CN107239757B - 一种基于深度阶梯网的极化sar影像目标检测方法 - Google Patents

一种基于深度阶梯网的极化sar影像目标检测方法 Download PDF

Info

Publication number
CN107239757B
CN107239757B CN201710370455.6A CN201710370455A CN107239757B CN 107239757 B CN107239757 B CN 107239757B CN 201710370455 A CN201710370455 A CN 201710370455A CN 107239757 B CN107239757 B CN 107239757B
Authority
CN
China
Prior art keywords
matrix
scattering
sar image
polarization
polarized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710370455.6A
Other languages
English (en)
Other versions
CN107239757A (zh
Inventor
焦李成
屈嵘
高倩
马文萍
杨淑媛
侯彪
刘芳
尚荣华
张向荣
张丹
唐旭
马晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710370455.6A priority Critical patent/CN107239757B/zh
Publication of CN107239757A publication Critical patent/CN107239757A/zh
Application granted granted Critical
Publication of CN107239757B publication Critical patent/CN107239757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于深度阶梯网的极化SAR影像目标检测方法，其方案是：输入待检测的极化SAR图像，对极化相干矩阵T进行Lee滤波；对滤波后的T求解得到极化协方差矩阵C；对极化协方差矩阵C进行Yamaguchi分解，构成基于像素点的特征矩阵F；对F归一化，并对归一化后的特征矩阵F1中的每个元素取块，拉成一列，构成基于图像块的特征矩阵F2；根据F2得到训练集D；使用超像素中的SLIC算法得到测试集T；构造基于深度阶梯网的目标检测模型；用训练数据集D对目标检测模型进行训练；利用训练好的目标检测模型对测试数据集T进行分类。本发明使用了深度阶梯网，仅使用少量有类标样本就获得了很高的目标检测精度，本发明可用于地物分类。

Description

一种基于深度阶梯网的极化SAR影像目标检测方法
【技术领域】
本发明属于图像处理技术领域，具体涉及一种极化SAR影像的目标检测方法，可用于地物分类，具体是一种基于深度阶梯网的极化SAR影像目标检测方法。
【背景技术】
合成孔径雷达(SAR)作为各种遥感手段中唯一具有全天时全天候遥感成像能力的雷达，在遥感领域具有无可替代的作用，目前已得到广泛应用。极化合成孔径雷达(极化SAR)是建立在传统SAR体制上的新型SAR体制雷达，它的出现极大地拓宽了SAR应用领域。
随着极化SAR系统的推广，所获得的全极化数据也越来越丰富。如何对图像做出快速而准确的解译，如何有效地对目标进行分类或检测，已成为迫切需要解决的一个难题。
根据是否利用先验信息，极化SAR影像的分类可分为基于单像素点的分类方法和结合邻域信息的分类方法。根据是否需要人工指导，极化SAR影像的分类可分为有监督分类、半监督分类和无监督分类。传统大多数方法是有监督的分类方法，例如：复Wishart分布的极化相干矩阵监督分类方法，人工神经网络NN和支持向量机SVM等方法。
除了有监督分类，还可以用无监督或半监督分类实现极化SAR影像目标检测。而以上方法都是有监督分类方法，需要大量的有类标数据，成本较高，需耗费大量的人力财力。
【发明内容】
针对上述现有技术中存在的问题，本发明的目的在于提供出一种基于深度阶梯网的极化SAR影像目标检测方法，该方法仅使用少量有类标样本，即可获得较高的城区目标检测精度。
为实现上述目的，本发明的技术方案包括如下步骤：
一种基于深度阶梯网的极化SAR影像目标检测方法，包括如下步骤：
(1)对待检测的极化SAR影像的极化相干矩阵T进行Lee滤波，得到滤波后的极化相干矩阵T；
(2)通过滤波后的极化相干矩阵T求得极化协方差矩阵C；
(3)对极化协方差矩阵C进行Yamaguchi分解，得到奇次散射能量、偶次散射能量、体散射能量和螺旋体散射能量，取奇次散射能量、偶次散射能量、体散射能量作为极化SAR图像的三维图像特征，构成基于像素点的特征矩阵F，并生成伪彩图P；
(4)将基于像素点的特征矩阵F中的元素值归一化到[0，1]之间，记作特征矩阵F1；
(5)将特征矩阵F1中每个元素取周围16×16的块并拉成一列代表原来的元素值，构成基于图像块的特征矩阵F2；
(6)随机选取特征矩阵F2中若干块组成训练集D；
(7)使用超像素中的SLIC算法对伪彩图P进行分割，得到分割好的超像素点，以每个超像素中心点为中心，在特征矩阵F中取其周围16×16的块并拉成一列代表超像素点的值，形成测试集T；
(8)构造深度阶梯网目标检测模型；
(9)用训练集D对目标检测模型进行训练，得到训练好的模型；
(10)利用训练好的模型对测试集T进行分类，得到测试数据集中每个像素点对应的模型的输出。
所述步骤(1)中，对待检测的极化SAR影像的极化相干矩阵T进行Lee滤波，得到滤波后的极化相干矩阵T，其中待检测的极化SAR图像大小为1800×1380像素，滤波时选用窗口大小为7×7像素的Lee滤波器滤除相干噪声，得到滤波后的极化相干矩阵T，其中，T中每个元素是一个3×3的矩阵。
所述步骤(2)中，通过滤波后的极化相干矩阵T求得极化协方差矩阵C，过程如下：
C＝ATTA <1>
其中
Figure BDA0001302648110000031
所述步骤(3)中，对极化协方差矩阵C进行Yamaguchi分解，步骤如下：
(3a)待检测图像的极化协方差矩阵C为：
Figure BDA0001302648110000032
其中，SHH表示水平发射、水平接收的同极化分量，SVV表示垂直发射、垂直接收的同极化分量，SHV表示水平发射、垂直接收的同极化分量，SVH表示垂直发射、水平接收的同极化分量；
(3b)表面散射的散射矩阵，偶次散射的散射矩阵，体散射的散射矩阵以及Yamaguchi提出的第四种螺旋体散射的散射矩阵以及协方差矩阵如下：
表面散射的散射矩阵和协方差矩阵分别为式<3>和式<4>：
Figure BDA0001302648110000033
Figure BDA0001302648110000034
偶次散射的散射矩阵和协方差矩阵分别为式<5>和式<6>：
Figure BDA0001302648110000035
Figure BDA0001302648110000036
体散射的散射矩阵和协方差矩阵分别为式<7>和式<8>：
Figure BDA0001302648110000041
Figure BDA0001302648110000042
Yamaguchi提出的第四种螺旋体散射的散射矩阵和协方差矩阵分别为式<9>和式<10>：
Figure BDA0001302648110000043
Figure BDA0001302648110000044
其中α是复数，
Figure BDA0001302648110000045
Rth、Rtv分别表示角反射器的垂直表面的水平和垂直极化的反射系数，Rgh、Rgv分别表示角反射器的水平表面的水平和垂直极化的反射系数，β是实数，
Figure BDA0001302648110000046
RH、RV分别表示水平和垂直极化的反射系数；
(3c)把任意像元的协方差矩阵看成是四个散射分量协方差矩阵的加权合成：
<[C]>＝fs<[C]>surface+fd<[C]>double+fv<[C]>volume+fh<[C]>helix <11>
其中fs、fd、fv和fh分别为表面散射分量的系数、偶次散射分量的系数、体散射分量的系数和螺旋体散射分量的系数；
(3d)将式<1>-式<10>带入式<11>得到如下方程组：
Figure BDA0001302648110000047
(3e)求解步骤(3d)的方程组，得到表面散射分量的散射功率Ps、偶次散射分量的散射功率Pd、体散射分量的散射功率Pv和螺旋体散射分量的散射功率Ph，以及总功率P分别如下：
Figure BDA0001302648110000051
所述步骤(3)中，构成基于像素点的特征矩阵F并生成伪彩图P的过程如下：
先定义一个大小为M1×M2×3的特征矩阵F，再将奇次散射能量、偶次散射能量和体散射能量赋给矩阵F，其中M1为待检测极化SAR影像的长，M2为待检测极化SAR影像的宽，再通过特征矩阵F生成待检测极化SAR影像的伪彩图P。
所述步骤(4)中，对基于像素点的特征矩阵F归一化，采用特征线性缩放法，具体如下：先求出基于像素点的特征矩阵F的最大值max(F)；再将基于像素点的特征矩阵F中的每个元素均除以最大值max(F)，得到归一化后的特征矩阵F1。
所述步骤(7)中，通过超像素中的SLIC算法对伪彩图P进行分割，初始化种子点40000个，最后得到38925个超像素点，取每个超像素点的中心点周围16×16像素的块代表该超像素点的值，对应的类标即超像素中心点的类标，将每个块拉成一列，组成待检测极化SAR影像的测试集T。
所述步骤(8)包括如下步骤：
(8a)构造网络编码器；
(8b)构造网络解码器；
(8c)构造网络损失函数。
所述步骤(8a)中，构造网络编码器各层参数如下：
输入：784个神经元；
全连接层1：1000个神经元；
全连接层2：500个神经元；
全连接层3：250个神经元；
softmax分类器：2个神经元。
本发明与现有的技术相比具有以下优点：
本发明的基于深度阶梯网的极化SAR影像目标检测方法利用Lee滤波对原始极化SAR数据进行预处理，有效降低了相干斑噪声，提高图像的质量和目标检测性能；通过使用Yamaguchi分解，相比于其他目标分解方法，该分解可获得常出现在城市区域的螺旋体散射分量，该分量有利于区分出城区目标和非城区目标；通过将像素级特征扩展成图像块特征，可同时获取谱段信息和空间信息；通过使用超像素方法，减少了数据量，降低了模型测试时间；通过将应用于自然图像分类问题的阶梯网络应用到极化SAR影像的目标检测中，在仅使用少量有类标样本的情况下便可获得很高的目标检测精度，能够用于地物分类。
【附图说明】
图1是本发明的基于深度阶梯网的极化SAR影像目标检测方法实现流程图；
图2是本发明中对待检测影像的人工标记图；
图3是本发明中Yamaguchi分解的三分量构成的伪彩图；
图4是用本发明对待检测影像的检测结果图。
其中：1-城区目标，2-非目标，3-未标记像素。
【具体实施方式】
以下结合附图和实施例对本发明的实现步骤和实验效果作进一步详细描述：
实施例
参照图1，本发明的基于深度阶梯网的极化SAR影像目标检测方法具体实现步骤如下：
步骤1，输入待检测的极化SAR影像，对该极化SAR影像的极化相干矩阵T进行LEE滤波，得到滤波后的极化相干矩阵T；
待检测的极化SAR图像选用由全极化SAR系统获得的旧金山海湾San FranciscoBay图像，图像大小为1800×1380像素；
输入一幅待分类极化SAR影像的极化相干矩阵，并用窗口大小为7×7像素的Lee滤波器滤除相干噪声，得到滤波后的极化相干矩阵T，其中，T中每个元素是一个3×3的矩阵；
步骤2，由滤波后的极化相干矩阵T求得极化协方差矩阵C：
已知极化协方差矩阵C、极化相干矩阵T的转换公式为：
C＝ATTA <1>
其中
Figure BDA0001302648110000071
步骤3，对极化协方差矩阵C进行Yamaguchi分解，得到奇次散射能量、偶次散射能量、体散射能量和螺旋体散射能量，取奇次散射能量、偶次散射能量和体散射能量作为极化SAR影像的3维图像特征，构成基于像素点的特征矩阵F，并生成伪彩图P；
具体步骤如下：
(3a)待检测图像的极化协方差矩阵C为：
Figure BDA0001302648110000072
其中，SHH表示水平发射、水平接收的同极化分量，SVV表示垂直发射、垂直接收的同极化分量，SHV表示水平发射、垂直接收的同极化分量，SVH表示垂直发射、水平接收的同极化分量；
(3b)表面散射的散射矩阵，偶次散射的散射矩阵，体散射的散射矩阵以及Yamaguchi提出的第四种螺旋体散射的散射矩阵以及协方差矩阵分别如下：
表面散射的散射矩阵和协方差矩阵分别为式<3>和式<4>：
Figure BDA0001302648110000073
Figure BDA0001302648110000081
偶次散射的散射矩阵和协方差矩阵分别为式<5>和式<6>：
Figure BDA0001302648110000082
Figure BDA0001302648110000083
体散射的散射矩阵和协方差矩阵分别为式<7>和式<8>：
Figure BDA0001302648110000084
Figure BDA0001302648110000085
Yamaguchi提出的第四种螺旋体散射的散射矩阵和协方差矩阵分别为式<9>和式<10>：
Figure BDA0001302648110000086
Figure BDA0001302648110000087
其中α是复数，
Figure BDA0001302648110000088
Rth、Rtv分别表示角反射器的垂直表面的水平和垂直极化的反射系数，Rgh、Rgv分别表示角反射器的水平表面的水平和垂直极化的反射系数，β是实数，
Figure BDA0001302648110000089
RH、RV分别表示水平和垂直极化的反射系数；
(3c)把任意像元的协方差矩阵看成是四个散射分量协方差矩阵的加权合成：
<[C]>＝fs<[C]>surface+fd<[C]>double+fv<[C]>volume+fh<[C]>helix <11>
其中fs、fd、fv和fh分别为表面散射分量的系数、偶次散射分量的系数、体散射分量的系数和螺旋体散射分量的系数；
(3d)将式<1>-式<10>带入式<11>得到如下方程组：
Figure BDA0001302648110000091
(3e)求解步骤(3d)的方程组即式<8>，得到表面散射分量的散射功率Ps、偶次散射分量的散射功率Pd、体散射分量的散射功率Pv和螺旋体散射分量的散射功率Ph，以及总功率计算公式分别如下：
Figure BDA0001302648110000092
(3f)定义一个大小为M1×M2×3的特征矩阵F，并将奇次散射能量、偶次散射能量和体散射能量赋给矩阵F，得到基于像素点的特征矩阵F，其中M1为待检测极化SAR影像的长，M2为待分检测极化SAR影像的宽；
(3h)再通过特征矩阵F生成待检测极化SAR影像的伪彩图P；
步骤4，对基于像素点的特征矩阵F归一化，归一化方法有：特征线性缩放法、特征标准化和特征白化，本实例采用特征线性缩放法，即先求出基于像素点的特征矩阵F的最大值max(F)；再将基于像素点的特征矩阵F中的每个元素均除以最大值max(F)，得到归一化后的特征矩阵F1；
步骤5，将特征矩阵F1中每个元素取周围16×16像素的块的块并拉成一列代表原来的元素值，构成基于图像块的特征矩阵F2；
用归一化后的特征矩阵F1中每个元素取周围16×16像素的块代表原来的元素值，因此这个块的类标仍是原来元素值的类标，由于特征矩阵是三维的，因此每个块大小为16×16×3，将第三维依次拉成3个长为256的向量，将3个向量合成一个长为768的向量，由此构成了基于图像块的特征矩阵F2；
步骤6，随机选取F2中若干块组成训练集D，即将将F2中的样本均匀打乱，选取前60000个已标记的样本组成训练集D；
步骤7，使用超像素中的SLIC算法对伪彩图P进行分割，得到分割好的超像素点，以每个超像素中心点为中心，在特征矩阵F中取其周围16×16的块并拉成一列代表超像素点的值，形成测试集T，具体如下：
使用超像素中的SLIC算法对P进行分割，初始化种子点40000个，最后得到38925个超像素点，取每个超像素点的中心点周围16×16的块代表该超像素点的值，对应的类标即超像素中心点的类标，将每个块拉成一列，组成待检测极化SAR影像的测试集T；
步骤8，构造深度阶梯网目标检测模型，包括如下步骤：
(8a)构造网络编码器：
基于多层感知器(MLP)的编码器包含干净部分和有损部分，两部分共享一组参数，有损部分每层加入均值为0标准差为0.3的高斯噪声，编码器的结构为：输入→全连接层1→全连接层2→全连接层3→softmax分类器，各层参数如下：
输入：784个神经元；
全连接层1：1000个神经元；
全连接层2：500个神经元；
全连接层3：250个神经元；
softmax分类器：2个神经元，
待分类样本需分为城区目标和非城区目标，因此softmax分类器包含2个神经元；
(8b)构造解码器，包括如下步骤：
解码器对编码器中有损部分从输出到输入的每一层依次进行重构，重构函数如下：
Figure BDA0001302648110000101
Figure BDA0001302648110000102
表示解码器第l层第i(i＝1,2，...,ml)个神经元的输出，其中ml表示第l层的神经元个数，
Figure BDA0001302648110000103
表示编码器有损部分第l层第i个神经元的输出，
Figure BDA0001302648110000104
表示
Figure BDA0001302648110000105
的权重，
Figure BDA0001302648110000106
表示先验，
Figure BDA0001302648110000107
是降噪函数，其中，i，l均为正整数；
(8c)构造损失函数，具体如下：
Figure BDA0001302648110000111
Cc是交叉熵损失函数，表示有监督部分的损失t(n)表示类标，
Figure BDA0001302648110000112
是编码器有损部分的输出，x(n)是编码器的输入，Cd表示无监督部分的损失，λl表示l层重构误差的权重，N表示输入的样本个数，n＝1,2,...,N，ml表示第l层的神经元个数，zl(n)表示编码器干净部分第l层的输出，
Figure BDA0001302648110000113
表示解码器重构的第l层的输出，L表示解码器的层数，n和l为正整数；
步骤9，用训练集D对目标检测模型进行训练，得到训练好的目标检测模型，具体如下：
将训练集D作为分类模型的输入，训练数据集D中每个像素点的类别作为分类模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差进行反向传播，来优化分类模型的网络参数，得到训练好的分类模型，人工标记的正确类标如图2所示，1表示城区目标，为白色，2表示非目标，为黑色，3表示未标记像素，为红色；
步骤10，利用训练好的模型对测试集T进行分类，得到测试数据集中每个像素点对应的模型的输出，具体如下：
将测试集T作为训练好的目标检测模型的输入，模型的输出为对测试数据集中每个像素点进行分类得到的分类类别。
本发明的效果可以通过以下仿真实验进一步说明：
1.仿真条件：
硬件平台为：HP-Z820；
软件平台为：TensorFlow；
2.仿真内容与结果：
用本发明方法在上述仿真条件下进行实验，即从极化SAR数据已标记的像素点中随机选取60000个像素点(约占待检测影像的3％)作为训练样本，训练样本中城区目标和非城区目标的比例与待检测极化SAR影像中的城目标和非城区目标的比例相等。选取60000个样本中的10000个样本作为有类标样本，其余50000个为无类标样本，整幅待检测极化SAR影像中已标记的像素点作为测试样本，得到如图3的检测结果。
从图3可以看出：深度阶梯网的检测结果的区域一致性较好，城区目标可以完整地检测出来，城区目标和非目标的边缘也非常清晰，且保持了细节信息；
本发明的训练样本大小固定为60000个，改变训练样本中有类标样本数，使有类标样本分别为60000个、1000个、100个，将本发明与多层感知器MLP的测试数据集分类精度进行对比，结果如表1所示：
表1
有类标样本(MLP训练样本) MLP 本发明
60000 96.883％ 98.012％
10000 95.901％ 97.257％
1000 95.144％ 96.689％
100 94.432％ 95.760％
从表1可见，训练样本中有类标样本分别为60000,10000,1000,100时，本发明的测试数据集分类精度均高于多层感知器MLP。
综上，本发明通过使用深度阶梯网，有效提高了图像特征的表达能力，增强了模型的泛化能力，使得在训练样本极少的情况下仍可以达到很高的目标检测精度。

Claims (6)

1.一种基于深度阶梯网的极化SAR影像目标检测方法，其特征在于，包括如下步骤，
(1)对待检测的极化SAR影像的极化相干矩阵T进行Lee滤波，得到滤波后的极化相干矩阵T；
(2)通过滤波后的极化相干矩阵T求得极化协方差矩阵C；
(3)对极化协方差矩阵C进行Yamaguchi分解，得到奇次散射能量、偶次散射能量、体散射能量和螺旋体散射能量，取奇次散射能量、偶次散射能量、体散射能量作为极化SAR图像的三维图像特征，构成基于像素点的特征矩阵F，并生成伪彩图P；
(4)将基于像素点的特征矩阵F中的元素值归一化到[0，1]之间，记作特征矩阵F1；
(5)将特征矩阵F1中每个元素取周围16×16的块并拉成一列代表原来的元素值，构成基于图像块的特征矩阵F2；
(6)随机选取特征矩阵F2中若干块组成训练集D；
(7)使用超像素中的SLIC算法对伪彩图P进行分割，得到分割好的超像素点，以每个超像素中心点为中心，在特征矩阵F中取其周围16×16的块并拉成一列代表超像素点的值，形成测试集T；
(8)构造深度阶梯网目标检测模型；
(9)用训练集D对目标检测模型进行训练，得到训练好的模型；
(10)利用训练好的模型对测试集T进行分类，得到测试数据集中每个像素点对应的模型的输出；
所述步骤(1)中，对待检测的极化SAR影像的极化相干矩阵T进行Lee滤波，得到滤波后的极化相干矩阵T，其中待检测的极化SAR图像大小为1800×1380像素，滤波时选用窗口大小为7×7像素的Lee滤波器滤除相干噪声，得到滤波后的极化相干矩阵T，其中，T中每个元素是一个3×3的矩阵；
所述步骤(3)中，对极化协方差矩阵C进行Yamaguchi分解，步骤如下：
(3a)待检测图像的极化协方差矩阵C为：
Figure FDA0002615975060000021
其中，SHH表示水平发射、水平接收的同极化分量，SVV表示垂直发射、垂直接收的同极化分量，SHV表示水平发射、垂直接收的同极化分量，SVH表示垂直发射、水平接收的同极化分量；
(3b)表面散射的散射矩阵，偶次散射的散射矩阵，体散射的散射矩阵以及Yamaguchi提出的第四种螺旋体散射的散射矩阵以及协方差矩阵如下：
表面散射的散射矩阵和协方差矩阵分别为式<3>和式<4>：
Figure FDA0002615975060000022
Figure FDA0002615975060000023
偶次散射的散射矩阵和协方差矩阵分别为式<5>和式<6>：
Figure FDA0002615975060000024
Figure FDA0002615975060000025
体散射的散射矩阵和协方差矩阵分别为式<7>和式<8>：
Figure FDA0002615975060000026
Figure FDA0002615975060000031
Yamaguchi提出的第四种螺旋体散射的散射矩阵和协方差矩阵分别为式<9>和式<10>：
Figure FDA0002615975060000032
Figure FDA0002615975060000033
其中α是复数，
Figure FDA0002615975060000034
Rth、Rtv分别表示角反射器的垂直表面的水平和垂直极化的反射系数，Rgh、Rgv分别表示角反射器的水平表面的水平和垂直极化的反射系数，β是实数，
Figure FDA0002615975060000035
RH、RV分别表示水平和垂直极化的反射系数；
(3c)把任意像元的协方差矩阵看成是四个散射分量协方差矩阵的加权合成：
<[C]>＝fs<[C]>surface+fd<[C]>double+fv<[C]>volume+fh<[C]>helix <11>
其中fs、fd、fv和fh分别为表面散射分量的系数、偶次散射分量的系数、体散射分量的系数和螺旋体散射分量的系数；
(3d)将式<1>-式<10>带入式<11>得到如下方程组：
Figure FDA0002615975060000036
(3e)求解步骤(3d)的方程组，得到表面散射分量的散射功率Ps、偶次散射分量的散射功率Pd、体散射分量的散射功率Pv和螺旋体散射分量的散射功率Ph，以及总功率P分别如下：
Figure FDA0002615975060000041
所述步骤(7)中，通过超像素中的SLIC算法对伪彩图P进行分割，初始化种子点40000个，最后得到38925个超像素点，取每个超像素点的中心点周围16×16像素的块代表该超像素点的值，对应的类标即超像素中心点的类标，将每个块拉成一列，组成待检测极化SAR影像的测试集T。
2.根据权利要求1所述的基于深度阶梯网的极化SAR影像目标检测方法，其特征在于，所述步骤(2)中，通过滤波后的极化相干矩阵T求得极化协方差矩阵C，过程如下：
C＝ATTA <1>
其中
Figure FDA0002615975060000042
3.根据权利要求1所述的基于深度阶梯网的极化SAR影像目标检测方法，其特征在于，所述步骤(3)中，构成基于像素点的特征矩阵F并生成伪彩图P的过程如下：
先定义一个大小为M1×M2×3的特征矩阵F，再将奇次散射能量、偶次散射能量和体散射能量赋给矩阵F，其中M1为待检测极化SAR影像的长，M2为待检测极化SAR影像的宽，再通过特征矩阵F生成待检测极化SAR影像的伪彩图P。
4.根据权利要求1所述的基于深度阶梯网的极化SAR影像目标检测方法，其特征在于，所述步骤(4)中，对基于像素点的特征矩阵F归一化，采用特征线性缩放法，具体如下：先求出基于像素点的特征矩阵F的最大值max(F)；再将基于像素点的特征矩阵F中的每个元素均除以最大值max(F)，得到归一化后的特征矩阵F1。
5.根据权利要求1所述的基于深度阶梯网的极化SAR影像目标检测方法，其特征在于，所述步骤(8)包括如下步骤：
(8a)构造网络编码器；
(8b)构造网络解码器；
(8c)构造网络损失函数。
6.根据权利要求5所述的基于深度阶梯网的极化SAR影像目标检测方法，其特征在于，所述步骤(8a)中，构造网络编码器各层参数如下：
输入：784个神经元；
全连接层1：1000个神经元；
全连接层2：500个神经元；
全连接层3：250个神经元；
softmax分类器：2个神经元。
CN201710370455.6A 2017-05-23 2017-05-23 一种基于深度阶梯网的极化sar影像目标检测方法 Active CN107239757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710370455.6A CN107239757B (zh) 2017-05-23 2017-05-23 一种基于深度阶梯网的极化sar影像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710370455.6A CN107239757B (zh) 2017-05-23 2017-05-23 一种基于深度阶梯网的极化sar影像目标检测方法

Publications (2)

Publication Number Publication Date
CN107239757A CN107239757A (zh) 2017-10-10
CN107239757B true CN107239757B (zh) 2020-12-08

Family

ID=59985107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710370455.6A Active CN107239757B (zh) 2017-05-23 2017-05-23 一种基于深度阶梯网的极化sar影像目标检测方法

Country Status (1)

Country Link
CN (1) CN107239757B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832798B (zh) * 2017-11-20 2020-04-14 西安电子科技大学 基于nsct阶梯网模型的极化sar图像目标检测方法
CN108960295B (zh) * 2018-06-13 2022-08-26 中国科学院空天信息创新研究院 多时相的全极化sar图像提取特征的方法及分类方法
CN109784401A (zh) * 2019-01-15 2019-05-21 西安电子科技大学 一种基于acgan的极化sar图像分类方法
CN110335214B (zh) * 2019-07-09 2021-02-26 中国人民解放军国防科技大学 结合上下文协方差矩阵的全极化sar图像相干斑滤波方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593669A (zh) * 2013-11-22 2014-02-19 中国电子科技集团公司第五十四研究所 一种极化合成孔径雷达影像四分量分解的方法
CN105138966A (zh) * 2015-08-03 2015-12-09 西安电子科技大学 基于快速密度峰值聚类的极化sar图像分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077505B (zh) * 2013-01-25 2015-12-09 西安电子科技大学 基于字典学习和结构聚类的图像超分辨率重建方法
CN103927551B (zh) * 2014-04-21 2017-04-12 西安电子科技大学 基于超像素相关矩阵的极化sar图像半监督分类方法
CN104463193B (zh) * 2014-11-04 2017-10-24 西安电子科技大学 基于深度稀疏ica的极化sar图像分类方法
CN105868793B (zh) * 2016-04-18 2019-04-19 西安电子科技大学 基于多尺度深度滤波器的极化sar图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593669A (zh) * 2013-11-22 2014-02-19 中国电子科技集团公司第五十四研究所 一种极化合成孔径雷达影像四分量分解的方法
CN105138966A (zh) * 2015-08-03 2015-12-09 西安电子科技大学 基于快速密度峰值聚类的极化sar图像分类方法

Also Published As

Publication number Publication date
CN107239757A (zh) 2017-10-10

Similar Documents

Publication Publication Date Title
Han et al. Underwater image processing and object detection based on deep CNN method
Ma et al. Infrared and visible image fusion methods and applications: A survey
CN111652038B (zh) 基于卷积神经网络的遥感的海冰图像分类方法
CN107239757B (zh) 一种基于深度阶梯网的极化sar影像目标检测方法
CN111127374B (zh) 一种基于多尺度密集网络的Pan-sharpening方法
CN110097101B (zh) 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法
CN107590515B (zh) 基于熵率超像素分割的自编码器的高光谱图像分类方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN107527023B (zh) 基于超像素和主题模型的极化sar图像分类方法
CN102402685B (zh) 基于Gabor特征的三马尔可夫场SAR图像分割方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN110516728B (zh) 基于去噪卷积神经网络的极化sar地物分类方法
CN110020693B (zh) 基于特征注意和特征改善网络的极化sar图像分类方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN103093478B (zh) 基于快速核空间模糊聚类的异源图像粗大边缘检测方法
CN110110596A (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN107133653B (zh) 一种基于深度阶梯网络的高分辨sar图像分类方法
Li et al. Infrared-visible image fusion method based on sparse and prior joint saliency detection and LatLRR-FPDE
Beaulieu et al. Deep image-to-image transfer applied to resolution enhancement of sentinel-2 images
CN111160392A (zh) 一种基于小波宽度学习系统的高光谱分类方法
CN104102928A (zh) 一种基于纹理基元的遥感图像分类方法
CN105184297A (zh) 基于张量和稀疏自编码器的极化sar图像分类方法
CN111626380A (zh) 一种基于超像素和卷积网络的极化sar图像分类方法
CN107832798B (zh) 基于nsct阶梯网模型的极化sar图像目标检测方法
Hou et al. Polarimetric SAR images classification using deep belief networks with learning features

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant