CN107292317B - 基于浅层特征与t矩阵深度学习的极化sar分类方法 - Google Patents

Abstract

本发明公开了一种基于浅层特征与T矩阵深度学习的极化SAR分类方法，主要解决现有技术对散射信息差异明显的同一地物和散射信息相近的不同地物分类正确率低的问题。其实现步骤为：1.对原始极化SAR图像进行滤波处理2.提取滤波后的极化SAR图像的极化浅层特征；3.将浅层特征与滤波后的极化SAR数据进行融合，构造训练样本和测试样本；4.采用卷积神经网络对训练样本进行学习；5.利用学习得到的卷积神经网络对测试样本进行分类，得到最终的极化SAR地物分类结果。本发明对极化SAR目标地物的分类正确率高，并且对大区域的地物目标分类有良好的实验效果，可用于目标识别和大场景的地物分类。

Description

基于浅层特征与T矩阵深度学习的极化SAR分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及一种极化SAR地物分类方法，可适用于目标识别和大场景的地物分类。

背景技术

随着微波遥感技术的发展日新月异，作为其中典型代表之一的高分辨率极化合成孔径雷达必然会成为SAR领域的流行趋势。虽然高分辨率极化合成孔径雷达包含了丰富的后向散射信息，但实践中发现，仅仅采用浅层极化特征已经无法充分表达现实图像中包含的复杂场景信息。极化SAR图像的分类涉及物理、概率论、模式识别、数据挖掘、信号处理等众多学科，是图像处理领域的重要分支之一。目前，极化SAR图像分类技术已经广泛应用于军事和民用等领域。

目前针对极化SAR图像分类中的研究方法中，主要是基于极化散射矩阵S、极化相干矩阵T和极化协方差矩阵C进行特征提取，常见的特征包括极化相干矩阵T的特征值和特征向量，以及采用Cloude分解得到的散射熵H、散射角α和各向异性系数A和采用Freeman分解得到的三种散射功率等。通过对比上述这些特征在不同类别之间的差异性，进而实现极化SAR图像中不同地物目标的分类，例如：

首都师范大学在其申请的专利“极化SAR图像分类方法”(专利申请号：201310685303.7，公开号：CN 103617427A)中提出了一种基于决策树分类模型的分类方法。该方法提出的一种极化SAR图像分类方法包括：提取极化SAR图像的特征：散射熵H、反熵A和散射角α，将所得到的特征集合(H,A,α)作为第一特征集；将所述极化SAR图像分解为两个子孔径图像后，分别提取所述两个子孔径图像的特征：散射熵H、反熵A和散射角α，从而得到两个子特征集(H1,A1,α1)、(H2,A2,α2)；将所述两个子特征集中的各相应特征的值相减，得到所述各相应特征的差值的集合(ΔH,ΔA,Δα)作为第二特征集；将所述第一特征集和所述第二特征集输入到决策树分类模型中，得到所述极化SAR图像的分类结果。该方法虽然可以提高分类结果的精度。但是，该方法由于分解图像时子孔径的个数与地面空间分辨率成反比，导致地面空间分辨率由于子孔径的个数增加而降低，使最终的分类精度受限。

武汉大学在其申请的专利“一种基于条件随机场模型的SAR图像监督分类方法”(专利申请号：201010256689.6，公开号：CN101950363A)中提出了一种基于条件随机场模型的SAR图像分类方法。该方法提出的一种SAR图像分类方法包括：将图像过分割成多个区域；将多个区域描述成一个区域连接图RAG；建立条件随机场CRF模型。该方法虽然可以结合更多更复杂的SAR图像特征和合适的图像上下文间的关系，从而获得更加鲁棒的分类结果。但是该方法的不足之处是：针对不同数据期望得到同样良好的分类精度，需要进行不同的特征选择，这显然大大增加了科研人员的工作量，而且，经典SAR图像特征对于图像的表达并不充分，这同样会对该方法的分类结果造成一定影响。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于浅层特征与T矩阵深度学习的极化SAR分类方法，以实现对极化合成孔径雷达图像原始数据的有效表示，并且充分利用极化SAR数据的极化特征，提高分类目标的准确性。

为实现上述目的，本发明目的技术方案包括如下：

(1)输入原始极化SAR图像，并对该图像进行滤波处理，去除图像中的斑点噪声，获得滤波后的极化SAR图像；

(2)提取其浅层极化特征，该浅层极化特征包括散射熵H、散射角α和各向异性系数A这三种特征；

(3)将提取得到的三种浅层极化特征H、α、A与极化相干矩阵T进行数据融合，构造训练样本和测试样本；

(4)利用卷积神经网络CNN对训练样本进行学习，得到能对数据进行特征表示的训练好的卷积神经网络；

(5)采用训练好的卷积神经网络对测试样本进行特征提取，并且通过Softmax分类器，得到最终分类结果。

本发明与现有技术相比，具有以下优点：

1)分类更加精确

由于本发明采用极化浅层特征与极化相干矩阵进行数据融合的方法构造训练数据和测试样本，从而使其样本中包含的极化合成孔径雷达图像信息更加丰富，充分挖掘了极化合成孔径雷达图像中地物之间的可区分信息，使其样本中类间距变大，类内距变小，这样可以更容易找到性能优良的目标函数，进而得到的分类结果更加准确。

2)提高同谱异物和同物异谱的分类准确性

本发明由于预先对极化SAR图像提取了极化特征，再将其与极化相干矩阵T进行数据融合，基于融合数据进行学习和分类，同时在训练过程中基于块进行处理，最终能够对散射信息相近的不同地物即同谱异物和散射信息差异明显的同一地物即同物异谱实现很好的分类。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真使用的极化SAR数据的PauliRGB合成图；

图3是本发明仿真使用的极化SAR数据的真实地物标记图；

图4是用现有支持向量机SVM对图2的分类结果图；

图5是用现有基于H、A、α的监督Wishart分类方法对图2的分类结果图；

图6是用本发明对图2的分类结果图。

具体实施方式

下面结合附图对本发明的实施例和效果作进一步详细描述。

参照图1，本发明的实现步骤如下：

步骤1.对原始极化SAR图像进行滤波处理。

输入待分类的极化SAR图像，采用polSARpro_v4.0软件中的精致极化Lee滤波器，通过大小为7×7的像素滑动窗口，去除待分类图像中的斑点噪声，获得滤波后的极化SAR图像。

步骤2.提取滤波后的极化SAR图像的极化浅层特征。

现有提取极化浅层特征的常用方法包括Freeman分解和Cloude分解，本实例采用Cloude分解方法对滤波后的极化SAR图像提取极化浅层特征，其步骤如下：

(2a)按如下公式将极化相干矩阵T进行相似对角化处理：

其中，H表示共轭转置；λ₁、λ₂、λ₃表示滤波后的极化相干矩阵T的三个不同的特征值；e₁表示第一特征值λ₁对应的特征向量；e₂表示第二特征值λ₂对应的特征向量；e₃表示第三特征值λ₃对应的特征向量，每一个特征值对应的特征向量如下：

其中α_i表示目标的第i个散射角，其取值范围为[0,90°]；β_i表示目标的第i个方位角，其取值范围为[-180°,180°]；

表示目标的水平发射水平接收HH通道与VV通道相位角之和；δ表示目标的2倍水平发射水平接收VV通道相位角；γ表示目标的

与水平发射垂直接收HV通道相位角之差；

(2b)根据三个不同的特征值λ₁、λ₂、λ₃，得到如下极化特征：

散射角：α＝p₁α₁+p₂α₂+p₃α₃

散射熵：H＝p₁log₃(p₁)+p₂log₃(p₂)+p₃log₃(p₃)

各向异性系数：

式中α₁是目标的第1个散射角，α₂是目标的第2个散射角，α₃是目标的第3个散射角；

是第一特征值和三个特征值和的比值，

是第二特征值和三个特征值和的比值，

是第三特征值和三个特征值和的比值；

步骤3.构造训练样本和测试样本。

将提取得到的三种浅层极化特征H、α、A与极化相干矩阵T进行数据融合，构造训练样本和测试样本，按如下步骤进行：

(3a)通过如下极化散射矩阵S表示单个像素散射特性：

其中，H表示水平极化，V表示垂直极化，S_HH表示水平发射水平接收的回波数据，S_VV表示垂直发射垂直接收的回波数据，S_HV表示水平发射垂直接收的回波数据，S_VH表示垂直发射水平接收的回波数据；

(3b)基于极化散射矩阵S推导极化相干矩阵T，即将极化散射矩阵S对空间求集合平均进而得到极化相干矩阵T：

其中*代表共轭处理，<·>表示在假设随机散射介质各向同性下的空间统计平均，A＝S_HH+S_VV，B＝S_HH-S_VV，C＝2S_HV；

(3c)根据极化相干矩阵T、散射熵H、散射角α和各向异性系数A，构造大小为4×4的矩阵U，其中矩阵的具体形式如下：

(3d)依据待分类极化SAR图像中地物种类的数目，在不同类别中分别选取区域制作训练样本，即从选定区域中的左上角依次从左向右、从上向下滑动一个像素，取大小为10×10的块，将块中每个像素由上述矩阵U代替，得到大小为40×40的训练样本；

(3e)将待分类的整张极化SAR图像按照步骤(3d)进行取块，得到测试样本。

步骤4.利用卷积神经网络算法对训练样本进行学习。

(4a)设定初始网络初始结构和参数：网络结构为7层，1个输入层，1个输出层，2个卷积层，2个下采样层，1个全连接的隐藏层；迭代次数n＝1，学习率α＝1；

(4b)从训练样本中依次选取一个样本，将该样本输入到网络中；

(4c)计算相应的实际输出：先通过第一层卷积层进行初次特征提取，再通过第一层下采样层进行数据的降维，对于降维后的结果再经过卷积和下采样处理，得到最终的前向传递计算结果；

(4d)选取的代价函数，计算实际输出结果与理想输出结果之间的差值，其中选取的代价函数E为：

其中

表示第n个样本对应的标签的第k维，

表示第n个样本对应的网络输出的第k个输出，c代表类别数量；

(4e)采用反向传导算法进行参数的更新：

其中J(W,b)为整体代价函数，

是第l层第j单元与第l+1层第i单元之间的联接参数，

是第l+1层第i单元的偏置项；

(4f)判断训练样本是否完成训练：若训练样本都已完成训练，则执行步骤(4g)，否则，返回步骤(4b)；

(4g)令n＝n+1进行下一次迭代，判断迭代次数n是否等于200，若是，结束训练，执行步骤(5)，否则返回步骤(4b)。

步骤5.对测试样本进行分类。

首先利用训练好的网络对卷积神经网络进行特征提取，然后采用Softmax分类器对样本进行分类，得到分类结果。在全部样本都完成分类的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照一定比例混合三基色得到9种不同颜色来对分类结果进行上色，其中分类结果中相同类别上相同的颜色。

本发明的效果可通过以下仿真进一步说明。

1.仿真条件

仿真在windows7旗舰版上进行，CPU基本频率为2.2GHZ*16，利用polSARpro_v4.0软件获取极化相干矩阵T和Pauli分解得到如图2所示的伪彩图像，其大小为750×1024。

2.仿真内容

本发明将图2所示的荷兰弗莱福兰省Flevoland极化SAR数据作为测试图像，依据图3的真实地物标记对每个类别进行取样，制作训练样本库，将整副图像作为测试样本库。

仿真一，用现有的支持向量机SVM分类方法对图2进行分类，分类结果如图4。

仿真二，用现有的基于H、A、α的监督Wishart分类方法对图2进行分类，分类结果如图5。

仿真三，用本发明对图2进行分类，分类结果如图6。

三个仿真实验每类的正确率及总的正确率，如表1。

表1

Land uses	SVM	Wishart	本发明SAR分类方
				Bare soil	0	51.4％	97.6％
Peas	34.3％	0	100％
				Wheat 2	25.7％	0	100％
Water	0	0	97.5％
				Rapeseed	57.1％	0	97.5％
Lucerne	28.6％	2.9％	83.3％
				Forest	61.4％	0	98.4％
Stembeans	0	42.9％	0
				Barley	12.9％	0	84.6％
Average	24.4％	10.8％	84.3％

3.仿真效果分析

由图6和表1可见，本发明方法能够对极化SAR中弱散射地物实现有效的分类，并且在9种地物中除去Stembeans这一地物均实现很高的分类精度；同时对于散射强度不同的同一地物也可实现较高精确度的分类，尤其在极化SAR图像右上角散射强度不同的海洋地物取得了很高的分类精度，以及对于散射信息相近的不同地物也取得了很高的分类精度。

Claims (4)

1.基于浅层特征与T矩阵深度学习的极化SAR分类方法，包括：

(1)输入原始极化SAR图像，并对该图像进行滤波处理，去除图像中的斑点噪声，获得滤波后的极化SAR图像；

(2)提取其浅层极化特征，该浅层极化特征包括散射熵H、散射角α和各向异性系数A这三种特征；

(3)将提取得到的三种浅层极化特征H、α、A与极化相干矩阵T进行数据融合，构造训练样本和测试样本，按如下步骤进行：

(3a)通过如下极化散射矩阵S表示单个像素散射特性：

其中，H表示水平极化，V表示垂直极化，S_HH表示水平发射水平接收的回波数据，S_VV表示垂直发射垂直接收的回波数据，S_HV表示水平发射垂直接收的回波数据，S_VH表示垂直发射水平接收的回波数据；

(3b)基于极化散射矩阵S推导极化相干矩阵T，即将极化散射矩阵S对空间求集合平均进而得到极化相干矩阵T：

其中*代表共轭处理，<·>表示在假设随机散射介质各向同性下的空间统计平均，A＝S_HH+S_VV，B＝S_HH-S_VV，C＝2S_HV；

(3c)根据极化相干矩阵T、散射熵H、散射角α和各向异性系数A，构造大小为4×4的矩阵U，其中矩阵的具体形式如下：

(3d)依据待分类极化SAR图像中地物种类的数目，在不同类别中分别选取区域制作训练样本，即从选定区域中的左上角依次从左向右、从上向下滑动一个像素，取大小为10×10的块，将块中每个像素由上述矩阵U代替，得到大小为40×40的训练样本；

(3e)将待分类的整张极化SAR图像按照步骤(3d)进行取块，得到测试样本；

(4)利用卷积神经网络CNN对训练样本进行学习，得到能对数据进行特征表示的训练好的卷积神经网络；

(5)采用训练好的卷积神经网络对测试样本进行特征提取，并且通过Softmax分类器，得到最终分类结果。

2.根据权利要求1所述的方法，其中步骤(1)中对原始极化SAR图像进行滤波处理，是采用polSARpro_v4.0软件中的精致极化Lee滤波器，通过大小为7×7的像素滑动窗口，去除待分类图像中的斑点噪声，获得滤波后的极化SAR图像。

3.根据权利要求1所述的方法，其中步骤(2)中提取其浅层极化特征，是采用Cloude分解的方法对滤波后的极化SAR图像进行极化分解，其步骤如下：

(2a)按如下公式将极化相干矩阵T进行相似对角化处理：

其中，H表示共轭转置；λ₁、λ₂、λ₃表示滤波后的极化相干矩阵T的三个不同的特征值；e₁表示第一特征值λ₁对应的特征向量；e₂表示第二特征值λ₂对应的特征向量；e₃表示第三特征值λ₃对应的特征向量，每一个特征值对应的特征向量如下：

其中α_i表示目标的第i个散射角，其取值范围为[0,90°]；β_i表示目标的第i个方位角，其取值范围为[-180°,180°]；

表示目标的HH通道与VV通道相位角之和；δ表示目标的2倍VV通道相位角；γ表示目标的

与HV通道相位角之差；

(2b)根据三个不同的特征值λ₁、λ₂、λ₃，得到如下极化特征：

散射角：α＝p₁α₁+p₂α₂+p₃α₃

散射熵：H＝p₁ log₃(p₁)+p₂ log₃(p₂)+p₃ log₃(p₃)

各向异性系数：

式中α₁是目标的第1个散射角，α₂是目标的第2个散射角，α₃是目标的第3个散射角；

是第一特征值和三个特征值和的比值，

是第二特征值和三个特征值和的比值，

是第三特征值和三个特征值和的比值。

4.根据权利要求1所述的方法，其中步骤(4)利用卷积神经网络CNN对训练样本进行学习，按如下步骤进行：

(4a)设定初始网络初始结构和参数：网络结构为7层，1个输入层，1个输出层，2个卷积层，2个下采样层，1个全连接的隐藏层；迭代次数n＝1，学习率α＝1；

(4b)从训练样本中依次选取一个样本，将该样本输入网络中；

(4c)计算相应的实际输出：先通过第一层卷积层进行初次特征提取，再通过第一层下采样层进行数据的降维，对于降维后的结果再经过卷积和下采样处理，得到最终的前向传递计算结果；

(4d)选取的代价函数，计算实际输出结果与理想输出结果之间的差值，其中选取的代价函数E为：

其中

表示第n个样本对应的标签的第k维，

表示第n个样本对应的网络输出的第k个输出，c代表类别数量；

(4e)采用反向传导算法进行参数的更新：

其中J(W,b)为整体代价函数，

是第l层第j单元与第l+1层第i单元之间的联接参数，

是第l+1层第i单元的偏置项；

(4f)判断训练样本是否完成训练：若训练样本都已完成训练，则执行步骤(4g)，否则，返回步骤(4b)；

(4g)令n＝n+1进行下一次迭代，判断迭代次数n是否等于200，若是，结束训练，否则返回步骤(4b)。

Images