【技术实现步骤摘要】
本专利技术属于图像处理和遥感，具体涉及一种基于极化散射编码和视觉transformer的polsar图像地物分类方法。
技术介绍
1、极化合成孔径雷达是一种主动微波成像雷达，具有在各种气候条件下对目标进行观测的能力。极化合成孔径雷达通过水平极化与垂直极化天线交替发射电磁波，并分别接收反射信号，可以得到水平极化发射-水平极化接收、水平极化发射-垂直极化接收、垂直极化发射-水平极化接收、垂直极化发射-垂直极化接收四种组合的雷达信号，以此对每一个分辨单元获得一个2×2的复数矩阵，即目标的极化散射矩阵(s-matrix)，该矩阵将目标地物的相位、能量及极化特征统一起来，相对完整地描述了雷达目标的电磁散射特性。由于极化sar图像的数据较为复杂，现有的图像分类模型主要是为光学图像设计的，很难适用于高分辨率的极化sar图像，并且polsar(polarimetric synthetic aperture radar)图像地物分类技术在军事以及民用领域具有广泛的应用场景，所以研究polsar图像的地物分类具有重要的意义。
2、传统的极化sar图像地物分类处理方法主要是根据极化特性设计目标极化分解算法进行特征提取，再利用svm、随机森林等分类器进行分类。特征提取方法可分为两种：相干目标分解和非相干目标分解。前者作用于极化散射矩阵来表征包含全极化信息的完全极化散射波。后者仅作用于穆勒矩阵、协方差矩阵或相干矩阵，以表征部分极化波。相干目标分解算法主要包括pauli分解、cameron分解、yamaguchi四分量散射分解等，非相干目标分解
3、以卷积神经网络(cnn)为代表，其在处理少量样本时表现出高效的学习能力，应用在polsar图像分类中，cnn能够识别图像中的物体类别，但难以精确划分物体轮廓和像素级别的归属，导致难以实现精细的分割。全卷积网络(fcn)在cnn基础上改进，取消了全连接层，用卷积层替代，提升了传统语义分割算法的性能。然而，fcn在特征提取时通过连续的池化层或降采样扩大感受野，导致特征图分辨率降低，细节信息丢失，使其在polsar地物分类中，尤其是边缘部分的分割效果仍然不理想。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于极化散射编码和视觉transformer的polsar图像地物分类方法，首先通过极化散射编码在完整保留polsar图像包含的相位信息和空间信息的前提下，将图像包含的复数数据转化为编码的实数数据，之后利用卷积特征提取器提取图像的细节特征，最后输入视觉transformer进行全局关联的特征捕获并完成分类工作，以期达到更佳的分类精度。
2、实现本专利技术目的的技术解决方案为：一种基于极化散射编码和视觉transformer的polsar图像地物分类方法，包括以下步骤：
3、步骤1：polsar图像极化散射编码操作；
4、步骤2：将极化散射编码数据转化为尺寸为l×l，数量为n的图像块，划分训练数据集、测试数据集，再对所有编码后图像块进行随机排序、随机翻转、归一化处理；
5、步骤3：以3d卷积神经网络和2d卷积神经网络为骨干网络构建多层卷积特征提取器；
6、步骤4：将步骤2生成的n个训练数据集图像块输入特征提取器，提取出polsar图像的特征图块，总数为n；
7、步骤5：构建视觉transformer网络模型，包含线性映射层、层归一化模块、多层感知器模块、多头注意力模块，主体为由12个相同编码器子模块堆叠而成的transformer编码器，每个编码器子模块包括一个多头注意力层和一个多层感知器模块；
8、步骤6：将步骤4提取出的特征图中属于训练集的输入transformer网络模型进行训练，经过一定次数的训练后，保存训练后的网络模型权重；
9、步骤7：根据步骤6中训练后的网络模型权重初始化步骤5中的transformer网络模型，对步骤2中划分好的测试数据集执行分类任务，得到测试数据集所有图像块每个像素的分类标签，与步骤2中对应的真实地物标签矩阵作对比，计算每个类别覆盖区域分类正确的像素数与该类别像素总数之比，得到分类结果的正确率，同时生成分类结果图像。
10、与现有技术相比，本专利技术的显著优点为：在数据预处理中通过极化散射编码完整保留了polsar复数数据产品中包含的极化信息和相位信息，为地物分类工作提供了更完整的可提取分类依据；在模型构建中利用了cnn高效提取数据边缘特征的优势同时避免了池化操作带来的细节特征丢失，且在此基础上利用视觉transformer的多头注意力机制的全局关联特性，结合了两者各自的优势从而得到更准确的分类结果。
本文档来自技高网...【技术保护点】
1.一种基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，所述步骤1的具体步骤为：
3.根据权利要求1所述的基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，所述步骤2的具体步骤为：
4.根据权利要求1所述的基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，所述步骤3的具体步骤为：
5.根据权利要求1所述的基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，所述步骤5的具体步骤为：
6.根据权利要求5所述的基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，步骤5中Transformer编码器子模块和Transformer编码器输出采用的归一化方式具体为层归一化，公式表达为：
7.根据权利要求5所述的
8.根据权利要求5所述的基于极化散射编码和视觉Transformer的PolSAR图像地物分类方法，其特征在于，步骤5中GELU激活函数的具体计算使用的计算方式为：。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8中任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一所述的方法的步骤。
...【技术特征摘要】
1.一种基于极化散射编码和视觉transformer的polsar图像地物分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于极化散射编码和视觉transformer的polsar图像地物分类方法，其特征在于，所述步骤1的具体步骤为：
3.根据权利要求1所述的基于极化散射编码和视觉transformer的polsar图像地物分类方法，其特征在于，所述步骤2的具体步骤为：
4.根据权利要求1所述的基于极化散射编码和视觉transformer的polsar图像地物分类方法，其特征在于，所述步骤3的具体步骤为：
5.根据权利要求1所述的基于极化散射编码和视觉transformer的polsar图像地物分类方法，其特征在于，所述步骤5的具体步骤为：
6.根据权利要求5所述的基于极化散射编码和视觉transformer的polsar图像地物分类方法，其特征在于，步骤5中tr...
【专利技术属性】
技术研发人员：肖泽龙，魏楷宜，胡泰洋，罗淳，薛文，吴礼，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。