[發明專利]一種基于SAR影像的地物分類方法及裝置

在審

• 申請號: 202110267334.5
• 申請日: 2021-03-11
• 公開（公告）號: CN112883898A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 孫震笙;李娟;顧行發;余濤;占玉林;楊健;劉苗;王春梅;魏香琴
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

本申請提供了一種基于SAR影像的地物分類方法及裝置。該方法包括：利用深度學習模型對待分類區域的SAR影像進行粗分類，獲得初始地物類別；利用條件隨機場模型處理初始地物類別，獲得后驗概率；對后驗概率進行超像素邊界約束，獲得后驗約束概率；最后，根據后驗約束概率確定最終的地物類別。該方法在深度學習模型進行地物分類之后，引入條件隨機場模型和超像素，分別進行后驗處理和邊界約束處理，提升了識別SAR影像中各個像素所屬地物類別的準確度。

技術領域

本申請涉及圖像處理技術領域，尤其涉及一種基于SAR影像的地物分類方法及裝置。

背景技術

合成孔徑雷達(synthetic aperture radar，SAR)技術為遙感對地觀測提供了獨特的視角，其具有的穿透能力使得遙感數據源的時空維度得到很大擴展。作為微波遙感領域重要的基礎性研究之一，基于SAR影像的地物分類在城市遙感、精細農業、應急減災、海冰監測、溢油污染等領域展現了巨大的價值。

對SAR影像進行地物分類的現有方法主要包括：通過統計模型對SAR影響的強度分布進行建模，從而構建不同地物類別的差異性特征，以此區分影像中的地物類別；利用形態學方法對SAR影像做特征提取和重構，將影像圖轉換為特征圖，然后對SAR影像進行分類；還有的，利用信號變換分析方法充分突出SAR影像多方向的信號頻率特征，對空間頻率局部化分析，然后通過伸縮平移運算對信號逐步地多尺度細化(高頻處時間細分，低頻處頻率細分)達到地物分類的目的。

現有方法通常都忽視了SAR數據特有的散射機理及相干成像的隨機性特點，同時，沒有考慮SAR影像中地物的邊界區域，導致獲得的分類結果存在精度低、邊緣結構保持能力差以及實用性弱等缺點。

發明內容

本申請實施例提供了一種基于SAR影像的地物分類方法及裝置，利用條件隨機場模型對待分類SAR影像的初始分類結果進行后驗處理，以及進行超像素邊界約束，考慮了SAR數據的散射機理和相干成像的特點、以及邊緣結構特點，提高了SAR影像的分類精度。

第一方面，本申請實施例提供了一種基于SAR影像的地物分類方法，該方法包括：

獲取待分類區域的SAR影像，SAR影像中包括多個像素；

利用深度學習模型獲得多個像素所屬的初始地物類別；

根據多個像素所屬的初始地物類別，利用條件隨機場模型獲得多個像素屬于各個地物類別的后驗概率，初始地物類別為各個地物類別中的任意一種；

對多個像素屬于各個地物類別的后驗概率進行超像素邊界約束，獲得多個像素屬于各個地物類別的后驗約束概率；

根據多個像素屬于各個地物類別的后驗約束概率，確定多個像素所屬的地物類別。

本申請實施例中，通過條件隨機場模型對深度學習模型獲得的初分類結果進行后驗，借助條件隨機場模型體現出了SAR各像素之間的空間相關性，將SAR影像的散射和相干成像的特點考慮在內，使得分類更加精確；此外，對后驗的結果進行超像素約束，進一步加強的分類結果的準確性。

在一種可能的實施方式中，在利用預先訓練的深度學習模型獲得多個像素所屬的初始地物類別之前，方法還包括：

利用預先獲得的訓練樣本訓練深度學習模型，訓練樣本根據SAR影像對應的目視解譯結果確定，深度學習模型由卷積神經網絡組成。

本申請實施例中，通過SAR影響的目視解譯結果獲得訓練樣本，充分利用了影像中的局部紋理強相關性特征，提高了深度學習模型的分類結果的準確性。

在一種可能的實施方式中，根據多個像素所屬的初始地物類別，利用條件隨機場模型獲得多個像素屬于各個地物類別的后驗概率包括：

將多個像素所屬的初始地物類別和多個像素的像素值代入條件隨機場模型；