[發(fā)明專利]基于自監(jiān)督表征學(xué)習(xí)的極化SAR影像地物分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010854358.6
• 申請(qǐng)日: 2020-08-24
• 公開（公告）號(hào): CN112052754B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 任博;趙陽陽;侯彪;焦李成;馬晶晶;馬文萍
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V20/13;G06V10/56;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華

本發(fā)明提出一種基于自監(jiān)督表征學(xué)習(xí)的極化SAR影像地物分類方法，主要解決現(xiàn)有極化SAR深度卷積網(wǎng)絡(luò)分類所需標(biāo)簽數(shù)多、魯棒性差的問題。其方案是：對(duì)極化SAR原始數(shù)據(jù)進(jìn)行極化相干矩陣模態(tài)表征提取和Pauli色彩模態(tài)表征提取；設(shè)計(jì)自監(jiān)督表征學(xué)習(xí)損失函數(shù)及網(wǎng)絡(luò)框架，并在不使用標(biāo)簽數(shù)據(jù)的情況下對(duì)該框架進(jìn)行訓(xùn)練；將訓(xùn)練好的網(wǎng)絡(luò)框架權(quán)重值遷移到深度卷積分類網(wǎng)絡(luò)模型中；使用少量有標(biāo)簽樣本對(duì)該深度卷積分類網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練，得到訓(xùn)練好的分類器；將測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的分類器，得到最終的分類結(jié)果。本發(fā)明減少了對(duì)標(biāo)簽數(shù)據(jù)量的需求，提高了極化SAR深度卷積網(wǎng)絡(luò)的分類精度和魯棒性，可用于指導(dǎo)農(nóng)業(yè)和海洋監(jiān)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種極化SAR影像地物分類方法，可用指導(dǎo)農(nóng)業(yè)和海洋監(jiān)測(cè)。

背景技術(shù)

極化SAR圖像地物分類任務(wù)是將獲取的極化SAR圖像的每一個(gè)像素點(diǎn)劃分為不同的地形類別。在城市規(guī)劃、海洋監(jiān)測(cè)、地質(zhì)勘探以及農(nóng)作物生長狀況評(píng)估等領(lǐng)域，得到了廣泛的應(yīng)用并且有著廣闊的前景。

目前，極化SAR地物分類技術(shù)可以分為三個(gè)方向：第一種是基于極化散射機(jī)制來對(duì)極化SAR數(shù)據(jù)分類。大多數(shù)的此種分類方法都是基于Pauli分解、Freeman分解以及H/α分解這些極化目標(biāo)分解理論對(duì)極化目標(biāo)進(jìn)行分解，從而提取具有相關(guān)物理意義的極化散射特征，這些特征可以很好的對(duì)極化SAR地物進(jìn)行分類。第二類方法是基于極化相干矩陣的數(shù)學(xué)統(tǒng)計(jì)特性而提出的。研究表明，極化SAR數(shù)據(jù)的極化相干矩陣服從復(fù)Wishart分布，其通過計(jì)算數(shù)據(jù)之間的Wishart距離，可以完成對(duì)極化SAR數(shù)據(jù)的分類。第三類方法是利用機(jī)器學(xué)習(xí)的方法來對(duì)高維極化SAR數(shù)據(jù)進(jìn)行特征提取，從而實(shí)現(xiàn)對(duì)極化SAR數(shù)據(jù)地物分類。

所述機(jī)器學(xué)習(xí)相關(guān)方法在自然圖像處理領(lǐng)域取得了令人矚目的成就，且在遷移到極化SAR數(shù)據(jù)處理任務(wù)中，同樣也展示了優(yōu)越性。使用支持向量機(jī)SVM和主成分分析PCA等方法結(jié)合極化SAR目標(biāo)的散射特性，對(duì)高維極化SAR數(shù)據(jù)進(jìn)行特征提取，極大地提高了極化SAR數(shù)據(jù)的分類精度。隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，SiZhe?Chen,Haipeng?Wang,Feng?Xu,Ya-QiuJin，在其發(fā)表的論文“Polarimetric?SAR?Image?Classification?Using?DeepConvolutional?Neural?Networks”中提出了基于深度卷積網(wǎng)絡(luò)的極化SAR目標(biāo)分類方法。該方法可以自動(dòng)提取極化SAR數(shù)據(jù)中的高級(jí)特征語義表示，顯著的提高了極化SAR數(shù)據(jù)的地物分類精度。

盡管基于深度卷積網(wǎng)絡(luò)的極化SAR地物分類方法取得了優(yōu)異的成績。然而，訓(xùn)練基于深度卷積網(wǎng)絡(luò)的分類器需要大量的標(biāo)簽數(shù)據(jù)參與。當(dāng)標(biāo)簽數(shù)據(jù)有限時(shí)，訓(xùn)練出的分類器分類精度不高、魯棒性差。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于自監(jiān)督表示學(xué)習(xí)模型的極化SAR地物分類方法，以在標(biāo)簽數(shù)據(jù)有限情況下，提高極化SAR地物分類的準(zhǔn)確率和魯棒性。

本發(fā)明的技術(shù)思路是：通過設(shè)計(jì)合理的輔助任務(wù)和網(wǎng)絡(luò)模型提取極化SAR數(shù)據(jù)的兩種模態(tài)表示之間的互信息。通過該互信息為深度卷積網(wǎng)絡(luò)分類器提供極化SAR數(shù)據(jù)的先驗(yàn)知識(shí)，在先驗(yàn)知識(shí)的幫助下，使用有限的標(biāo)簽數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到準(zhǔn)確率高的分類器。

根據(jù)上述思路，本發(fā)明的步驟如下：

(1)通過不同衛(wèi)星獲取極化SAR影像數(shù)據(jù)，從影像數(shù)據(jù)中選取一個(gè)圖像子塊作為數(shù)據(jù)集S，從該數(shù)據(jù)集中，隨機(jī)選取5％的無標(biāo)簽像素點(diǎn)數(shù)據(jù)作為自監(jiān)督表征學(xué)習(xí)的訓(xùn)練集S₁，隨機(jī)選取1％的含標(biāo)簽信息像素點(diǎn)數(shù)據(jù)作為深度卷積網(wǎng)絡(luò)分類器的訓(xùn)練集S₂，剩下99％的含標(biāo)簽信息數(shù)據(jù)用作測(cè)試集S₃；

(2)提取數(shù)據(jù)集S的相干矩陣T，并利用相干矩陣的元素構(gòu)建9維向量特征表征，再對(duì)該特征表征周圍進(jìn)行寬度為7的“0”填充后，使用15×15大小的窗口對(duì)其進(jìn)行滑動(dòng)取窗裁剪，得到每個(gè)像素點(diǎn)以自身為中心，且大小為15×15×9的相干矩陣模態(tài)向量表征X；