[發明專利]基于自監督表征學習的極化SAR影像地物分類方法

有效

• 申請號: 202010854358.6
• 申請日: 2020-08-24
• 公開（公告）號: CN112052754B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 任博;趙陽陽;侯彪;焦李成;馬晶晶;馬文萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/13;G06V10/56;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于自監督表征學習的極化SAR影像地物分類方法，其特征在于，包括如下：

(1)通過不同衛星獲取極化SAR影像數據，從影像數據中選取一個圖像子塊作為數據集S，從該數據集中，隨機選取5％的無標簽像素點數據作為自監督表征學習的訓練集S₁，隨機選取1％的含標簽信息像素點數據作為深度卷積網絡分類器的訓練集S₂，剩下99％的含標簽信息數據用作測試集S₃；

(2)提取數據集S的相干矩陣T，并利用相干矩陣的元素構建9維向量特征表征，再對該特征表征周圍進行寬度為7的“0”填充后，使用15×15大小的窗口對其進行滑動取窗裁剪，得到每個像素點以自身為中心，且大小為15×15×9的相干矩陣模態向量表征X；

(3)利用PolSARPro軟件對數據集S進行Pauli分解，得到Pauli偽彩圖，對該偽彩圖的周圍先進行寬度為7的“0”填充，再使用15×15大小的窗口進行滑動取窗裁剪，得到每個像素點以自身為中心，且大小為15×15×3的色彩模態特征向量表征Y；

(4)搭建極化SAR自監督表征學習網絡框架M：

(4a)構建結構依次為：輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、第三卷積層、第四卷積層、第五卷積層、第三池化層、第一全連層、第二全連層、第三全連接層的第一深度卷積網絡模型M₁，

(4b)構建除輸入層外，網絡結構關系與第一深度卷積網絡模型M₁相同的第二深度卷積網絡模型M₂，

(4c)構建與M₁網絡結構和參數相同的第三深度卷積網絡模型M₃；

(4d)構建與M₂網絡結構和參數相同的第四深度卷積網絡模型M₄；

(4e)將M₁、M₂、M₃、M₄這四個網絡模型的輸出端并聯連接，構建一個四流輸入的自監督表征學習網絡框架M；

(5)設計自監督表征學習的損失函數L:

其中，x_i表示第i個樣本的相干矩陣模態表征，x_j表示第j個樣本的相干矩陣模態表征，(x_i,x_j)∈X，且x_i≠x_j，y_i表示第i個樣本的Pauli色彩模態表征，y_j表示第j個樣本的Pauli色彩模態表征，(y_i,y_j)∈Y，且y_i≠y_j，f(x_i)表示x_i輸入到第一深度卷積網絡模型M₁中得到的第一相干矩陣模態向量表征，g(y_i)表示y_i輸入到第二深度卷積網絡模型M₂中得到的第一Pauli色彩模態向量表征，f(x_j)表示x_j輸入到第三深度卷積網絡模型M₃中得到的第二相干矩陣模態向量表征，g(y_j)表示y_j輸入到第四深度卷積網絡模型M₄中得到的第二Pauli色彩模態向量表征，d(f(x_i),g(y_i))表示f(x_i)與g(y_i)之間的余弦距離，d(f(x_j),g(y_j))表示f(x_j)與g(y_j)之間的余弦距離，d(f(x_i),f(x_j))表示f(x_i)與f(x_j)之間的余弦距離，d(g(y_i),g(y_j))表示f(y_i)與f(y_j)之間的余弦距離；

(6)將自監督表征學習訓練集S₁輸入到搭建好的極化SAR自監督表征學習網絡框架M中，利用損失函數L對其進行訓練，得到訓練好的第一深度卷積網絡模型M₁的權重值；

(7)構建與M₁網絡結構相同的第五深度卷積網絡模型M₅，并將M₅中第三全連接層的輸出節點個數更改為數據集S的樣本類別值，并利用(6)得到的訓練好的模型權重值對M₅的權重值進行初始化；

(8)將上述深度卷積網絡分類器訓練集S₂輸入到第五深度卷積網絡模型M₅，利用交叉熵損失函數F對其進行訓練，得到訓練好的極化SAR深度卷積網絡分類器；

(9)將測試集S₃輸入訓練好的分類器得到分類結果。