[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

本發明公開了一種基于自步學習卷積神經網絡的極化SAR地物分類方法，主要解決現有技術對復雜地物場景分類正確率低和受噪聲影響大的問題。其實現方案為：1.從原始全極化SAR數據中獲取極化散射矩陣S和Pauli基下的偽彩色RGB圖；2.對每個像素構造三維矩陣組成樣本集，并構造訓練樣本和測試樣本集；3.構造卷積神經網絡并基于自步學習對該卷積神經網絡進行訓練以加速網絡收斂提升網絡的泛化能力；4.利用訓練好的卷積神經網絡對測試樣本進行分類，得到最終的全極化SAR地物分類結果。本發明提高了對極化SAR圖像中復雜地物場景的目標地物的分類正確率，可用于地物分類和目標識別。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及一種極化SAR地物分類方法，可適用于地物分類和目標識別。

背景技術

隨著微波遙感技術的發展，高分辨率極化合成孔徑雷達已經成為SAR領域發展的必然趨勢，而極化SAR圖像分類作為極化SAR圖像解譯的重要方式之一已經廣泛應用于國防、民用等諸多領域。雖然高分辨率極化合成孔徑雷達包含了豐富的后向散射信息，但是目前現有的分類算法僅僅采用了淺層極化特征，其無法充分的表示圖像中包含的復雜場景信息。

極化SAR圖像的分類涉到統計學習、模式識別、信號處理等眾多學科，隸屬于圖像處理的范疇。現有的極化SAR圖像分類技術，主要是基于極化散射矩陣S、極化相干矩陣T和極化協方差矩陣C進行極化分解來提取特征，常見的特征包括極化相干矩陣T的特征值和特征向量，以及采用Cloude分解得到的散射熵H、散射角α和各向異性系數A和采用Freeman分解得到的三種散射功率等。通過這些分類特征再利用常用的一些分類算法，進而實現極化SAR圖像中不同地物目標的分類，例如：

遼寧工程技術大學在其申請的專利“基于散射熵和三分量分解平面的極化SAR圖像分類方法”(專利申請號：201611207749.9，公開號：CN 106778884A)中提出了一種基于散射熵和三分量分解平面的極化SAR圖像分類方法。該方法提出的一種極化SAR圖像分類方法包括：提取極化SAR圖像散射熵H、表面散射功率Ps、偶次散射功率Pd和體散射功率Pv；根據散射熵H將地物分為高熵散射地物、中熵散射地物和低熵散射3個地物類別；分別將3個類別按表面散射、偶次散射和體散射劃分為9類地物；用Wishart分類器對初始分類進行更進一步的劃分得到所述極化SAR圖像的分類結果。該方法雖然能夠對極化SAR圖像進行準確的分類，能較好的保留細節信息，大大減少城鎮地區的錯誤分類。但是，該方法在劃分類別上具有很大的局限性，而且對于那些不屬于表面散射、偶次散射和體散射的復雜場景，該方法無法獲得很好的分類結果。

中國人民解放軍國防科學技術大學在其申請的專利“一種結合旋轉域極化零角特征的極化SAR地物分類方法”(專利申請號：201710088598.8，公開號：CN 106909939A)中提出了一種結合旋轉域極化零角特征的極化SAR地物分類方法。該方法提出的一種SAR圖像分類方法包括：選擇待分類的極化SAR圖像進行相干斑濾波；基于濾波后的極化SAR圖像提取出其中各像素點相應的極化特征參數；對極化特征參數進行歸一化；選擇訓練樣本和測試樣本；利用訓練樣本訓練SVM分類器；對測試樣本進行分類處理得到分類結果。該方法雖然實現簡單,對不同時相的極化SAR圖像數據具有很好的魯棒性。但是該方法的不足之處是：目前仍缺少對極化特征參數更優的選擇準則，而且僅僅利用SAR圖像的極化特征參數并不能對圖像進行充分的表達，這會直接影響分類的最終結果。

發明內容

本發明的目的在于針對上述現有技術的不足，提出一種基于自步學習卷積神經網絡的極化SAR地物分類方法，以提高分類目標的準確性。

本發明的技術方案是：利用卷積神經網絡實現對全極化SAR原始數據進行更有效的表示，利用自步學習算法改進網絡的訓練過程，讓網絡先學習簡單的樣本再逐步學習復雜的樣本，以提升網絡的泛化能力，其實現步驟包括如下：

(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；