[发明专利]基于深度语义拓扑融合网络的极化SAR图像分类方法

说明书

本发明公开了一种基于深度语义拓扑融合网络的极化SAR图像分类方法，包括：获取待分类极化SAR图像和对应的地物真实标记图；对待分类极化SAR图像进行预处理，并预处理后的极化SAR图像各个像素点的极化相干矩阵归一化；从归一化后的极化相干矩阵中提取每个像素点的特征向量，并根据所有像素点的特征向量集合构造待分类极化SAR图像的特征矩阵；根据地物真实标记图和待分类极化SAR图像的特征矩阵，构造训练数据集和测试数据集；构建深度语义拓扑融合网络模型；利用训练数据集对深度语义拓扑融合网络模型进行训练；利用训练好的深度语义拓扑融合网络模型对测试数据集中的待分类极化SAR图像进行分类。本发明能够有效提高极化SAR图像的分类准确率。

技术领域

本发明涉及极化合成孔径雷达图像处理技术领域，尤其涉及一种基于深度语义拓扑融合网络的极化SAR图像分类方法。

背景技术

目前，在基于深度特征学习的极化合成孔径雷达(Polarimetric SyntheticAperture Rader，称极化SAR)图像分类技术领域中，基于CNN框架的深度学习模型得到广泛研究。然而由于CNN利用大小固定的卷积核对规则区域执行卷积，CNN仅能建模短距离的局部空间关系，无法捕获中长期非局部空间关系反映的类别间的整体特性，这限制了极化SAR图像分类性能的进一步提升。

为了解决上述问题，已有学者提出基于图结构的图卷积神经网络GCN用于极化SAR图像分类。由于图结构属于拓扑结构，图中节点的邻域不限于局部，基于图结构的图卷积神经网络GCN能够打破CNN中固定卷积核引发的空间限制，建模描述样本(节点)之间的中长期非局部空间关系，也因此能够捕获极化SAR图像中类别间的整体特性，有助于改善分类性能。例如，Cheng等人提出利用基于多尺度超像素分割的图卷积神经网络SP-GCN对极化SAR图像进行分类(参见文献：J.Cheng et al,“PolSAR image classification withmultiscale superpixel-based graph convolutional network,”IEEE Transactions onGeoscience and Remote Sensing,2021,60:5209314)。

但目前出现的对极化SAR图像分类的图卷积神经网络GCN存在以下问题：

一是，已出现的图卷积神经网络模型需要对整幅极化SAR图像建立精确的图结构，并进行全图训练学习，因此计算复杂度和计算量高；

二是，已出现的图卷积神经网络模型难以对新的图节点进行聚合和预测，因此灵活性和泛化性差；

三是，已出现的图卷积神经网络模型提取的判别特征单一，只能捕获地物目标的部分信息，不足以精准分类复杂极化SAR图像中的相似地物目标。

发明内容

为解决背景技术中存在的技术问题，本发明提出一种基于深度语义拓扑融合网络的极化SAR图像分类方法。

本发明提出的一种基于深度语义拓扑融合网络的极化SAR图像分类方法，包括：

获取待分类极化SAR图像和对应的地物真实标记图；对待分类极化SAR图像进行预处理，并计算得到预处理后的极化SAR图像各个像素点的极化相干矩阵，并对极化相干矩阵进行归一化，得到归一化后的极化相干矩阵；从归一化后的极化相干矩阵中提取每个像素点的特征向量，并根据所有像素点的特征向量集合构造待分类极化SAR图像的特征矩阵；根据地物真实标记图和待分类极化SAR图像的特征矩阵，构造训练数据集和测试数据集；构建深度语义拓扑融合网络模型；利用训练数据集对深度语义拓扑融合网络模型进行训练，得到训练好的深度语义拓扑融合网络模型；利用训练好的深度语义拓扑融合网络模型对测试数据集中的待分类极化SAR图像进行分类，得到待分类极化SAR图像的分类结果。

优选地，深度语义拓扑融合网络模型包含输入层、语义信息提取模块、拓扑信息提取模块、特征融合模块和Softmax分类器输出层；