[發明專利]基于深度遞歸網絡下小樣本極化合成孔徑雷達圖像分類方法

在審

• 申請號: 201911301348.3
• 申請日: 2019-12-17
• 公開（公告）號: CN110956221A
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 張帆;倪軍;尹嬙;周勇勝;洪文
• 申請（專利權）人: 北京化工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/46;G06K9/00;G06K9/46
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了基于深度遞歸網絡下小樣本PolSAR圖像分類方法，本發明借鑒了深度遞歸網絡的復雜性和空間分析的優勢，對小樣本數據首先進行了特征增強，然后選取0.5％的樣本作為訓練樣本，同時每個點只使用了5個特征序列來作為訓練樣本。此外，本發明提出了RNBP的樣本合成方法類提升訓練樣本的豐富度，同時提出MB和MBW來提升測試樣板的魯棒性，從而達到小樣本較優的分類效果。在深度遞歸網絡的構建中，本發明使用LSTM作為基本的處理單元，每個空間的樣本序列對應一個LSTM時間單元，從而使其充分兼顧PolSAR的空間特征，從而實現分類。最后在深度遞歸網絡得到的概率圖基礎上，利用CRF進行空間紋理分析，以實現最優的小樣本決策分類過程。

技術領域

本發明涉及一種基于基于深度遞歸學習網絡下的小樣本極化合成孔徑雷達圖像分類方法，屬于計算機視覺領域。

背景技術

合成孔徑雷達(SAR)是一種全天時、全天候，具有高分辨率、高穿透性的獲取地面數據的方法，具有很高的民用和商用價值。解譯SAR圖像能夠獲得很多有用的信息，因此SAR圖像的解譯是SAR實際應用中的重要部分。傳統的機器學習和深度學習是SAR圖像解譯的兩種主要方法。SAR成像比其他傳感器更加穩定，不容易受到天氣、光線和其他條件的影響。同時SAR的另一個優點是能生成大量的地面信息數據。但是手動處理如此大量的數據是很困難的。

基于傳統機器學習和深度學習的計算機視覺圖像處理技術能很好的為解決數據量大的問題。傳統的機器學習方法具有嚴密的數學理論作為支撐，對計算資源的需要低于神經網絡，同時分類和識別的精度還能一定程度上滿足需求。隨著計算機計算能力的提升，基于神經網絡的相關處理方法大放異彩，這些方法往往在分類和識別的精度上遠高于機器學習的方法。但是神經網絡的分類和識別方法依賴于大量的訓練數據，實際應用與現實條件中往往無法獲得如此海量的訓練數據，這需要大量的人力成本去收集與標注。過少的訓練樣本最后會導致神經網絡過擬合的發生，也就是在訓練樣本上具有很高的分類或識別的精度，但是在測試和實際使用中效果極差。深度遞歸網絡依靠其卓越的捕捉上下文信息的能力，其復雜的網絡架構能夠使得網絡對訓練樣本量的要求較小，從而更能適用于小樣本極化SAR的分類任務。

另外由于神經網絡有模型可解釋性差的缺點，導致在優化時難以找到指導性的方向。我們使用的樣本特征融合了傳統無監督學習得到的特征樣本，深度遞歸網絡則用于獲取上下文序列之間的關系和深層的樣本特征，從而達到更優的分類效果。這樣的組合既發揮了神經網絡充分利用計算資源的編碼能力，又部分地規避了以往神經網絡的建模結果難以解釋的問題，讓之后的改進和優化更加有跡可循。在現實條件下，不僅需要大量人力來標注樣本，同時還面臨著可能部分類別樣本缺少的情況。我們提出的隨機鄰域像素塊組合(RNBP)能夠在現有訓練樣本的基礎上，構建多種未知，可能出現的訓練樣本用于增強訓練樣本量。同時，利用測試樣本空間特征的魯棒性分析，提出了多塊組合(MB)和多塊組合權值(MBW)模型來消除測試數據中可能存在的離群值，以增強測試樣本的測試準確度。

最后，對于遙感圖像的分類而言，由于臨近的像素屬于同一類別的概率往往要比不同類的概率大得多，因此能夠對分類得到概率圖模型進行空譜的紋理分析，能夠得到更好的分類效果。條件隨機場(CRF)進行能夠在概率圖的基礎上實現紋理分析，從而達到最優的分類決策。

發明內容

本發明的主要目的是提供一種基于深度遞歸網絡在小樣本情況下實現極化合成孔徑雷達圖像分類的方法。