一种机载多维度合成孔径雷达图像地物分类方法技术

本发明专利技术涉及一种基于深度学习的机载多维度合成孔径雷达图像地物分类方法，包括以下步骤：步骤S1、对同时获取的机载高分辨率多维度SAR图像进行预处理，标注地物类型标签，并对数据集进行划分；步骤S2、对于每个维度的SAR图像分别构建对应的地物分类模型，并利用深度学习方法采用训练集进行训练，使损失函数值趋于稳定并尽可能降低；步骤S3、利用训练得到的各地物分类模型分别进行地物分类测试评价，并根据测试评价结果得到各地物分类模型对各类别地物的分类准确敏感度；步骤S4、对各地物分类模型进行融合，实现机载多维度SAR图像地物分类。与现有技术相比，本发明专利技术方法能够提升机载高分辨率多维度SAR数据在地物分类方面的应用效能，提高地物分类准确度。提高地物分类准确度。提高地物分类准确度。

【技术实现步骤摘要】
一种机载多维度合成孔径雷达图像地物分类方法


[0001]本专利技术涉及机载合成孔径雷达成像遥感应用领域，尤其是涉及一种基于深度学习的机载多维度合成孔径雷达图像地物分类方法。

技术介绍

[0002]合成孔径雷达(SAR)成像由于其全天候、全天时的优势而备受关注。多维度SAR是其基本观测方式在极化、频率、角度和时相维度中的至少两个维度内，分别获得多个观测量的联合观测技术手段。与之相对的是，在单一维度内获取单/多个观测量的探测手段是单维度SAR。多维度SAR通过信号与信息综合处理，有可能更准确地区分被观测对象的不同散射机理，进而更准确地获得其几何特征和物理特征。在SAR地物分类的应用中，单维度数据包含的地物目标信息相对较少，通常在不同类型地物之间存在一定程度的模糊性，而采用多维度SAR数据进行地物分类可以获取更丰富的目标信息。因此，采用多维度SAR图像进行地物分类成为SAR图像解译的重要研究内容，也是SAR技术在实际应用中的一个重要发展方向。
[0003]SAR地物分类在植被检测、土地利用、城区种植和海冰监测等领域发挥着不可或缺的作用，现有的SAR地物分类提取极化特征可以通过目标分解获得，如Pauli分解、Freeman分解等，另一些现有的方法还可以利用边缘检测、极化散射机理等实现SAR地物分类。
[0004]相比于现有方法，使用深度学习能处理大量SAR数据并实现较高精度的地物分类，但另一方面，深度学习对数据量要求较高，同时模型的训练需要花费较多时间，SAR数据相比于较容易获得、使用较广泛的光学数据，存在数据量不足的缺点，尤其是机载多维度SAR数据，获取更为困难。因此，对应的利用机载多维度SAR数据实现地物分类的方法也较少，使用的波段也不够丰富。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种机载多维度合成孔径雷达图像地物分类方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种机载多维度合成孔径雷达图像地物分类方法，包括以下步骤：
[0008]步骤S1、对同时获取的机载高分辨率多维度SAR图像进行预处理，标注地物类型标签，并对数据集进行划分得到训练集和测试集；
[0009]步骤S2、对于每个维度的SAR图像分别构建对应的地物分类模型，并利用深度学习方法采用训练集进行训练，使损失函数值趋于稳定并尽可能降低；
[0010]步骤S3、利用训练得到的各地物分类模型分别采用测试集进行地物分类测试评价，并根据测试评价结果得到各地物分类模型对各类别地物的分类准确敏感度；
[0011]步骤S4、对各地物分类模型的分类结果进行融合，实现机载多维度SAR图像地物分类。
[0012]所述的步骤S1具体包括以下步骤：
[0013]步骤S1
‑
1、通过航空遥感系统同时获得机载高分辨率多维度SAR图像数据，并生成对应的像素类别蒙版，并对蒙版进行标注生成数据集；
[0014]步骤S1
‑
2、在统计类别占比的前提下，根据语义分割数据集比例要求将数据集划分为训练集和测试集。
[0015]所述的步骤S1中，机载高分辨率多维度SAR图像包括光学图像、C波段图像、Ka波段图像、L波段图像、P波段图像和S波段图像。
[0016]所述的步骤S2具体包括以下步骤：
[0017]步骤S2
‑
1、利用语义分割网络HRNet进行特征提取及多尺度特征融合；
[0018]步骤S2
‑
2、对提取到的特征进行堆叠及上采样，生成预测图与真值进行损失计算，则损失函数的表达式为：
[0019][0020]其中y
i
为第i类的真值，为第i类的预测值，n为类别总数。
[0021]所述的步骤S3具体包括以下步骤：
[0022]步骤S3
‑
1，对于每个维度的SAR图像对应的地物分类模型，在对应的测试集上进行验证，得到没有训练数据的测试可视化分类结果；
[0023]步骤S3
‑
2，利用语义分割评价指标对分类结果进行评价。
[0024]所述的步骤S3
‑
2中，语义分割评价指标包括交并比IoU、频权交并比FWIoU和像素准确率PA。
[0025]所述的步骤S4具体为：
[0026]将各维度的SAR训练图像分别输入各地物分类模型中进行分类，得到分类测试概率，并将所有测试概率进行加权叠加，取加权叠加后最大的概率作为对应图像像素的类别。
[0027]所述的步骤S4中，进行各地物分类模型融合的表达式为：
[0028][0029]其中，M表示地物分类模型，D表示图像数据，b代表波段，f
r
(M
b
,D
b
)表示放缩操作，Class表示类别，axis表示求取最大值的方向。
[0030]所述的步骤S4中，根据步骤S3中各地物分类模型对各类地物的分类测试结果确定权值并进行加权融合，具体为：
[0031]以单波段的分类测试结果最优的Ka波段为基准，在各类地物上单独分类结果最优的波段作为辅助，将各地物分类结果加权进Ka波段的分类结果中。
[0032]为防止融合时出现像素类别冲突，定义类别优先级，类别优先级的定义具体为：
[0033]priority＝α
·
max_iou+β
·
dif
[0034]α+β＝1
[0035]其中，priority为类别优先级，α、β为权重，max_iou为各地物分类模型对每个地物目标分类的最优交并比IoU，dif为各地物分类模型对每个地物目标分类的最优交并比IoU与次优交并比IoU的差值。
[0036]与现有技术相比，本专利技术具有以下优点：
[0037]本专利技术提供的基于深度学习的机载高分辨率多维度SAR地物分类方法，将深度学习应用到多维度SAR的地物分类中，先进行各单波段多极化的地物分类得到各波段对不同地物类型的分类敏感性，再利用各个波段的地物分类模型进行融合实现最优的地物分类，并且在单波段分类结果的先验知识基础上进行结果融合。
[0038]另外，本专利技术方法还能够提升机载高分辨率多维度SAR数据在地物分类方面的应用效能，针对不同行业用户的地物分类需求，给出优化的机载多维度SAR成像数据获取方案。
附图说明
[0039]图1为本专利技术实施例中基于深度学习的机载高分辨率多维度SAR地物分类方法的流程图。
[0040]图2为本专利技术实施例中两个区域的光学图像、Ka波段的SAR图像和对应的蒙版，其中，图(2a)为第一个区域的光学图像，图(2b)为第一个区域的Ka波段的SAR图像，图(2c)为图(2b)对应的蒙版，图(2d)为第二个区域的光学图像，图(2e)为第二个区域的Ka波段的SAR图像，图(2f)为图(2e)对应的蒙版。
[0041]图3为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机载多维度合成孔径雷达图像地物分类方法，其特征在于，包括以下步骤：步骤S1、对同时获取的机载高分辨率多维度SAR图像进行预处理，标注地物类型标签，并对数据集进行划分得到训练集和测试集；步骤S2、对于每个维度的SAR图像分别构建对应的地物分类模型，并利用深度学习方法采用训练集进行训练，使损失函数值趋于稳定并尽可能降低；步骤S3、利用训练得到的各地物分类模型分别采用测试集进行地物分类测试评价，并根据测试评价结果得到各地物分类模型对各类别地物的分类准确敏感度；步骤S4、对各地物分类模型的分类结果进行融合，实现机载多维度SAR图像地物分类。2.根据权利要求1所述的一种机载多维度合成孔径雷达图像地物分类方法，其特征在于，所述的步骤S1具体包括以下步骤：步骤S1
‑
1、通过航空遥感系统同时获得机载高分辨率多维度SAR图像数据，并生成对应的像素类别蒙版，并对蒙版进行标注生成数据集；步骤S1
‑
2、在统计类别占比的前提下，根据语义分割数据集比例要求将数据集划分为训练集和测试集。3.根据权利要求2所述的一种机载多维度合成孔径雷达图像地物分类方法，其特征在于，所述的步骤S1中，机载高分辨率多维度SAR图像包括光学图像、C波段图像、Ka波段图像、L波段图像、P波段图像和S波段图像。4.根据权利要求1所述的一种机载多维度合成孔径雷达图像地物分类方法，其特征在于，所述的步骤S2具体包括以下步骤：步骤S2
‑
1、利用语义分割网络HRNet进行特征提取及多尺度特征融合；步骤S2
‑
2、对提取到的特征进行堆叠及上采样，生成预测图与真值进行损失计算，则损失函数的表达式为：其中y
i
为第i类的真值，为第i类的预测值，n为类别总数。5.根据权利要求1所述的一种机载多维度合成孔径雷达图像地物分类方法，其特征在于，所述的步骤S3具体包括以下步骤：步骤S3
‑
1，对于每个维度的SAR图像对应的地物分类模型，在对...

【专利技术属性】
技术研发人员：王峰，郑乃榕，
申请(专利权)人：复旦大学，
类型：发明
国别省市：