[發明專利]基于深度雙向LSTM孿生網絡的極化SAR分類方法

有效

• 申請號: 201810539758.0
• 申請日: 2018-05-30
• 公開（公告）號: CN108846426B
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 楊淑媛;劉振;馬文萍;馮志璽;張凱;孟麗珠;邢穎慧;趙慧;馬宏斌;劉志;徐光穎
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 侯瓊;王品華

1.一種基于深度卷積雙向LSTM孿生網絡的極化SAR分類方法，其特征在于，包括如下步驟：

(1)輸入待分類極化SAR圖像及該極化SAR圖像所對應的真實地物標簽信息；

(2)對待分類的極化SAR圖像進行Lee濾波處理，去除相干斑噪聲干擾，得到濾波后的待分類極化SAR圖像數據；

(3)從濾波后待分類極化SAR圖像數據的極化協方差矩陣C中提取每個像素點的極化特征向量，利用空間鄰域信息，得到待分類極化SAR圖像數據的時序特征向量；按如下步驟進行：

(3a)極化SAR圖像數據中每個像素點的極化協方差矩陣C以維數為3*3矩陣表示：

(3b)根據極化SAR數據的極化協方差矩陣C提取對應像素點的極化特征向量：

I＝(|C₁₁|²,|C₂₂|²,|C₃₃|²,|Re[C₁₂]|²,|Re[C₁₃]|²,|Re[C₂₃]|²,|Im[C₂₁]|²,|Im[C₂₃]|²,|Im[C₃₁]|²)，

其中，C_ij為極化協方差矩陣C的第i行第j列的元素，且i,j∈{1,2,3}；|·|為取模運算；Re[·]為取實部運算；Im[·]為取虛部運算；

(3c)基于空間一致性假設，用每個像素點為中心的3*3鄰域窗口中的9個像素點作為LSTM網絡的9個時刻，并用其極化特征向量共同構成9*1*9維的時序數據作為待分類像素點的時序特征向量；具體通過如下方式得到：

設9個像素點的中心像素點為第k個待分類像素點，以該像素點為對稱中心將其周圍8個像素點劃分為左上和右下兩部分，再將待分類像素點k的極化特征向量置于中間時刻位置，待分類像素點k的左上半部分位于序列的前4個時刻、右下半部分位于序列的后4個時刻，得到第k個待分類像素點的時序特征向量x_k：

x_k＝[[I_k-r-1],[I_k-r+1],[I_k-r],[I_k-1],[I_k]，[I_k+1],[I_k+r],[I_k+r-1],[I_k+r+1]]，

其中，I_k為第k個像素點的極化特征向量，r為該待分類極化SAR圖像的行數，k＝1,2,...,M，M為該待分類極化SAR圖像像素點的個數；當計算下標小于等于0或大于M時，取該下標為當前像素點的標號k；

(4)從時序特征向量的每個類別中隨機選取10個樣本組成訓練樣本集D_L，其余作為測試樣本集D_T；

(5)對訓練樣本集D_L中的樣本兩兩組合，得到樣本對訓練集D_P，若樣本對中的兩個樣本屬于同一類別，則為正樣本對，否則為負樣本對；

(6)搭建深度卷積雙向LSTM孿生網絡：

(6a)構造權值共享的卷積雙向LSTM孿生網絡作為特征提取網絡；

(6b)在特征提取網絡之上，添加多層全連接分類網絡，共同組成深度卷積雙向LSTM孿生網絡；

(7)訓練深度卷積雙向LSTM孿生網絡：

(7a)利用樣本對訓練集D_P訓練權值共享的卷積雙向LSTM孿生網絡，實現極化SAR數據的差異化特征提取；

(7b)利用訓練樣本集D_L訓練包括全連接分類網絡在內的深度卷積雙向LSTM孿生網絡，以實現網絡的整體微調；

(8)利用所訓練好的深度卷積雙向LSTM孿生網絡對測試樣本集D_T的像素點進行類別預測，得到每個像素點的地物類別。