[发明专利]基于深度卷积孪生网络的小样本极化SAR地物分类方法

说明书

本发明公开一种基于深度卷积孪生网络的小样本极化SAR地物分类方法，主要解决现有方法中由于极化SAR数据标记样本较少造成分类精度低的问题。其实现步骤为：1)输入待分类极化SAR图像与其真实地物标记，并进行Lee滤波；2)从对滤波后的待分类极化SAR数据中提取输入特征向量并划分出训练样本集和测试样本集；3)对训练样本集中的样本两两组合得到样本对训练集；4)搭建深度卷积孪生网络并用训练样本集和样本对训练集对其进行训练；5)用训练好的深度卷积孪生网络对测试集样本进行分类，获得地物类别。本发明在孪生架构下扩充了训练集并提取差异化特征，使模型分类准确率更高，可用于极化SAR图像的目标分类、检测和识别。

技术领域

本发明属于图像处理技术领域，特别涉及极化SAR地物分类方法，可用于极化SAR遥感影像的地物分类或目标识别。

背景技术

极化SAR是能够对目标进行全极化测量的合成孔径雷达，其通过同时发射和交替接收不同极化状态的组合回波对目标进行全极化测量成像。极化SAR数据包含更丰富的目标散射信息，能够对目标进行更为全面的表达和描述，提高对地物的识别能力，同时，其具有全天候、全天时，分辨率高等优点，在目标检测与识别、地物分类以及参数反演等方面具有十分突出的优势，因此广泛应用于军事、农业、导航等众多领域。目前极化SAR成像技术已获得飞速发展，但对应的极化SAR图像处理技术还无法满足现有要求。因此，迫切需要开发能够对极化SAR图像进行全方位解读的图像处理技术。

经过多年的研究与发展，很多优秀的极化SAR图像分类方法被广泛应用。其中，基于统计分布、极化目标分解的方法和基于监督机器学习的方法仍然是极化SAR地物分类的研究重点。

西安电子科技大学在其申请的专利文献“基于Wishart和SVM的极化SAR图像分类方法”(专利申请号：CN201410740814.9，公开号：CN104408472A)中提出了一种基于Wishart和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR数据进行窗口大小为7*7的Lee滤波，去除相干斑噪声，然后得到Lee滤波之后的极化SAR数据的极化相干矩阵并对其进行Cloude分解，计算每个像素点的散射熵H、散射角alpha和散射总功率span并构造特征集F＝[H alpha span]和相干矩阵特征集T，同时计算特征集F和T的相似矩阵W^F和W^T，最后利用W＝W^F·W^T作为SVM的核函数完成模型的训练与分类。该方法虽然充分利用了极化SAR数据的目标分解和统计分布特性，但该方法仍然存在的不足之处在于特征设计复杂、需要较强的专家知识并且需要较多的标记样本进行模型训练。

西安电子科技大学在其申请的专利文献“基于Wishart深度网络的极化SAR图像分类方法”(专利申请号：CN201510341168.3，公开号：CN105046268A)中提出了一种基于Wishart深度网络的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像数据进行精致极化Lee滤波，去除相干斑噪声，得到Lee滤波之后的极化SAR图像，随机选取10％的有标记样本作为训练数据集，然后利用多层的Wishart RBM和softmax分类器构造深度DBN网络，并用该深度DBN网络进行特征学习与模型训练，最后利用所训练好的模型完成未知标签数据的预测。该方法虽然充分利用了极化SAR数据的有标记样本的监督信息，提高了分类准确率，但该方法仍然存在的不足之处在于训练过程需要大量的标记样本信息，成本较高，在标记样本较少的情况下会导致网络的分类准确率大大降低。

发明内容

本发明的目的在于针对上述已有技术的弊端和不足，提出一种基于深度卷积孪生网络的小样本极化SAR地物分类方法，以在小样本条件下进行特征的自动提取与分类，降低人工标记成本，提高分类准确率。

实现本发明的技术方案包括如下：

(1)输入一幅430*280大小的待分类极化SAR图像及该极化SAR图像对应的真实地物标签信息；