[发明专利]基于半监督滑窗全卷积网络的极化SAR图像分类方法

权利要求书

1.一种基于半监督滑窗全卷积网络的极化SAR图像分类方法，其特征在于，包括如下步骤：

步骤1，输入待分类的极化SAR图像，获取图像各像素点的极化相干矩阵，并对其进行精致Lee滤波，得到去噪后的极化相干矩阵T；

步骤2，对去噪后的极化相干矩阵T进行H/A/α分解；

步骤3，将步骤1得到的去噪后的极化相干矩阵T和步骤2得到的H/A/α分解作为极化SAR图像的原始特征，并将原始特征的每个元素归一化到[0，1]；具体方式为：

3a)基于步骤1得到的去噪后的极化相干矩阵T，选取每个样本的矩阵T的上三角处三个元素的实部以及虚部，以及矩阵T的对角线上的三个元素作为原始特征的第一部分，标记为F1；

3b)基于步骤2得到的H/A/α分解，选取3个非负特征值以及熵、平均散射角和各向异性参数，将它们作为原始特征的第二部分，标记为F2；

3c)将F1和F2合到一起，作为图像的原始特征，标记为F；

3d)将F中的每个元素归一化到[0，1]；

步骤4，随机选取部分极化SAR图像的有标记样本作为训练样本，剩余有标记样本作为测试集；

步骤5，使用步骤4得到的训练样本训练半监督滑窗全卷积网络；具体方式为：

5a)将滑窗的尺寸设置为128，使用滑窗操作，将整幅极化SAR图像切割为尺寸相同的Num个小图，Num的计算方式为：

Num＝(round((Height-W)/S)+1)×(round((Width-W)/S)+1)

其中，round表示向上取整，Height与Width分别表示极化SAR图像的高度和宽度，W与S分别表示滑窗的尺寸与步长；

5b)使用5a)得到的小图训练半监督滑窗全卷积网络；每次训练时，从一张或多张小图中提取N₁个有标签训练样本(x_i,y_i)及N₂个无标记训练样本(x_j)，1≤i≤N₁，1≤j≤N₂，N₁N₂；其中，x_i和x_j均为输入样本，x_i表示从小图中提取出的所有有标签的像素点，x_j表示从小图中提取出的所有无标签的像素点；y_i∈{0,1}^K代表独热编码格式的标签，为由K个元素组成的向量，向量中每个元素的取值为0或1，K代表类别数目；半监督滑窗全卷积网络的损失函数为：

其中，表示多类交叉熵损失，用于预测y；f_c(x_i)表示分类网络函数，是一个由K个元素组成的向量；和y_k中的下标k表示取向量的第k个元素；表示标准平方损失，f_r(x_i)与f_r(x_j)表示重构损失网络函数，λ表示平衡因子，用于平衡分类函数项和重构函数项的权重；

步骤6，使用步骤5训练得到的半监督滑窗全卷积网络对极化SAR图像进行分类，并统计测试样本的分类结果；具体方式为：针对极化SAR图像中有多个小图滑过的区域，对多个小图的分类结果进行加权求和，得到极化SAR图像的最终分类结果；

所述半监督滑窗全卷积网络由分类网络和重构网络两部分组成；其中，分类网络的架构为：输入层—卷积层—池化层—卷积层—池化层—卷积层—上采样层—上采样层—上采样层—上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×Numclass，其中Numclass代表类别数目；重构网络的架构为：输入层—卷积层—池化层—卷积层—池化层—卷积层—上采样层—上采样层—上采样层—上采样分类层，各层的维度分别为：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×15；分类网络与重构网络中的输入层—卷积层—池化层—卷积层—池化层—卷积层部分共享参数。