[发明专利]一种基于散射机制多通道扩张卷积神经网络的极化SAR地物分类方法

权利要求书

1.一种基于散射机制多通道扩张卷积神经网络的极化SAR地物分类方法，其特征在于：该方法的实施流程如下：

步骤1、数据预处理：

对PolSAR数据滤波、特征提取；

S1.1将PolSAR数据进行5×5的Lee滤波；

S1.2利用Freeman-Durden分解方法特征提取；

在全极化观测中，用于发送和接收的方式是线性水平和垂直极化，则极化后向散射矩阵[S]表示为：

H和V代表极化方式，H表示水平方向极化，V表示垂直方向极化；S_HH表示水平方向发射水平方向接收的极化回波数据，S_VV表示垂直方向发射垂直方向接收的极化回波数据；S_HV表示水平方向发射垂直方向接收的极化回波数据，S_VH表示垂直方向发射水平方向接收的极化回波数据；

将S矩阵进行变换得到极化SAR数据的另一种表示形式，极化协方差矩阵C；首先将S矩阵向量化得：

式中，[]^T表示矩阵转置；然后，将此向量跟自身的共轭转置矩阵相乘就可得到极化协方差矩阵：

完整的协方差矩阵表示为：

其中，()^*表示这个数据的共轭，＜＞表示按照极化视数取平均值；

将目标的极化协方差矩阵C分解为3种基本散射分量之和，过程如公式(2)所示：

式中，[C]_s对应表面散射，[C]_d对应二面角散射，[C]_v对应体散射；f_s对应着布拉格表面散射分量的贡献，f_d对应着二面角散射分量的贡献，f_v对应着体散射分量的贡献；β时表示HH后向散射与VV后向散射的比值，α被定义为α＝R_ghR_vh/R_gvR_vv，其中R_gh和R_gv分别表示地表的水平和垂直Fresnel系数，R_vh和R_vv表示竖直墙体的Fresnel系数；

Freeman-Durden分解的主要思路则是将极化协方差矩阵C分解为三种主要的散射机理，即面散射、二面角散射和体散射，其表现形式为：

其中，f_s，f_d，f_v分别对应面散射、二面角散射和体散射分量，P_s，P_d，P_v则对应着每个分量的散射功率；

步骤2、样本的划分：

在训练网络模型之前，需要划分数据样本：从所有标记样本中随机选取一定比例的训练样本，剩余标记样本作为测试样本；

步骤3、构建基于散射机制的多通道卷积神经网络：

S3.1网络结构

基于散射机制的多通道卷积神经网络由3个扩张卷积神经网络Dilated-CNN通道组成；为保证每个通道对最终的结果贡献相同，每个通道的结构设计相同，输入的数据尺寸大小也相同；每个通道的输入都为尺寸为15×15大小的一维特征的patch块，每个通道包含三个扩张卷积层和一个最大池化层；扩张卷积层包含三个操作：扩张卷积、批量归一化BN、修正线性单元ReLU函数；每个扩张卷积层内核包含3×3个非零权重，第一个卷积层有64个滤波器，膨胀因子为1；第二个卷积层有128个滤波器，膨胀因子为2；第三个卷积层有256个滤波器，膨胀因子为5；每个卷积层后面都有一个BN层，每一个卷积层的激活函数均为ReLU函数，最后一层是pool_size为2×2的最大池化层；将通过三通道提取得到的高级特征级联得到最终的特征输出；接着将输出的特征展开为一个1维张量再用全连接层将这个张量进一步抽象为一个1维长度为1024的特征张量，再通过一个全连接层变为一个1维长度为512的特征张量；再将该特征张量输入到一个全连接层中，全连接层使用Softmax函数激活，输出每一类预测的概率；

S3.2损失函数

交叉熵作为损失函数loss的表达式如式(1)所示，其中y为标签，为预测值，n为一个训练批次的样本总量，i为从1到n的样本下标；

S3.3优化器

使用AdaDelta优化器来更新网络中的参数，将学习率设置为0.1；AdaDelta算法结合AdaGrad和RMSProp两种算法，在模型训练的初期和中期，训练速度快；AdaDelta算法策略如式(8)所示：

其中W_t为第t次迭代的模型参数，g_t＝ΔJ(W_t)为代价函数关于W的梯度；E[g²]_t表示前t次的梯度平方的均值；表示前t-1模型参数每次的更新步长累加求根；

步骤4、训练网络模型：

网络的训练流程如下所示：

S4.1对网络参数初始化

S4.2开始进行一轮迭代，把一个批次的PolSAR图像数据训练样本输入到三通道网络中，经过网络的前向计算得到输出结果；

S4.3使用自定义损失函数得到本次迭代的损失，通过梯度求导的链式法则，将损失反向传播到网络的每一通道每一层得到该层权重W和偏置b的梯度，通过AdaDelta优化函数更新网络参数；

使用交叉熵和平均交叉熵相结合的新的损失函数；考虑到样本不平衡的问题，根据样本数量的先验概率为均匀分布的交叉熵加入一个权重系数，定义的新的损失函数如公式(4)所示；

前向传播最后输出一个预测值，将这个预测值和真实值用定义的损失函数来计算误差，然后将误差进行反向传播至每一个网络通道中，利用链式法则对权重求偏导数，然后对各个权重进行更新；最后通过AdaDelta优化函数更新网络参数；

S4.4回到S4.2进行下一个批次的迭代，直到所有的批次全都完成计算即为完成一轮迭代；

设置训练任务的迭代次数和模型保存的准确率阈值，然后网络不断的迭代训练，更新权重；每次迭代都输出损失函数，并且每次迭代输出当前迭代次数和损失函数；

S4.5重复以上步骤S4.1-S4.4，最后一直训练到达到满足迭代停止条件，保存最优的模型；训练过程中保存loss和accuracy的迭代值，存储后并输出；

步骤5、PolSAR图像地物分类：

在基于散射机制的多通道神经网络的训练完成之后，得到训练后的最优模型，在测试时加载模型；在对测试样本进行分类时，先将测试样本按照散射机制划分为三个特征通道数据，将三组数据分别输入网络的三通道中，得到分类结果概率矩阵，根据one-hot反编码得到最终的分类结果，保存分类结果并统计分类的准确率并在命令行显示。