[發明專利]基于自步學習卷積神經網絡的極化SAR地物分類方法

有效

• 申請號: 201810254575.4
• 申請日: 2018-03-26
• 公開（公告）號: CN108564006B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 緱水平;陳文帥;王秀秀;張曉鵬;劉波;焦李成;白靜;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.基于自步學習卷積神經網絡的極化SAR地物分類方法，包括：

(1)利用polSARpro_v4.0軟件對原始極化SAR數據進行處理，獲得極化散射矩陣S和Pauli基下的偽彩色RGB圖；

(2)對每個像素根據它的極化散射矩陣S、偽彩色圖中的RGB值和鄰域像素信息構成三維矩陣X，用所有像素的三維矩陣構成樣本集，并在樣本集中隨機選取5％的樣本作為訓練樣本，剩下的作為測試樣本；

(3)構造由1個輸入層、3個卷積層、1個全連接層和1個softmax輸出層組成的卷積神經網絡，該卷積層和全連接層的激活函數選擇線性整流函數ReLU，且卷積層和全連接層用來學習樣本的抽象特征，softmax輸出層用來得到樣本的分類結果；

(4)利用訓練樣本對卷積神經網絡進行訓練：

(4a)設迭代次數為100、學習率α為0.005、學習率的衰減率為0.999，自步學習參數λ初始化為1，將網絡的權值矩陣W和網絡的偏置向量b初始化為接近于0的隨機數；

(4b)采用交替求解的方式優化網絡的權值矩陣W、網絡的偏置向量b和樣本權重v，即每次固定一個參數來求解另外的參數；

(4c)更新學習參數λ的值，即λ＝1.1×λ，進行下一次迭代，判斷迭代次數是否等于設定的次數，若是，結束訓練，否則，返回步驟(4b)；

(5)把測試樣本輸入到訓練好的卷積神經網絡中，得到分類結果。

2.根據權利要求1所述的方法，其中步驟(1)中對原始極化SAR數據進行處理，是采用polSARpro_v4.0軟件對原始數據變換得到極化SAR的極化散射矩陣S和Pauli基下的偽彩色RGB圖。

3.根據權利要求1所述的方法，其中步驟(2)中對每個像素根據它的極化散射矩陣S、偽彩色圖中的RGB值和鄰域像素信息構成三維矩陣X，按如下步驟進行：

(2a)通過如下矩陣S表示單個像素的散射特性：

其中，H表示水平極化，V表示垂直極化，S_HH表示水平發射水平接收的回波數據的散射強度，S_VV表示垂直發射垂直接收的回波數據的散射強度，S_HV表示水平發射垂直接收的回波數據的散射強度，S_VH表示垂直發射水平接收的回波數據的散射強度；

(2b)從極化散射矩陣S和偽彩色RGB圖中提取每個像素的特征向量x：

x＝[S_HH,S_HV,S_VH,S_VV,R,G,B]，

其中，R、G、B分別代表偽彩色RGB圖中紅、綠、藍三個顏色通道的強度值；

(2c)基于提取的特征向量x，以每個像素為中心進行取塊，取塊大小為n×n,n＝11，得到包含鄰域信息且大小為n×n×7的三維矩陣X：

其中，x₅₅為中心像素的特征向量，其余是鄰域像素的特征向量。

4.根據權利要求1所述的方法，其中步驟(3)構成卷積神經網絡的1個輸入層、3個卷積層、1個全連接層和1個softmax輸出層，是按順序依次進行連接，形成前面層的輸出值作為后面層輸入值的6層結結構，每層的大小不同，即：

第1層為輸入層，其大小等于輸入三維矩陣的大小，即11×11×7；

第2層為第1個卷積層，卷積核大小為3×3×7，卷積核個數為10，卷積運算的步長為1；

第3層和第4層分別為第2個和第3個卷積層，它們的卷積核大小均為3×3×10，卷積核個數是10，卷積運算的步長為1；

第5層為全連接層，其節點個數為90；

第6層為softmax輸出層，其節點個數等于全極化SAR數據中的地物類別個數。