CN107239799A

CN107239799A - 基于Pauli分解和深度残差网的极化SAR影像分类方法

Info

Publication number: CN107239799A
Application number: CN201710385663.3A
Authority: CN
Inventors: 焦李成; 屈嵘; 王美玲; 唐旭; 杨淑媛; 侯彪; 马文萍; 刘芳; 尚荣华; 张向荣; 张丹; 马晶晶
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2017-05-26
Filing date: 2017-05-26
Publication date: 2017-10-10

Abstract

本发明公开了一种基于Pauli分解和深度残差网的极化SAR影像分类方法，主要解决现有技术分类精度低，神经网络无法增加到更深层的问题，其方案是输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F；用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；构造训练数据集D；对Pauli分解之后的图像进行超像素处理，构造数据集T1；构造基于深度残差网的分类模型；用训练数据集对分类模型进行训练，得到训练好的模型；将数据集T1送入训练好的模型进行分类并得到整张图的预测类标矩阵T2；T2矩阵中除去训练数据集中的像素点，然后计算准确率。本发明采用深度残差网加深网络层数，并且采用超像素对图像进行处理，有效的学习了图像特征，提高了极化SAR图像的分类精度，可用于目标识别。

Description

基于Pauli分解和深度残差网的极化SAR影像分类方法

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图像分类方法，可用于变化检测、目标识别。

背景技术

合成孔径雷达是一种高分辨率成像雷达。由于微波具有穿透特性，不受光线强度的影响，因此具有全天时、全天候的工作能力。与其他传感器相比，它能呈现更多的细节，可以更好的区分临近目标的特性。作为一种重要的遥感图像获取手段，有着广泛的应用。极化合成孔径雷达(极化SAR)通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标，可以得到更丰富的目标信息，在军事、农林业、海洋、水文学和地质学等方面具有广泛的应用和研究价值。相比于传统的单极化SAR，多极化SAR有利于提供更为丰富的目标信息，有利于确定和理解散射机制，提高目标检测和分类识别能力，因此极化SAR数据适合于图像解译。

极化SAR图像分类的关键是对极化SAR图像的目标特征提取，现有的基于散射特性的极化SAR图像目标特征提取方法，包括Cameron分解、Freeman分解，卷积神经网络等。

1996年，Cameron基于雷达目标的两个基本特性——互易性和对称性提出了Cameron分解方法，它将极化散射矩阵分解成对应于非互易、不对称以及对称散射体的部分。不同地物所包含的散射体类型不同，特别是人工地物和自然地物之间，这种差异更加明显。在检测人工目标和自然目标是特别有用。但是由于极化SAR图像的斑点噪声非常大，而Cameron分解又是基于单个像元的操作，因此所获得的结果不一定可靠。

2004年，Lee等人提出了一种基于Freeman分解的特征提取方法，该方法能够保持各类的极化散射特性，但分类结果易受Freeman分解性能的影响，对不同波段的极化数据该算法的普适性差。

1998年，Yann LeCun提出LeNet-5卷积神经网络，采用局部感受野和权值共享的思路进行图像分类，提出一种新的特征提取的办法，但是这种方法仍然会造成特征损失而影响分类结果的问题。

这些特征提取方法会导致比较强烈的图像特征损失，因而对背景复杂的极化SAR图像难以得到较高的分类精度。

发明内容

本发明的目的在于针对上述问题，提供一种基于Pauli分解和深度残差网的极化SAR图像分类方法，能够有效提高背景复杂的极化SAR图像提取的分类精度。

为了实现上述目的，本发明采用的技术方案是，一种基于Pauli分解和深度残差网的极化SAR影像分类方法，包括：

(1)输入待分类的极化SAR图像，对极化SAR图像的极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射和体散射系数，用这三个系数作为极化SAR图像的三维图像特征，构成基于像素点的特征矩阵F；

(2)用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；

(3)构造训练数据集D；

(4)对步骤1中Pauli分解之后的图像进行超像素处理，构造数据集T1；

(5)构造基于深度残差网的分类模型：选择一个由输入层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器组成的32层卷积神经网络；

(6)用步骤3中构造的训练数据集D对分类模型进行训练，得到训练好的模型；

(7)将步骤4中构造的数据集T1送入训练好的模型进行分类并得到整张图的预测类标矩阵T2，即为分类结果。

步骤(1)具体步骤如下：

(1a)定义Pauli基{S₁,S₂,S₃}，公式如下：

其中S₁表示奇次散射，S₂表示偶次散射，S₃表示体散射；

(1b)由Pauli分解定义得到如下等式：

其中a为奇次散射系数，b为偶次散射系数，c为体散射系数；

(1c)求解式<2>，代入式<1>求得的SHH、SVV、SHV，得到3个散射系数a、b、c：

(1d)定义一个大小为H×W×3的矩阵F，并将奇次散射系数a、偶次散射系数b和体散射系数c赋给矩阵F，得到基于像素点的特征矩阵F，其中H为待分类极化SAR图像的长，W为待分类极化SAR图像的宽。

步骤(3)中构造训练数据集D的具体步骤如下：

(3a)将极化SAR图像地物分为5类，以中心像素点类标作为图像块的类标，其周围28×28的块代表此像素点，分别存入对应类别A1、A2、A3、A4、A5当中；

(3b)从上述A1、A2、A3、A4、A5中随机选取4％的元素，生成5种对应不同类地物被选做训练数据集的图像块B1、B2、B3、B4、B5，其中B1为对应第1类地物中被选作训练数据集的中心像素点对应的图像块，B2为对应第2类地物中被选作训练数据集的中心像素点对应的图像块，B3为对应第3类地物中被选作训练数据集的中心像素点对应的图像块，B4为对应第4类地物中被选作训练数据集的中心像素点对应的图像块，B5为对应第5类地物中被选作训练数据集的中心像素点对应的图像块。

步骤(4)中构造数据集T的具体步骤如下：

(4a)设定期望分割的超像素数目K，首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕；然后计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛；

(4b)计算每个像素块的大小，并对得到的像素块数值进行开方求得像素块边长；

(4c)以步骤(4b)得到的边长重新划分原图，得到N个超像素块，N即为最终的超像素块个数，记录这些超像素块的中心像素点的位置；

(4d)以步骤(4c)得到的中心像素点为中心，取其周围28×28的块，得到一共N个图像块的数据集T。

步骤(4b)中，对求得的像素块的边长向上取整数。

步骤(5)构造基于深度残差网的分类模型的具体步骤如下：

(5a)选择一个由输入层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器组成的32层卷积神经网络；

(5b)随机初始化的滤波器，得到基于深度残差网分类模型为：输入层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器这32层结构。

步骤(5b)中32层结构的参数如下：

对于第1层输入层，设置特征映射图数目为3；

对于第2层卷积层，设置特征映射图数目为64；

对于第3层第一个残差块9层，设置特征映射图数目为64；

对于第4层第二个残差块3层，设置特征映射图数目为128，进行快捷连接；

对于第5层第三个残差块6层，设置特征映射图数目为128；

对于第6层第四个残差块3层，设置特征映射图数目为256，进行快捷连接；

对于第7层第五个残差块6层，设置特征映射图数目为256；

对于第8层归一化层，设置为批量归一化方式；

对于第9层池化层，设置特征映射图数目为256；

对于第10层全连接softmax分类器，设置特征映射图数目为6。

与现有技术相比，本发明至少具有以下优点：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，进而为后面神经网络更加充分的提取并学习图像的信息提供了更大的信息量；应用深度残差网更完备的得到图像特征，大大提高其对极化SAR图像的学习能力，增强了模型本身的泛化能力，使得在训练样本较少的情况下仍可以达到很高的分类精度，有效提高背景复杂的极化SAR图像提取的分类精度。

附图说明

图1是本发明的实现流程图；

图2是本发明中对待分类图像的人工标记图；

图3是用本发明对待分类图像的分类结果图。

具体实施方式

以下结合附图对本发明的实现步骤和实验效果作进一步详细描述：

参照图1，本发明的具体实现步骤如下：

步骤1，输入待分类的极化SAR图像，对极化散射矩阵S(极化散射矩阵S用于描述极化SAR图像属性)进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F：

(1a)定义Pauli基{S₁,S₂,S₃}的公式如下：

其中S₁表示奇次散射，S₂表示偶次散射，S₃表示体散射；

(1b)由Pauli分解定义得到如下等式：

其中a为奇次散射系数，b为偶次散射系数，c为体散射系数；

(1c)求解式<2>，代入式<1>求得的S_HH、S_VV、S_HV，得到3个散射系数a、b、c：

(1d)定义一个大小为H×W×3的矩阵F，并将奇次散射系数a、偶次散射系数b、体散射系数c赋给矩阵F，得到基于像素点的特征矩阵F，其中H为待分类极化SAR图像的长，W为待分类极化SAR图像的宽。

步骤2，用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵。

步骤3，构造训练数据集D。

(3b)从上述A1、A2、A3、A4、A5中随机选取4％的元素，生成5种对应不同类地物被选做训练数据集的图像块B1、B2、B3、B4、B5、其中B1为对应第1类地物中被选作训练数据集的中心像素点对应的图像块，B2为对应第2类地物中被选作训练数据集的中心像素点对应的图像块，B3为对应第3类地物中被选作训练数据集的中心像素点对应的图像块，其中B4为对应第4类地物中被选作训练数据集的中心像素点对应的图像块，B5为对应第5类地物中被选作训练数据集的中心像素点对应的图像块。

步骤4，对Pauli分解之后的图像进行超像素处理，构造数据集T。

(4a)设定期望分割的超像素数目K＝80000，首先生成K个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕。然后计算这K个超像素里所有像素点的平均向量值，重新得到K个聚类中心，然后再以这K个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到K个超像素，更新聚类中心，再次迭代，如此反复直到收敛；

(4b)计算每个像素块的大小为(1800×1380)÷80000，像素块的边长向上取整为6；

(4c)以边长为6重新划分原图，则有(1800×1380)÷36＝69000个超像素块，这就是最终的超像素块个数，记录这些超像素块的中心像素点的位置；

(4d)以(4c)得到的中心像素点为中心，取其周围28*28的块，得到一共69000个图像块的数据集T；

在步骤4中，期望分割的超像素数目K由原图像素大小和预期分割后的像素块的大小(即像素块边长的平方)决定，在本发明的优选实施例中，像素块的边长取值范围为5～7。

步骤5，构造基于深度残差网的分类模型。

(5b)随机初始化的滤波器，得到基于深度残差网分类模型为：输入层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器这32层结构，每层的参数如下：

对于第1层输入层，设置特征映射图数目为3；

对于第2层卷积层，设置特征映射图数目为64；

对于第3层第一个残差块9层，设置特征映射图数目为64；

对于第5层第三个残差块6层，设置特征映射图数目为128；

对于第7层第五个残差块6层，设置特征映射图数目为256；

对于第8层归一化层，设置为批量归一化方式；

对于第9层池化层，设置特征映射图数目为256；

对于第10层全连接softmax分类器，设置特征映射图数目为6。

步骤6，用训练数据集对分类模型进行训练，得到训练好的分类模型。

将训练数据集D作为分类模型的输入，训练数据集D中每个图像块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。

步骤7，将数据集T1送入训练好的模型进行分类并得到整张图的预测类标矩阵T2。

将数据集T1输入训练好的分类模型，训练好的分类模型的输出为对整张图中每个像素点进行分类得到的分类类别。

步骤8，T2矩阵除去训练数据集中的像素点，然后计算准确率。

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：HPZ840

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，即分别从极化SAR数据的每个类别中随机选取4％有标记的像素点作为训练样本，其余有标记的像素点作为测试样本，得到如图3的分类结果。

从图3可以看出：分类结果的区域一致性较好，不同区域划分后的边缘也非常清晰，且保持了细节信息，与图2对比可以看出，差距的错分点较少，说明本发明的分类方法良好。

再依次减少训练样本，使训练样本占样本总数的3％、2％，将本发明与卷积神经网络的测试数据集分类精度进行对比，结果如表1所示：

表1

训练样本所占比例	卷积神经网络	本发明
			4％	95.273％	95.887％
3％	94.386％	95.429％
			2％	92.819％	95.213％

从表1可见，训练样本占样本总数的4％、3％、2％时，本发明的测试数据集分类精度均高于卷积神经网络。

综上，本发明通过应用深度残差网，并采用超像素的办法，有效提高了图像特征的表达能力，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的分类精度。

Claims

1.基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，包括：

(3)构造训练数据集D；

2.根据权利要求1所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(1)具体步骤如下：

(1a)定义Pauli基{S₁,S₂,S₃}，公式如下：

其中S₁表示奇次散射，S₂表示偶次散射，S₃表示体散射；

(1b)由Pauli分解定义得到如下等式：

其中a为奇次散射系数，b为偶次散射系数，c为体散射系数；

3.根据权利要求1所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(3)中构造训练数据集D的具体步骤如下：

4.根据权利要求1所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(4)中构造数据集T的具体步骤如下：

5.根据权利要求4所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(4b)中，对求得的像素块的边长向上取整数。

6.根据权利要求1所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(5)构造基于深度残差网的分类模型的具体步骤如下：

7.根据权利要求6所述的基于Pauli分解和深度残差网的极化SAR影像分类方法，其特征在于，步骤(5b)中32层结构的参数如下：

对于第1层输入层，设置特征映射图数目为3；

对于第2层卷积层，设置特征映射图数目为64；

对于第3层第一个残差块9层，设置特征映射图数目为64；

对于第5层第三个残差块6层，设置特征映射图数目为128；

对于第7层第五个残差块6层，设置特征映射图数目为256；

对于第8层归一化层，设置为批量归一化方式；

对于第9层池化层，设置特征映射图数目为256；

对于第10层全连接softmax分类器，设置特征映射图数目为6。