[发明专利]基于卷积神经网络的极化SAR地物分类方法

摘要

本发明提供一种基于卷积神经网络的极化SAR地物分类方法。技术方案是计算相极化SAR图像中各个像素点相应的两个旋转域零角特征及四个传统的旋转不变特征，以上述六个特征参数作为分类特征集，形成多层特征图，再基于归一化后的多层特征图，以切片的形式输入至新搭建的高性能CNN分类器之中，经过相应的训练处理，以利用训练所得模型实现对极化SAR图像中不同地物类别像素点的分类处理。本发明实现简单，计算效率高，分类效果好。

主权项

一种基于卷积神经网络的极化SAR地物分类方法，SAR是指合成孔径雷达，具体包括下述步骤：设极化SAR图像中，位置坐标为(i,j)的像素点的极化相干矩阵为T(ij)，i＝1,2,…,I且j＝1,2,…,J，极化SAR图像的大小为I×J；对于任意一个极化相干矩阵T(ij)，进行下面第一步至第三步的处理，从而提取得到归一化多层特征图：第一步，相干斑滤波；对各像素点所对应的极化相干矩阵分别进行相干斑滤波，得到相干斑滤波后极化SAR图像中每个像素点的极化相干矩阵，记为T~(ij)=T~11(ij)T~12(ij)T~13(ij)T~21(ij)T~22(ij)T~23(ij)T~31(ij)T~32(ij)T~33(ij);]]>第二步，极化特征提取；提取相应极化特征的具体过程如下：①旋转域零角特征的提取：利用下面两式分别计算两个旋转域零角特征和θnull_Re[T12(θ)](ij)=-12Angle{Re[T~13(ij)]+jRe[T~12(ij)]}]]>θnull_Im[T12(θ)](ij)=-12Angle{Im[T~13(ij)]+jIm[T~12(ij)]}]]>其中，Angle{·}表示取复数的相位，相应取值范围为[‑π,π]；Re[·]和Im[·]则分别表示取复数的实部以及虚部；②旋转不变特征的提取：利用Cloude‑Pottier极化目标分解方法，对于每个计算提取得到相应的极化熵H(ij)、极化平均角α(ij)和极化反熵A(ij)三个旋转不变特征；同时利用下式计算总散射能量第三步，特征归一化；设极化SAR图像中，位置坐标为(i,j)的像素点所用于地物分类的特征参数集为i＝1,2,…,I且j＝1,2,…,J；v＝1,2,…,6，且具体有：F1(ij)=θnull_Re[T12(θ)](ij),F2(ij)=θnull_Im[T12(θ)](ij),]]>F3(ij)=H(ij),F4(ij)=A(ij),F5(ij)=α(ij),F6(ij)=Span(ij)]]>则针对任意的均按照下式进行归一化处理：其中，即归一化处理后的取值，且范围为[0,1]；则对于整幅极化SAR图像即可得到上述六个极化特征经归一化处理后的六幅特征图，记为H、A、α及Span，组成归一化多层特征图；第四步，CNN分类器训练；本发明所采用的CNN分类器具体有十二层结构，依次包括第一卷积层Conv1、修正线性单元层ReLU、第一最大池化层MaxPooling1、第二卷积层Conv2、修正线性单元层ReLU、第二最大池化层MaxPooling2、第三卷积层Conv3、修正线性单元层ReLU、第一全连接层FC1、修正线性单元层ReLU、第二全连接层FC2和一个Softmax分类器；该CNN分类器的输入数据为15×15×d尺寸大小的多层特征切片，其中d代表特征切片层数，即所用特征个数，在本发明中d＝6，在各单一特征下输入切片的尺寸大小均为15×15；该CNN分类器的层次结构及相关细节如表1；表1在训练时，基于已知的极化SAR图像数据所对应的真实地物类别标记图，利用归一化多层特征图，提取得到尺寸大小为15×15×d的多层特征切片，并确定其各自相应的地物类别标记，作为CNN分类器的输入，对CNN分类器进行训练；第五步，分类处理；对待分类的极化SAR图像，利用第一步至第三步的过程提取得到其归一化多层特征图；设其中任意的像素点位置为(i*,j*)，i*＝8,9,…,(I‑7)且j*＝8,9,…,(J‑7)，则以(i*,j*)为中心提取出尺寸大小为15×15×d的多层特征切片，输入到上一步训练好的CNN分类器之中，由CNN分类器判断得到该多层特征切片的所属地物类别，并以此作为(i*,j*)位置像素点的所属地物类别。