[發(fā)明專利]基于半監(jiān)督滑窗全卷積網(wǎng)絡(luò)的極化SAR圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110254502.7
• 申請(qǐng)日: 2021-03-09
• 公開（公告）號(hào): CN112966749B
• 公開（公告）日: 2023-08-11
• 發(fā)明（設(shè)計(jì)）人: 陳彥橋;柴興華;張小龍
• 申請(qǐng)（專利權(quán)）人: 中國電子科技集團(tuán)公司第五十四研究所
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/774;G06N3/0464;G06N3/082;G06N3/0895
• 代理公司: 河北東尚律師事務(wù)所 13124
• 代理人: 王文慶

1.一種基于半監(jiān)督滑窗全卷積網(wǎng)絡(luò)的極化SAR圖像分類方法，其特征在于，包括如下步驟：

步驟1，輸入待分類的極化SAR圖像，獲取圖像各像素點(diǎn)的極化相干矩陣，并對(duì)其進(jìn)行精致Lee濾波，得到去噪后的極化相干矩陣T；

步驟2，對(duì)去噪后的極化相干矩陣T進(jìn)行H/A/α分解；

步驟3，將步驟1得到的去噪后的極化相干矩陣T和步驟2得到的H/A/α分解作為極化SAR圖像的原始特征，并將原始特征的每個(gè)元素歸一化到[0，1]；具體方式為：

3a)基于步驟1得到的去噪后的極化相干矩陣T，選取每個(gè)樣本的矩陣T的上三角處三個(gè)元素的實(shí)部以及虛部，以及矩陣T的對(duì)角線上的三個(gè)元素作為原始特征的第一部分，標(biāo)記為F1；

3b)基于步驟2得到的H/A/α分解，選取3個(gè)非負(fù)特征值以及熵、平均散射角和各向異性參數(shù)，將它們作為原始特征的第二部分，標(biāo)記為F2；

3c)將F1和F2合到一起，作為圖像的原始特征，標(biāo)記為F；

3d)將F中的每個(gè)元素歸一化到[0，1]；

步驟4，隨機(jī)選取部分極化SAR圖像的有標(biāo)記樣本作為訓(xùn)練樣本，剩余有標(biāo)記樣本作為測(cè)試集；

步驟5，使用步驟4得到的訓(xùn)練樣本訓(xùn)練半監(jiān)督滑窗全卷積網(wǎng)絡(luò)；具體方式為：

5a)將滑窗的尺寸設(shè)置為128，使用滑窗操作，將整幅極化SAR圖像切割為尺寸相同的Num個(gè)小圖，Num的計(jì)算方式為：

Num＝(round((Height-W)/S)+1)×(round((Width-W)/S)+1)

其中，round表示向上取整，Height與Width分別表示極化SAR圖像的高度和寬度，W與S分別表示滑窗的尺寸與步長(zhǎng)；

5b)使用5a)得到的小圖訓(xùn)練半監(jiān)督滑窗全卷積網(wǎng)絡(luò)；每次訓(xùn)練時(shí)，從一張或多張小圖中提取N₁個(gè)有標(biāo)簽訓(xùn)練樣本(x_i,y_i)及N₂個(gè)無標(biāo)記訓(xùn)練樣本(x_j)，1≤i≤N₁，1≤j≤N₂，N₁N₂；其中，x_i和x_j均為輸入樣本，x_i表示從小圖中提取出的所有有標(biāo)簽的像素點(diǎn)，x_j表示從小圖中提取出的所有無標(biāo)簽的像素點(diǎn)；y_i∈{0,1}^K代表獨(dú)熱編碼格式的標(biāo)簽，為由K個(gè)元素組成的向量，向量中每個(gè)元素的取值為0或1，K代表類別數(shù)目；半監(jiān)督滑窗全卷積網(wǎng)絡(luò)的損失函數(shù)為：

其中，表示多類交叉熵?fù)p失，用于預(yù)測(cè)y；f_c(x_i)表示分類網(wǎng)絡(luò)函數(shù)，是一個(gè)由K個(gè)元素組成的向量；和y_k中的下標(biāo)k表示取向量的第k個(gè)元素；表示標(biāo)準(zhǔn)平方損失，f_r(x_i)與f_r(x_j)表示重構(gòu)損失網(wǎng)絡(luò)函數(shù)，λ表示平衡因子，用于平衡分類函數(shù)項(xiàng)和重構(gòu)函數(shù)項(xiàng)的權(quán)重；

步驟6，使用步驟5訓(xùn)練得到的半監(jiān)督滑窗全卷積網(wǎng)絡(luò)對(duì)極化SAR圖像進(jìn)行分類，并統(tǒng)計(jì)測(cè)試樣本的分類結(jié)果；具體方式為：針對(duì)極化SAR圖像中有多個(gè)小圖滑過的區(qū)域，對(duì)多個(gè)小圖的分類結(jié)果進(jìn)行加權(quán)求和，得到極化SAR圖像的最終分類結(jié)果；

所述半監(jiān)督滑窗全卷積網(wǎng)絡(luò)由分類網(wǎng)絡(luò)和重構(gòu)網(wǎng)絡(luò)兩部分組成；其中，分類網(wǎng)絡(luò)的架構(gòu)為：輸入層—卷積層—池化層—卷積層—池化層—卷積層—上采樣層—上采樣層—上采樣層—上采樣分類層，各層的維度分別為：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×Numclass，其中Numclass代表類別數(shù)目；重構(gòu)網(wǎng)絡(luò)的架構(gòu)為：輸入層—卷積層—池化層—卷積層—池化層—卷積層—上采樣層—上采樣層—上采樣層—上采樣分類層，各層的維度分別為：128×128×15、64×64×30、32×32×30、16×16×60、8×8×60、8×8×120、16×16×60、32×32×30、64×64×30、128×128×15；分類網(wǎng)絡(luò)與重構(gòu)網(wǎng)絡(luò)中的輸入層—卷積層—池化層—卷積層—池化層—卷積層部分共享參數(shù)。