[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

说明书

本发明公开了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，该方法的实施流程如下：步骤1、数据预处理；步骤2、样本的划分；步骤3、构建基于散射机制的多通道卷积神经网络；步骤4、训练网络模型；步骤5、PolSAR图像地物分类；本发明降低了特征提取过程中的复杂度，并且为了避免特征之间的相互干扰，将三种极化特征按照散射机制分别输入到三通道卷积神经网络进行特征提取，每个通道的网络参数设置相同，保证了每个通道对最终结果贡献相同；最终的分类结果也达到了比较好的效果。

技术领域

本发明涉及一种基于散射机制的多通道扩张卷积神经网络的极化SAR图像 地物分类方法，属于极化合成孔径雷达地物分类技术领域。

背景技术

全极化SAR可以工作在不同的收发极化组合下，具有比单极化SAR信息含 量高的特点。通过测量的极化散射矩阵可以完整地表征在特定姿态和观测频率下 目标的极化散射特性，而且电磁波的极化组合对目标的形状、尺寸、结构、材料 等敏感，因此全极化SAR可以极大地提升目标信息获取能力，已被广泛应用于 土地覆盖分类、目标识别、检测等领域。

近年来，基于深度学习的极化SAR地物分类方法得到了快速的发展。有别 于传统的机器学习和基于统计的方法，深度学习算法能够从低层的特征中学习高 层特征，极大地提高了特征对目标的表征能力。卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的一个重要分支，因其优越的特征提取能力 被广泛的应用在PolSAR图像分类中。在先前的工作中每个卷积层之后都会使用 一个局部池化，来减小特征图的大小。但这样会损失一部分信息，不利于图像进 行精确分类。

目前研究者已经使用分解得到的多个极化特征输入到卷积神经网络中应用 于PolSAR图像地物分类，这些方法使用了丰富的极化信息和高效的特征提取能 力取得了不错的结果。考虑到分解得到的极化特征之间不是相互独立的，将所有 的极化特征堆叠在一起输入网络增加了特征学习的难度，增加了计算成本，不利 于分类精度的进一步提升。并且在传统的卷积神经网络中，每个卷积层之后都有 一个池化层用于局部汇聚，来降低特征图的大小，简化网络复杂度的同时减少计 算量。但是这种方式会造成部分信息的损失，不利于更精确的分类。

本发明将分解得到的极化特征按照不同的散射机制划分，其中包括面散射、 二面角散射和体散射，并且将这些划分好的极化特征分别输入到不同的网络通道 中，避免了特征提取过程中不同极化特征之间的相互干扰，同时降低了网络学习 的复杂度，提高了学习的效率。为了避免在特征提取的过程中池化层会导致某些 信息的丢失，本发明的每一个网络通道设计使用扩展卷积神经网络用于特征提取， 避免了下采样造成的特征损失，以保留原始数据中的细节。每个通道的网络结构 以及参数相同，保证每个通道对最终分类结果的贡献相同。在网络上最后将三通 道提取得到的高级散射特征级联，经过两个全连接层后使用Softmax分类器，用 交叉熵作为损失函数来监督网络分类的结果。

发明内容

本发明主要目的是针对PolSAR图像分类过程中散射模型之间相互影响以及 特征冗余的问题，并且使用扩张卷积代替普通卷积，降低下采样造成的信息损失， 提供了一种基于散射机制的多通道扩张卷积神经网络的PolSAR图像地物分类方 法(DMCNN)。

本发明是在对PolSAR图像分类的相关方向进行了充分调研后，提出了基于 散射机制的多通道扩张卷积神经网络。和传统深度学习方法分类时直接输入待分 类样本后输出样本的预测类别不同。本发明使用了多通道卷积神经网络作为基础 网络结构，将PolSAR图像数据分解得到的极化特征按散射机制划分输入三个通 道，每个通道使用扩张卷积神经网络代替了传统的卷积神经网络，减少了下采样 造成的信息损失，并且每个通道的网络结构和参数设置相同。最后将三个通道提 取的高级特征级联经过两个全连接层和Softmax分类器得到分类结果。

本发明的技术方案具体来说，主要包括如下技术内容：