基于注意力机制和残差关系网络的SAR图像分类方法技术

本发明专利技术公开了基于注意力机制和残差关系网络的SAR图像分类方法，包括：构建分类模型，分类模型为基于注意力机制的3D残差关系网络模型；选取训练集；采用训练集对分类模型进行训练，获得训练好的分类模型；获取待分类的极化合成孔径雷达图像；将待分类的极化合成孔径雷达图像中每个像素的原始输入信息输入训练好的分类模型，获得分类结果。本发明专利技术是针对极化SAR图像分类中的小样本问题，对深度学习方法在极化SAR图像应用上的改进，并结合极化SAR数据的空间邻域信息，有效的实现了深度学习在小样本下极化SAR图像分类。小样本下极化SAR图像分类。小样本下极化SAR图像分类。

【技术实现步骤摘要】
基于注意力机制和残差关系网络的SAR图像分类方法


[0001]本专利技术涉及图像处理
，特别涉及基于注意力机制和残差关系网络的SAR图像分类方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)是一种相干成像雷达，其工作在微波波段，是一种主动式遥感传感器，因为它能够全天时全天候对地面目标进行大地规模成像，在遥感领域有着相当重要的地位。单频、单极化状态的SAR图像已经能够弥补光学遥感的不足，能够排除云雾植被以及树叶的干扰，对地表具有一定的穿透能力，在测绘和军事、环境监测、灾害监测、海洋监测等方面具有得天独厚的优势。
[0003]传统的极化SAR图像地物分类方法主要有全监督学习和半监督学习方法。前者需要对所有样本建立标签，对样本的要求比较高。而后者则只需要一部分样本含有标签，另一部分不含标签。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。
[0004]经典的极化SAR分类方法包括：Jiao等人提出了将Wishart分布和网络相结合的方法，实现了极化SAR图像的快速分类和深度学习在极化SAR分类领域的扩展。Adam Santoro等提出了基于长短时记忆网络(LSTM)的记忆增强网络。记忆增强网络将数据当作序列来训练，上一次的标签也作为网络输入，并且添加了外部存储来存储上一次的输入。这使得下一次输入后进行方向传播时，可以让标签和输入建立联系，以便之后的输入能够通过外部记忆获取相关图像进行对比，实现更好的预测。Zhou等提出了一种基于CNN的以像素邻域为基本分类单元的极化SAR图像分类方法。以上方法均基于有监督的学习，因此存在一些缺陷：监督学习需要大量的标注样本，而极化SAR图像的标注需要具有丰富的经验和专业知识才能完成，完成高质量的标注需要花费大量的精力和物力。

技术实现思路

[0005]本专利技术实施例提供了基于注意力机制和残差关系网络的SAR图像分类方法，用以解决现有技术中基于有监督的分类方法对样本要求高，耗费精力和物力的问题。
[0006]一方面，本专利技术实施例提供了基于注意力机制和残差关系网络的SAR图像分类方法，包括：
[0007]构建分类模型，分类模型为基于注意力机制的3D残差关系网络模型；
[0008]选取训练集；
[0009]采用训练集对分类模型进行训练，获得训练好的分类模型；
[0010]获取待分类的极化合成孔径雷达图像；
[0011]选取以极化合成孔径雷达图像中每个像素为中心的像素块；
[0012]提取像素块中每个像素的特征信息，以像素块中各像素对应的特征信息作为中心像素的原始输入信息；
[0013]将极化合成孔径雷达图像中每个像素的原始输入信息输入训练好的分类模型，获得分类结果。
[0014]本专利技术中的基于注意力机制和残差关系网络的SAR图像分类方法，具有以下优点：
[0015](1)本专利技术是针对极化SAR图像分类中的小样本问题，对深度学习方法在极化SAR图像应用上的改进，并结合极化SAR数据的空间邻域信息，有效的实现了深度学习在小样本下极化SAR图像分类。
[0016](2)本专利技术通过在关系网络中加入注意力机制(SENet)的方法，并结合元学习的方法，改善了由于标记样本少的不足，用于小样本SAR图像分类，可以自动获取特征的重要性程度，过滤掉不重要的特征信息。
[0017](3)仿真结果表明，本专利技术采用的基于注意力机制和关系网络的小样本SAR图像分类方法，分类效果优良，正确率高。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术实施例提供的基于注意力机制和残差关系网络的SAR图像分类方法的流程图；
[0020]图2为本专利技术实施例提供的注意力机制流程图；
[0021]图3为本专利技术实施例中仿真一采用的荷兰弗莱福兰省FlevolandC波段极化SAR数据的PauliRGB合成图；
[0022]图4为本专利技术实施例中仿真一采用的极化SAR图像真实的地物标记；
[0023]图5为本专利技术实施例中仿真一采用Wishart、SVM、CNN、3D
‑
CNN、RN、RN
‑
SENet、RN
‑
Res
‑
SENet、3D
‑
RN
‑
Res等分类方法的分类结果；
[0024]图6为本专利技术实施例中仿真一采用本专利技术方法的分类结果。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]图1为本专利技术实施例提供的基于注意力机制和残差关系网络的SAR图像分类方法的流程图。本专利技术实施例提供了基于注意力机制和残差关系网络的SAR图像分类方法，包括：
[0027]S100、构建分类模型，分类模型为基于注意力机制的3D残差关系网络模型。
[0028]示例性地，3D残差网络的核心是3D
‑
CNN(三维卷积神经网络)，3D
‑
CNN是基于3D卷积运算构建的，并且其卷积核为一个三维的立方体，同样地，极化SAR图像数据也是整个邻域和中心像素的三维数据，采用3D
‑
CNN进行极化SAR图像的分类更有利于提取极化SAR数据
的空间和信道特征。
[0029]本专利技术的分类模型包括输入模块、特征嵌入模块和关系模块。实验发现，当模型的网络层数增加时，模型具有更强的特征学习能力和特征表示能力。但随着网络深度(即层数)的增加，卷积神经网络会遭受退化的问题。鉴于此，引入了残差网络，通过增加模型的深度可以提高分类精度。
[0030]在上述3D残差关系网络的基础上，如图2所示，注意力机制的具体流程为：
[0031]a)、X为输入至输入模块的数据，大小为C'
×
H'
×
W'；
[0032]b)、X经过卷积操作(F
tr
)之后，输出U为C
×
H
×
W；
[0033]c)、将U输入平均池化层(GlobalAveragePooling)进行处理，输出为1
×1×
C的数据大小：
[0034][0035]d)、将输出为1
×1×
C的数据Z经过两级全连接层后，通过S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制和残差关系网络的SAR图像分类方法，其特征在于，包括：构建分类模型，所述分类模型为基于注意力机制的3D残差关系网络模型；选取训练集；采用所述训练集对所述分类模型进行训练，获得训练好的分类模型；获取待分类的极化合成孔径雷达图像；选取以所述极化合成孔径雷达图像中每个像素为中心的像素块；提取所述像素块中每个像素的特征信息，以所述像素块中各像素对应的特征信息作为中心像素的原始输入信息；将所述极化合成孔径雷达图像中每个像素的原始输入信息输入训练好的分类模型，获得分类结果。2.根据权利要求1所述的基于注意力机制和残差关系网络的SAR图像分类方法，其特征在于，采用三基色上色法对所述分类结果上色，获得上色后的分类结果。3.根据权利要求1所述的基于注意力机制和残差关系网络的SAR图像分类方法，其特征在于，所述选取训练集，包括：根据真实地物标记，选取多个有标记的数据作为训练样本；在所述分类模型每次进行训练迭代时，均将所述训练样本转化为回合集，所述回合集包括支持集和查询集，所有的所述回合集组成所述训练集。4.根据权利要求3所述的基于注意力机制和残差关系网络的SAR图像分类方法，其特征在于，在每次训练迭代时，将所述训练样本转化为回合集后，还包括：对所述支持集和查询集进行...

【专利技术属性】
技术研发人员：滑文强，张聪，王欣雷，谢雯，金小敏，路龙宾，张璐，邓万宇，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：