小分辨单元的散射特性使用一个极化散射矩阵S表示；根据互易原理和Pauli分解原理，将PolSAR数据中任意一个极化散射矩阵S转换为矢量其中，S
HH
表示发射极化方式为水平极化，接收极化方式为水平极化时的复散射系数，S
VV
表示发射极化方式为垂直极化，接收极化方式为垂直极化时的复散射系数，S
HV
表示发射极化方式为垂直极化，接收极化方式为水平极化时的复散射系数；步骤1.2：根据失量K，利用式(1)得到极化相干矩阵T：式(1)中，(
·
)
H
表示共轭转置，T
ij
表示极化相干矩阵T的第i行第j列的元素；且i，j＝1,2,3；步骤1.3：利用式(2)从所述极化相干矩阵T中提取六维特征向量F＝[A,B,C,D,E,F]：式(2)中，Span表示所有极化通道的总散射功率，且Span＝T
11
+T
22
+T
33
，A代表总散射功率Span的分贝形式，B和C分别表示第2行第2列元素T
22
和第3行第3列元素T
33
的标准化功率比，D，E和F代表三个相对相关系数；步骤1.4：对六维特征向量F进行归一化操作，得到归一化后的六维特征向量F
′
，从而由所有最小分辨单元的归一化后的六维特征向量构成预处理后的PolSAR数据；步骤1.5：将预处理后的PolSAR数据裁剪成尺寸为L
×
L
×
6的切片，从而得到PolSAR数据的切片集合{s1,...,s
n
,...,s
N
}，其中，s
n
表示第n个切片，N表示切片总数；n∈[1,N]；步骤2：构建基于多指标卷积自编码器的分类网络，包括：编码器、解码器以及分类器；并将所述切片集合{s1,...,s
n
,...,s
N
}输入所述分类网络中；步骤2.1：所述编码器由m个卷积层、m个池化层、m个MI
‑
SE模块、m个加权模块以及一个全连接层组成；所述第n个切片s
n
输入到所述编码器中，并经过第一个卷积层和池化层的处理后，得到尺度为H
×

【专利技术属性】
技术研发人员：艾加秋，黄默，王非凡，范高伟，裴志林，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：