[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

本發明公開一種基于深度卷積雙向LSTM孿生網絡的極化SAR分類方法，主要解決現有方法中由于極化SAR數據標記樣本較少造成分類精度低的問題。其實現步驟為：1)輸入待分類極化SAR圖像與其真實地物標記，并進行Lee濾波；2)從濾波后的數據中提取時序特征向量并劃分訓練集和測試集；3)對訓練集中的樣本兩兩組合得到樣本對訓練集；4)搭建深度卷積雙向LSTM孿生網絡并用訓練集和樣本對訓練集對其進行訓練；5)用訓練好的網絡對測試集樣本進行分類，獲得地物類別。本發明在孿生架構下擴充訓練集、提取差異化特征，于小樣本標記條件下更為合理且充分的利用空間鄰域信息進行雙向時序建模，使模型分類準確率大幅度提高。

技術領域

本發明屬于圖像處理技術領域，進一步涉及極化SAR數據地物分類方法，具體為一種基于深度卷積雙向LSTM孿生網絡的極化SAR分類方法，可用于圖像分類、地物分類以及目標識別。

背景技術

極化SAR是一種能夠對目標進行全極化測量的新型雷達技術，在全極化方式下，通過交替發射并同時接收水平極化與垂直極化的兩種電磁波可以獲得HH、HV、VH、VV四種不同的極化散射回波信息，組成目標的極化散射矩陣。該極化散射矩陣包含了被測地物目標完整的電磁散射特性，能夠對目標進行全面的表達和描述，對地物的識別和區分能力較好。通過對極化散射矩陣的分析與變換，可以獲得被測目標的全部極化散射特性和極化信息，為后續地物目標的識別、分類以及檢測等提供全面、準確的信息。因此，極化SAR在目標檢測、目標識別以及地物分類等應用領域具有十分突出的優勢，被廣泛應用于軍事、農業和導航等眾多領域。

近些年，經過眾多專家學者的研究與探索，極化SAR數據地物分類方法獲得了快速發展，并被廣泛應用。其中，基于極化統計分布與目標分解的方法和基于深度學習的方法逐漸成為極化SAR數據地物分類的研究重點。

西安電子科技大學在其申請的專利文獻“基于空間信息和深度學習的極化SAR圖像分類方法”(專利申請號：CN201710311299.6，公開號：CN107145860A)中提出了一種基于空間信息和深度學習的極化SAR圖像分類方法。該方法首先對待分類的極化SAR數據的極化相干矩陣進行濾波，再通過對濾波之后的極化相干矩陣進行特征值分解和Freeman分解來計算H/A/alpha和Freeman分解參數等極化SAR圖像的空間信息，并將空間信息與相干矩陣的向量化結果進行融合得到多維極化特征向量，然后用極化SAR圖像的多維極化特征向量訓練深度置信網絡，最后用訓練好的深度置信網絡完成分類。該方法雖然充分利用了極化SAR數據的目標分解特性，但該方法仍然存在的不足之處在于特征的人工設計和提取復雜，對極化SAR專業知識要求較高。

西安電子科技大學在其申請的專利文獻“基于RBM和SVM的極化SAR圖像分類方法”(專利申請號：CN201410597098.3，公開號：CN104331706A)中提出了一種基于RBM和SVM的極化SAR圖像分類方法。該方法首先對待分類的極化SAR圖像數據進行Lee濾波，去除相干斑噪聲，得到濾波后的極化SAR圖像，再利用極化相干矩陣和協方差矩陣以及Cloude分解提取特征，結合空間鄰域信息構造輸入特征向量并做歸一化，然后訓練RBM網絡提取極化SAR數據特征，最后利用SVM對RBM所提取的特征進行分類完成未知標簽數據的預測。該方法雖然充分利用了極化SAR數據的有標記樣本的監督信息，提高了分類準確率，但該方法對于空間鄰域信息只做了簡單線性連接，其利用方式并不合理，容易引入數據冗余和噪聲干擾，從而對數據分類造成干擾。

發明內容

本發明的目的在于針對上述已有技術的弊端和不足，提出一種基于深度卷積雙向Bi-LSTM孿生網絡的小樣本極化SAR地物分類方法，以在小樣本標記條件下更為合理且充分的利用空間鄰域信息，在降低標記成本的同時極大地提高分類精度。

實現本發明的技術方案包括如下：

(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；