CN107256414A - 基于空域特征图谱的极化sar图像卷积神经网络分类方法 - Google Patents
基于空域特征图谱的极化sar图像卷积神经网络分类方法 Download PDFInfo
- Publication number
- CN107256414A CN107256414A CN201710501741.1A CN201710501741A CN107256414A CN 107256414 A CN107256414 A CN 107256414A CN 201710501741 A CN201710501741 A CN 201710501741A CN 107256414 A CN107256414 A CN 107256414A
- Authority
- CN
- China
- Prior art keywords
- sar image
- polarized sar
- scattering
- convolutional neural
- classified
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 19
- 230000010287 polarization Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000001427 coherent effect Effects 0.000 claims description 10
- 241000589970 Spirochaetales Species 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract 3
- 210000002569 neuron Anatomy 0.000 description 23
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005570 vertical transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于空域特征图谱的极化SAR图像卷积神经网络分类方法，包括如下步骤：输入极化SAR图像数据并进行预处理，获得待分类极化SAR图像；确定待分类极化SAR图像的类别；对待分类极化SAR图像进行极化SAR图像初步特征提取，得到图像初步特征组合；在极化SAR图像中基于像素点及其邻域获得训练样本的特征图谱，构成训练样本空间；搭建卷积神经网络模型，调整网络参数，使用训练样本的特征图谱训练卷积神经网络；对待分类的极化SAR图像的组合特征基于像素点及其邻域获得初步的特征图谱，构成测试样本空间；用卷积神经网络模型对测试样本进行特征提取并进行分类。本发明提高了极化SAR图像的分类精度。
Description
技术领域
本发明属于遥感图像处理技术领域，涉及一种极化SAR图像分类方法，尤其涉及一种基于空域特征图谱的极化SAR图像卷积神经网络分类方法。
背景技术
极化SAR作为一种先进的微波遥感手段，具有全天候、全天时、分辨率高、大面积覆盖的优势。全极化方式能够获取地物的散射特性，提高了SAR图像对地物的检测与识别能力；另一方面，高分辨率图像的纹理结构更加清晰，能够实现目标细微特征的精确探测，从而获得更为全面丰富的地物信息，在遥感领域具有广阔的应用前景。随着极化SAR系统数据获取能力和图像分辨率的提高，图像中目标类型更为精细多样，低分辨率SAR图像中的点目标在高分辨率图像成为目标区域，具有了区域和纹理等特征。因此，在极化SAR图像分类和解译中，除了目标自身的散射特性，还需要考虑其空间关系。
极化SAR图像分类是指对场景内的地物进行分类的极化SAR图像解译技术，目的是利用极化SAR传感器获得的极化测量数据，确定每个像素所属的类别，该研究融合了图像处理、模式识别、人工智能等多个领域的研究。本质上，极化SAR图像分类就是模式分类，其基本流程为“预处理→特征提取→分类→后处理”。现有的监督分类方法主要包括两个步骤：特征提取和分类器设计。分类器设计很大程度上依赖于提取的特征，并且提取的特征可能不能直接馈送到分类器中，必须要进行特征选择。此外，目前用于遥感图像分类的分类器主要是浅层结构，对于不同的传感器配置来说，分类器总体不好。
深度学习的实质就是通过建立、模拟人脑的分层结构，对外部输入的声音、图像、文本等数据进行从低级到高级的特征提取，从而能够解释外部数据。深度学习是一个多层次的学习过程，用多个隐含层，逐层学习并把学习的知识传递给下一层，通过这种方式就可以实现对输入信息的分级表达。与传统学习结构相比，深度学习更加强调模型结构的深度，通常含有多层的隐层节点，而且在深度学习中，特征学习至关重要，通过特征的逐层变换完成最后的预测和分类。目前，深度学习已经在人脸识别、高光谱图像分类和SAR自动目标识别等方面取得了显著的成果。而作为深度学习的一种方法，卷积神经网络不仅能够实现特征提取和选择，而且还可以考虑其空间关系，因此，卷积神经网络可以用于高分辨率极化SAR图像的特征提取及分类。
发明内容
为了弥补现有极化SAR遥感图像分类方法存在特征提取不充分和浅层分类的缺陷，解决极化SAR图像分类准确率低的问题，本发明提供了一种基于空域特征图谱的极化SAR图像卷积神经网络分类方法。
本发明的目的是通过以下技术方案实现的：
一种基于空域特征图谱的极化SAR图像卷积神经网络分类方法，包括如下步骤：
步骤一：输入极化SAR图像数据，并进行预处理，获得待分类极化SAR图像；
步骤二：确定待分类极化SAR图像的类别；
步骤三：对待分类极化SAR图像基于散射模型及相干分解进行极化SAR图像初步特征提取，获得的所有特征进行组合，得到图像初步特征组合；
A：基于散射模型的极化SAR图像散射特征提取：对待分类极化SAR图像进行Freeman极化目标分解，得到奇次散射、偶次散射及体散射三种散射分量；
B：基于相干分解的极化SAR图像极化特征提取：对待分类极化SAR图像进行SDH相干分解，获得球散射、二面角散射及螺旋体散射三种散射分量；
步骤四：在极化SAR图像中选取每类地物的训练样本并对其进行标记，在步骤三中对待分类极化SAR图像进行特征提取获得所有特征的基础上，沿着特征维方向，将基于每个像素点及其邻域内所有像素点的特征信息拼接为多个一维向量，并将这多个一维向量首尾相连并根据需要进行补零，再转换为二维矩阵，根据矩阵中每个元素的值转换为二维灰度图，即得到每个像素点的特征图谱，所有训练样本的特征图谱构成训练样本空间；
步骤五：搭建卷积神经网络模型，调整网络参数，使用训练样本的特征图谱训练卷积神经网络，使得所得网络权值模型有较高的分类准确率；
步骤六：对待分类的极化SAR图像的组合特征同样基于步骤四所述的像素点及其邻域获得初步的特征图谱，构成测试样本空间；用所搭建好的卷积神经网络模型对测试样本进行更深层更抽象的特征提取，并在此基础上进行分类，实现对待分类极化SAR图像的分类。
本发明具有如下优点：
1、本发明可应用于遥感图像处理领域，实现极化SAR图像的地物分类。
2、本发明将极化SAR图像的散射特征和极化特征结合，更好的描述地物特征，并且通过卷积神经网络进行更深层、更抽象的特征提取，充分利用相邻像素点间的空间邻域关系，解决了极化SAR图像特征提取不充分及基于像素的分类区域一致性较差的问题，提高了极化SAR图像的分类精度。
附图说明
图1是本发明所述基于空域特征图谱的极化SAR图像卷积神经网络的地物分类方法的流程图；
图2是待分类极化SAR图像对应地区不同时间的谷歌地图光学图；
图3是待分类极化SAR图像Freeman分解奇次散射示意图；
图4是待分类极化SAR图像Freeman分解偶次散射示意图；
图5是待分类极化SAR图像Freeman分解体散射示意图；
图6是待分类极化SAR图像SDH分解球散射示意图；
图7是待分类极化SAR图像SDH分解二面角散射示意图；
图8是待分类极化SAR图像SDH分解螺旋体散射示意图；
图9是基于像素点及其邻域的特征图谱示意图；
图10是卷积神经网络模型示意图；
图11是本发明待分类极化SAR图像的地物分类结果示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于卷积神经网络的极化SAR图像分类方法，如图1所示，具体实施步骤如下：
步骤一：输入极化SAR图像数据，并进行预处理，获得待分类极化SAR图像。
步骤二：确定待分类极化SAR图像的类别。
步骤三：对待分类极化SAR图像基于散射模型及相干分解进行极化SAR图像初步特征提取，获得的所有特征进行组合，得到图像初步特征组合；
A：基于散射模型的极化SAR图像散射特征提取：对待分类极化SAR图像进行Freeman极化目标分解，得到奇次散射、偶次散射及体散射三种散射分量。具体过程为：
假设待分类极化SAR图像每一个像素都由三种散射类别构成，即：由一阶Bragg面散射得到的单次散射成分、由二面角反射器得到的二次反射成分和由一系列的植被冠层定向偶极子散射得到的体散射成分。因此可以将协方差矩阵表示为：
其中，H表示水平极化，V表示垂直极化，SHH表示水平向发射和水平向接收的回波数据，SVV表示垂直向发射和垂直向接收的回波数据，SHV表示水平向发射垂直向接收的回波数据。fs为单次散射分量的分解系数，fd为二次散射分量的分解系数，fv为体散射分量的分解系数，β是水平发射水平接收后向散射反射系数与垂直发射垂直接收后向散射反射系数的比值，α被定义为α＝RghRvh/RgvRvv，Rgh和Rgv分别表示地表的水平及垂直反射系数，Rvh和Rvv表示竖直墙体的水平及垂直反射系数。
令公式(1)中等式两边矩阵中的元素对应相等，可以获得一个具有五个未知数fs，fv，fd，α，β和四个方程的方程组，其具体表示如下：
计算协方差矩阵C中的值并判断正负，如果令α＝-1，如果则令β＝1，给定α或β的值后，根据式(2)求解剩余的4个未知数。根据求解出的fs，fv，fd，α，β，按照下式求解出散射功率Ps，Pd，Pv。
其中，Ps表示单次散射功率，Pd表示二次散射功率，Pv表示体散射功率。
总功率为：
SPAN＝|SHH|2+2|SHV|2+|SVV|2＝Pv+Pd+Ps (4)
由此将待分类极化SAR图像分解为三种极化散射机理的功率作为极化散射特征。
B：基于相干分解的极化SAR图像极化特征提取：对待分类极化SAR图像进行SDH相干分解，获得球散射、二面角散射及螺旋体散射三种散射分量。具体过程为：
SDH将对称的散射矩阵S分解为三个有具体物理意义的相干分量之和，分别对应于球散射、旋转角度为θ的二面角散射和螺旋体散射，
式中，S(H,V)为水平极化基下对称的散射矩阵，H表示水平极化，V表示垂直极化，Ssphere、Sdeplane(θ)、Shelix(θ)分别表示球散射、旋转角为θ的二面角散和螺旋体散射，ks、kd、kh分别为球散射分量系数、二面角散射分量系数和螺旋体散射分量系数。θ为二面角散射和螺旋体散射分量的方位角，是散射矩阵的绝对相位，表示在同一分辨单元中球散射分量相对于二面角散射分量和螺旋体散射分量的相移。
根据极化旋转不变性，将待分类极化SAR图像在左右旋圆极化基下的极化散射矩阵S(R,L)分解为球散射、二面角散射、螺旋体散射三种：
式中，S(R,L)表示电磁波以左旋和右旋圆极化方式发射和接收时的极化散射矩阵，SRR和SLL为同极化项，SRL和SLR为交叉极化项，|SRR|、|SLL|、|SRL|和|SLR|代表各极化项的幅值，和代表各极化项的相位，ks、kd、kh分别为球散射分量系数、二面角散射分量系数和螺旋体散射分量系数。
SDH分解的各参量之值如下：
ks＝|SRL| (7)
散射矩阵元素SRR和SLL直接表示二面角散射分量，比较|SRR|和|SLL|的大小，分两种情况考虑：
当|SRR|＞|SLL|时：
式中，分别表示|SRR|＞|SLL|时的二面角和螺旋体分量，此时，|SLL|表示二面角分量，且旋螺旋体分量有左旋性质。
当|SRR|＜|SLL|时：
式中，和分别表示|SRR|＜|SLL|时的二面角和螺旋体分量，此时，|SRR|表示二面角分量，且旋螺旋体分量有右旋性质。
步骤四：在极化SAR图像中选取每类地物的训练样本对其进行标记，在步骤三中对待分类极化SAR图像进行特征提取获得的所有特征的基础上，沿着特征维方向，将基于每个像素点及其邻域内所有像素点的特征信息拼接为多个一维向量，并将这多个一维向量首尾相连并根据需要进行补零，再转置为二维矩阵，根据矩阵中每个元素的值转换为灰度图即得到每个像素点的特征图谱，即为训练样本，构成训练样本空间。其中，每个像素点的特征图谱的构成的具体过程为：
首先，在步骤三中对待分类极化SAR图像进行特征提取获得的所有特征的基础上，在X和Y所构成的空间域内，选择目标像素点及其周围n×n邻域的所有像素点，沿着特征维T方向，将基于目标像素点及其邻域内所有像素点的特征信息拼接为n×n个1×T大小的一维向量，并将这n×n个一维向量首尾相连拼接成为一个1×(n×n×T)大小的一维向量。
接着，将1×(n×n×T)大小的一维向量根据需要在末尾进行补零后转置成为一个二维矩阵，使得该二维矩阵的行列元素数相等。根据矩阵中每个元素的值将此二维矩阵转换为灰度图，即可获得目标像素点的特征图谱。
最后，将以上过程在所选取的每类地物的样本上进行遍历，得到的样本集中每一张图谱代表了不同类别的样本，该样本携带了丰富的能够表达该目标像素的特征信息，这些样本所构成的样本集即为训练样本集。同理，将以上过程在待分类极化SAR图像的初步得到的特征上进行遍历，可得到测试样本集。
步骤五：搭建卷积神经网络模型，调整网络参数，使用训练样本训练网络使得所得网络权值模型有较高的分类准确率。其中，搭建卷积神经网络模型的具体过程为：
卷积神经网络的基本结构包括两种特殊的神经元层，其一为卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征；其二是下采样层，是用来求局部敏感性与二次特征提取的计算层。这种两次特征提取结构有效减小了减少了需要优化的参数数目。
图像在卷积神经网络中的映射过程是一个前向传播过程，上一层的输出作为当前层的输入；同时，使用反向传播算法来对参数进行迭代更新。
首先，在前向传播过程中，卷积层的实现如下：
式中，k表示该卷积层为整个卷积神经网络的第k层，表示第k层的第i个神经元的输出值或者激活值，是该神经元的输入值，f(·)为神经元的激励函数，为该卷积层的参数，由于权值共享，该层的所有神经元都共用这个参数，但是神经元偏置项并不共享，不同的神经元有不同的偏置，Mi表示卷积层第i个神经元在前一层(第k-1层)的输入区域，表示这些神经元的值。
在下采样层中，一个神经元对上一层的一个大小为n×n的块进行下采样，用down(·)表示，之后再经过该神经元的激励函数产生激活值：
其中，表示第l层的第i个神经元的输出值或者激活值，是输入值，Mi表示上一层中被下采样的区域，是该神经元的参数，是偏置。
其次，在反向传播阶段，为了方便计算梯度，首先对第k+1层进行上采样，使其大小和上一层第k层一样。上采样的运算可以用Kronecker积实现：
其中，up(·)表示上采样运算，x表示进行上采样运算的元素，In×n表示n×n大小的单位矩阵，经过上式中的上采样运算后一个神经元变为大小为n×n的二维平面神经元层，其中所有的神经元的参数都是一个相等的常数β。
因此，可以求得卷积层的神经元的误差敏感项：
其中，为第k层的误差敏感项，表示第k+1层第i个神经元权值，表示第k层第i个神经元处激活函数的导数，·表示阿达玛乘积，即向量逐元素相乘。
从误差敏感项便可以进一步算出代价函数对参数的梯度：
其中，J是网络的代价函数，表示前一层(第k-1层)被卷积的区域在(u,v)坐标位置的输出值，表示在第k层(u,v)坐标位置的神经元的误差敏感值，而且在前向传播时，这个梯度就可以算出来，不用在反向传播阶段计算。
对于下采样层，和卷积层类似的是，梯度可以在前向传播阶段计算，首先计算：
之后便可以计算梯度：
其中，表示对上一层进行下采样的结果，J是网络的代价函数，βi是该神经元的权值，bi是偏置，表示在第l层(u,v)坐标位置的神经元的误差敏感值。
在卷积层和下采样层的梯度都能够计算之后，利用误差反向传播算法，整个卷积神经网络便可以求解。
基于卷积神经网络的前向传播与反向传播机制，构建出卷积神经网络模型，并将训练样本输入网络对网络进行训练，最终得到一个合适的网络权值模型。
步骤六：对待分类的极化SAR图像的组合特征同样基于像素点及其邻域获得初步的特征图谱，构成测试样本空间；用所搭建好的卷积神经网络模型，对测试样本进行更深层更抽象的特征提取，并在此基础上进行分类，实现对待分类极化SAR图像的分类。其中，使用卷积神经网络模型对待分类极化SAR图像进行地物分类的具体过程为：
将待分类极化SAR图像的初步特征组合按照步骤四中训练样本集产生的方法，对整幅图像进行遍历，得到每个像素点的特征图谱，将这些由初步提取的特征所形成的特征图谱的集合作为测试样本集，并作为已经训练好的卷积神经网络的输入，通过该网络权值模型对测试样本集中每个样本进行深层特征提取及分类，最后得到分类结果。
本发明的效果可以通过以下实验进一步说明。
1、实验数据
本发明实验所用数据为AIRSAR的SanFrancisco地区的极化SAR图像，图像大小为1024×900个像素。待分类极化SAR图像对应SanFrancisco地区不同时间的谷歌地图光学图如图2所示。从图2可以看出：该地区具有地物的多样性，分为海洋、植被、高密度城区、低密度城区、倾斜城区五类。所述截取的光学图与极化SAR数据非同一时间获取。
2、实验内容和分析
对极化SAR图像，基于卷积神经网络的极化SAR图像分类方法进行分类，结果如图11所示。通过图11的分类结果可以看出：基于卷积神经网络的极化SAR图像地物分类方法可以获得很好的分类结果，并且在分类前不需要对原图进行噪声点的去除，进一步提高了分类效果。这是因为在采用卷积神经网络进行深度特征提取前，基于每个像素点及其邻域形成的对于初步特征组合的灰度图能够充分表示该像素点及其空间信息特征，对于后续使用卷积神经网络进行深层特征提取及最终分类具有重要意义。
Claims (3)
1.一种基于空域特征图谱的极化SAR图像卷积神经网络分类方法，其特征在于所述方法步骤如下：
步骤一：输入极化SAR图像数据，并进行预处理，获得待分类极化SAR图像；
步骤二：确定待分类极化SAR图像的类别；
步骤三：对待分类极化SAR图像基于散射模型及相干分解进行极化SAR图像初步特征提取，获得的所有特征进行组合，得到图像初步特征组合；
A：基于散射模型的极化SAR图像散射特征提取：对待分类极化SAR图像进行Freeman极化目标分解，得到奇次散射、偶次散射及体散射三种散射分量；
B：基于相干分解的极化SAR图像极化特征提取：对待分类极化SAR图像进行SDH相干分解，获得球散射、二面角散射及螺旋体散射三种散射分量；
步骤四：在极化SAR图像中选取每类地物的训练样本并对其进行标记，在步骤三中对待分类极化SAR图像进行特征提取获得所有特征的基础上，沿着特征维方向，将基于每个像素点及其邻域内所有像素点的特征信息拼接为多个一维向量，并将这多个一维向量首尾相连并根据需要进行补零，再转换为二维矩阵，根据矩阵中每个元素的值转换为二维灰度图，即得到每个像素点的特征图谱，所有训练样本的特征图谱构成训练样本空间；
步骤五：搭建卷积神经网络模型，调整网络参数，使用训练样本的特征图谱训练卷积神经网络，使得所得网络权值模型有较高的分类准确率；
步骤六：对待分类的极化SAR图像的组合特征同样基于步骤四所述的像素点及其邻域获得初步的特征图谱，构成测试样本空间；用所搭建好的卷积神经网络模型对测试样本进行更深层更抽象的特征提取，并在此基础上进行分类，实现对待分类极化SAR图像的分类。
2.根据权利要求1所述的基于空域特征图谱的极化SAR图像卷积神经网络分类方法，其特征在于所述步骤四中，每个像素点的特征图谱的构成的具体过程为：
首先，在步骤三中对待分类极化SAR图像进行特征提取获得的所有特征的基础上，在X和Y所构成的空间域内，选择目标像素点及其周围n×n邻域的所有像素点，沿着特征维T方向，将基于目标像素点及其邻域内所有像素点的特征信息拼接为n×n个1×T大小的一维向量，并将这n×n个一维向量首尾相连拼接成为一个1×(n×n×T)大小的一维向量；
接着，将1×(n×n×T)大小的一维向量根据需要在末尾进行补零后转置成为一个二维矩阵，使得该二维矩阵的行列元素数相等，根据矩阵中每个元素的值将此二维矩阵转换为灰度图，即可获得目标像素点的特征图谱；
最后，将以上过程在所选取的每类地物的样本上进行遍历，得到的样本集中每一张图谱代表了不同类别的样本，这些样本所构成的样本集即为训练样本集。
3.根据权利要求1所述的基于空域特征图谱的极化SAR图像卷积神经网络分类方法，其特征在于所述步骤六中，使用卷积神经网络模型对待分类极化SAR图像进行地物分类的具体过程为：
将待分类极化SAR图像的初步特征组合按照步骤四中训练样本集产生的方法，对整幅图像进行遍历，得到每个像素点的特征图谱，将这些由初步提取的特征所形成的特征图谱的集合作为测试样本集，并作为已经训练好的卷积神经网络的输入，通过该网络权值模型对测试样本集中每个样本进行深层特征提取及分类，最后得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710501741.1A CN107256414A (zh) | 2017-06-27 | 2017-06-27 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710501741.1A CN107256414A (zh) | 2017-06-27 | 2017-06-27 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107256414A true CN107256414A (zh) | 2017-10-17 |
Family
ID=60024347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710501741.1A Pending CN107256414A (zh) | 2017-06-27 | 2017-06-27 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107256414A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107911804A (zh) * | 2017-12-30 | 2018-04-13 | 天津科技大学 | 一种无线传感器网络数据融合方法 |
| CN107918776A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、系统及电子设备 |
| CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
| CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
| CN109089010A (zh) * | 2018-09-14 | 2018-12-25 | 深圳市友杰智新科技有限公司 | 一种图像传输方法及装置 |
| CN109344737A (zh) * | 2018-09-12 | 2019-02-15 | 中国农业大学 | 基于sar极化分解的一维dcnn土地利用分类方法 |
| CN109696711A (zh) * | 2017-10-20 | 2019-04-30 | 中国工程物理研究院电子工程研究所 | 一种基于极化散射特性的卷积神经网络目标检测识别方法 |
| CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
| CN110929779A (zh) * | 2019-11-19 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 重建神经元质量检测方法、有序点云分类方法及装置 |
| CN111160296A (zh) * | 2019-12-31 | 2020-05-15 | 中国科学院电子学研究所 | 滑坡灾害检测方法 |
| CN111178507A (zh) * | 2019-12-26 | 2020-05-19 | 集奥聚合(北京)人工智能科技有限公司 | 图谱卷积神经网络数据处理方法及装置 |
| CN112241768A (zh) * | 2020-11-25 | 2021-01-19 | 广东技术师范大学 | 一种基于深度分解字典学习的精细图像分类方法 |
| CN112884029A (zh) * | 2021-02-03 | 2021-06-01 | 中国海洋大学 | 融合全极化sar与高光谱遥感的协同分类方法 |
| CN113255451A (zh) * | 2021-04-25 | 2021-08-13 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN116524358A (zh) * | 2023-04-25 | 2023-08-01 | 北京卫星信息工程研究所 | 用于目标识别的sar数据集扩增方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344587A (zh) * | 2008-08-15 | 2009-01-14 | 哈尔滨工业大学 | 用于极化合成孔径雷达图像的多成分分解方法 |
| US20090146869A1 (en) * | 2007-03-11 | 2009-06-11 | Vawd Applied Science & Technology | Multi frequency spectral imaging radar system and method of target classification |
| CN104007440A (zh) * | 2014-06-03 | 2014-08-27 | 西安电子科技大学 | 一种加速分解后向投影聚束合成孔径雷达成像方法 |
| CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
| CN105304087A (zh) * | 2015-09-15 | 2016-02-03 | 北京理工大学 | 一种基于过零间隔点声纹识别方法 |
| CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
| CN105930846A (zh) * | 2016-04-05 | 2016-09-07 | 西安电子科技大学 | 基于邻域信息和svgdl的极化sar图像分类方法 |
| CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
| CN106875408A (zh) * | 2017-02-27 | 2017-06-20 | 网易（杭州）网络有限公司 | 用于截图的方法、装置及终端设备 |
-
2017
- 2017-06-27 CN CN201710501741.1A patent/CN107256414A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090146869A1 (en) * | 2007-03-11 | 2009-06-11 | Vawd Applied Science & Technology | Multi frequency spectral imaging radar system and method of target classification |
| CN101344587A (zh) * | 2008-08-15 | 2009-01-14 | 哈尔滨工业大学 | 用于极化合成孔径雷达图像的多成分分解方法 |
| CN104007440A (zh) * | 2014-06-03 | 2014-08-27 | 西安电子科技大学 | 一种加速分解后向投影聚束合成孔径雷达成像方法 |
| CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
| CN105304087A (zh) * | 2015-09-15 | 2016-02-03 | 北京理工大学 | 一种基于过零间隔点声纹识别方法 |
| CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
| CN105930846A (zh) * | 2016-04-05 | 2016-09-07 | 西安电子科技大学 | 基于邻域信息和svgdl的极化sar图像分类方法 |
| CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
| CN106875408A (zh) * | 2017-02-27 | 2017-06-20 | 网易（杭州）网络有限公司 | 用于截图的方法、装置及终端设备 |
Non-Patent Citations (3)
| Title |
|---|
| RONNY HANSCH 等: "Complex-Valued Convolutional Neural Networks for Object Detection in PolSAR data", 《8TH EUROPEAN CONFERENCE ON SYNTHETIC APERTURE RADAR》 * |
| 张腊梅: "极化SAR图像人造目标特征提取与检测方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 邢晨: "基于深度学习的高光谱遥感图像分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109696711B (zh) * | 2017-10-20 | 2020-12-25 | 中国工程物理研究院电子工程研究所 | 一种基于极化散射特性的卷积神经网络目标检测识别方法 |
| CN109696711A (zh) * | 2017-10-20 | 2019-04-30 | 中国工程物理研究院电子工程研究所 | 一种基于极化散射特性的卷积神经网络目标检测识别方法 |
| CN107918776A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、系统及电子设备 |
| CN107918776B (zh) * | 2017-11-01 | 2022-03-22 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、系统及电子设备 |
| CN107911804A (zh) * | 2017-12-30 | 2018-04-13 | 天津科技大学 | 一种无线传感器网络数据融合方法 |
| CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
| CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
| CN108564006B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
| CN109344737A (zh) * | 2018-09-12 | 2019-02-15 | 中国农业大学 | 基于sar极化分解的一维dcnn土地利用分类方法 |
| CN109089010A (zh) * | 2018-09-14 | 2018-12-25 | 深圳市友杰智新科技有限公司 | 一种图像传输方法及装置 |
| CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
| CN110929779A (zh) * | 2019-11-19 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 重建神经元质量检测方法、有序点云分类方法及装置 |
| CN110929779B (zh) * | 2019-11-19 | 2023-05-02 | 腾讯科技（深圳）有限公司 | 重建神经元质量检测方法、有序点云分类方法及装置 |
| CN111178507A (zh) * | 2019-12-26 | 2020-05-19 | 集奥聚合(北京)人工智能科技有限公司 | 图谱卷积神经网络数据处理方法及装置 |
| CN111178507B (zh) * | 2019-12-26 | 2024-05-24 | 集奥聚合(北京)人工智能科技有限公司 | 图谱卷积神经网络数据处理方法及装置 |
| CN111160296A (zh) * | 2019-12-31 | 2020-05-15 | 中国科学院电子学研究所 | 滑坡灾害检测方法 |
| CN111160296B (zh) * | 2019-12-31 | 2024-01-26 | 中国科学院电子学研究所 | 滑坡灾害检测方法 |
| CN112241768A (zh) * | 2020-11-25 | 2021-01-19 | 广东技术师范大学 | 一种基于深度分解字典学习的精细图像分类方法 |
| CN112241768B (zh) * | 2020-11-25 | 2024-04-26 | 广东技术师范大学 | 一种基于深度分解字典学习的精细图像分类方法 |
| CN112884029B (zh) * | 2021-02-03 | 2022-03-18 | 中国海洋大学 | 融合全极化sar与高光谱遥感的协同分类方法 |
| CN112884029A (zh) * | 2021-02-03 | 2021-06-01 | 中国海洋大学 | 融合全极化sar与高光谱遥感的协同分类方法 |
| CN113255451B (zh) * | 2021-04-25 | 2023-04-07 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN113255451A (zh) * | 2021-04-25 | 2021-08-13 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN116524358A (zh) * | 2023-04-25 | 2023-08-01 | 北京卫星信息工程研究所 | 用于目标识别的sar数据集扩增方法 |
| CN116524358B (zh) * | 2023-04-25 | 2024-05-03 | 北京卫星信息工程研究所 | 用于目标识别的sar数据集扩增方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107256414A (zh) | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 | |
| Song et al. | Radar image colorization: Converting single-polarization to fully polarimetric using deep neural networks | |
| Wilkinson | A review of current issues in the integration of GIS and remote sensing data | |
| Zhong et al. | An adaptive subpixel mapping method based on MAP model and class determination strategy for hyperspectral remote sensing imagery | |
| CN113240040B (zh) | 一种基于通道注意力深度网络的极化sar图像分类方法 | |
| CN111027454B (zh) | 基于深度密集连接和度量学习的sar舰船目标分类方法 | |
| Chen et al. | Geospatial transformer is what you need for aircraft detection in SAR Imagery | |
| Berthold et al. | Seabed sediment classification of side-scan sonar data using convolutional neural networks | |
| CN108038445A (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
| Ahn et al. | Delineation of soil variability using geostatistics and fuzzy clustering analyses of hyperspectral data | |
| CN109816707A (zh) | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 | |
| CN113962883A (zh) | 增强舰船目标检测sar图像数据的方法 | |
| Mahrooghy et al. | A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery | |
| Cheng et al. | Integration of hyperspectral imagery and sparse sonar data for shallow water bathymetry mapping | |
| CN107239757B (zh) | 一种基于深度阶梯网的极化sar影像目标检测方法 | |
| Li et al. | Semi-supervised implicit neural representation for polarimetric ISAR image super-resolution | |
| CN111563528A (zh) | 基于多尺度特征学习网络与双边滤波的sar图像分类方法 | |
| CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
| CN114509758A (zh) | 一种基于分形维数和极化分解的月表平坦区域选取方法 | |
| CN106096650B (zh) | 基于收缩自编码器的sar图像分类方法 | |
| CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
| El-Arafy et al. | Using edge detection techniques and machine learning classifications for accurate lithological discrimination and structure lineaments extraction: a comparative case study from Gattar area, Northern Eastern Desert of Egypt | |
| CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 | |
| CN110555483B (zh) | 基于fw-dcgan特征生成的极化sar分类方法 | |
| Frost et al. | The influence of sensor and flight parameters on texture in radar images |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171017 |
|
| RJ01 | Rejection of invention patent application after publication |