CN107742133A

CN107742133A - 一种用于极化sar图像的分类方法

Info

Publication number: CN107742133A
Application number: CN201711088231.2A
Authority: CN
Inventors: 崔宗勇; 王贤圆; 曹宗杰
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2017-11-08
Filing date: 2017-11-08
Publication date: 2018-02-27

Abstract

本发明雷达图像处理与解译技术，具体的说是涉及一种用于极化SAR图像的分类方法。本发明的方法利用极化‑超像素方法使超像素方法更使用于极化SAR图像，利用极化代数操作与极化目标分解提取多尺度极化特征，并利用卷积神经网络提取深层的极化特征，充分利用了极化SAR数据的极化特性，减轻了对分类器的要求，改善极化SAR图像分类结果，提高分类准确率。

Description

一种用于极化SAR图像的分类方法

技术领域

本发明属于雷达图像处理与解译技术，具体的说是涉及一种用于极化SAR图像的分类方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式的对地成像雷达系统,可搭载在飞机或卫星上。它通过合成孔径与脉冲压缩技术实现了对海洋和陆地表面的二维高分辨率图像的获取。与光学遥感不同的是，合成孔径雷达系统完全不受光照或天气条件的影响,能实现全天时全天候的对地观测。极化SAR图像分类是极化SAR图像解译中最重要的应用之一。不仅在民用方面，如农作物生长监测、城市发展趋势分析、森林树种估计、地质地表分析、自然资源勘探、洪涝灾害监视等应用领域，还在伪装目标识别、军事勘察等军事方面，SAR图像地物分类技术都有着其非常重要的应用价值与意义。

如今，SAR系统渐渐演变出多极化的工作模式。通过在不同极化方式下所获取的散射回波信号，可研究分析地物目标的散射机制，不仅能避免目标信息的不确定性问题，还能抗干扰能力与增强杂波抑制能力。然而，目前对极化信息资源的利用仍然远远不够，主要仍然停留在对极化目标分解方法的研究。传统的极化SAR分类方法并没有充分利用极化SAR图像的极化特性，造成极化信息的丢失，分类性能的严重下降。表现在以下两个方面：

(1)利用超像素生成的极化SAR图像分类方法能有效地利用局部像素的空间相关性，将区域作为处理单元，这样有利于提高像素分类的准确性。简单线性迭代聚类(simplelinear iterative clustering，SLIC)是经典的超像素生成方法。然而，SLIC方法是针对光学图像提出的，当图像中存在大量噪声和强散射点时，SLIC的性能将会大幅度下降。极化SAR图像存在强散射点，现有的SLIC超像素生成方法没有将极化SAR数据的特性考虑在内，降低了超像素的生成结果。

(2)极化特征通常划分成两种：(1)属于直接从极化SAR数据中提取特征，进行简单代数操作，代数操作为对相干矩阵或相关矩阵进行求强度、相位差等简单运算；(2)是基于极化目标分解理论，极化分解理论包括基于特征矢量的目标极化分级，基于散射模型的目标极化分解，相干分解，基于Kennaugh矩阵的二分量分解。单一的极化特征不足以为在所有情形下极化SAR图像的精确分类提供足够的信息。并且，这些极化特征属于底层特征，在进行分类时增加了对分类器的要求。相比于深层特征，底层特征无法有效表征地物信息，造成的地物信息的缺失。

发明内容

本发明的目的是为了克服上述现有对极化SAR图像分类方法的不足之处，充分利用极化SAR数据的极化信息，以提高对极化SAR图像的分类效果，特提供一种基于极化-超像素提取和深层极化特征的极化SAR图像分类方法。

本发明的分类算法流程见附图1，其详细技术方案如下：

步骤1：以一幅PolSAR图像的极化散射矩阵作为输入，提取待分类极化SAR图像的极化特征，其中S_hh、S_vh、S_hv、S_vv分别为不同极化通道下的极化分量：

步骤1-1：获取基于极化代数运算的极化特征；

步骤1-2：获取基于极化目标分解的极化特征；

步骤1-3：构建高维极化特征向量：将上述2类极化特征归一化组成高维极化特征向量，表示为：

M_F＝[M_F₁,M_F₂,…,M_F_N],M_F_i∈R^M

其中，N是样本总数，M是特征维数；

步骤2：在待分类的极化SAR图像中随机选取一定数量的训练样本；

步骤3：设置卷积神经网络参数：

步骤3-1：将高维极化特征向量M_F_i进行邻域扩展成256维向量；

步骤3-2：利用卷积神经网络计算深层极化特征，考虑到卷积神经网络(CNN)的输入形式，要求样本数据已二维矩阵形式输入，而极化SAR图像每一个像素为一个样本，故针对极化SAR图像中的每一样本，都以16×16矩阵形式表达；

步骤3-3：利用步骤2得到的训练样本训练卷积神经网络，直到满足终止条件，得到CNN参数W,b，其中W是CNN卷积层的卷积核参数，b是卷积层的偏置；

步骤4：利用Softmax分类器和待分类的极化SAR图像的真实地物分布参考图中已标注的像素，微调初始的卷积层相关参数，将微调后得到的参数作为训练好的卷积层参数：

步骤4-1：由极化SAR图像的真实地物分布参考图，已知每个训练样本对应的标签，对应的标签表示为：

l＝[l₁,l₂,…,l_N],l_i∈L

其中，L是标签集，即L＝{1,2,···,C}，而C是类别总数；

将训练样本送入CNN网络，得到CNN提取的深层极化特征数据；

步骤4-2：将步骤4-1得到的深层极化特征数据送入Softmax分类器，微调CNN网络的参数，得到更优的卷积池化参数；

步骤5：将极化SAR图像的所有样本作为测试样本，输入训练好的CNN网络中得到每个像素对应的深层极化特征，再送入Softmax分类器，得到每个像素的标签，表示为：

步骤6：生成极化SAR图像对应的极化超像素,图像划分成K个超像素区域：{R₁,…,R_j,…,R_K},j＝1,…,K；

步骤6-1：获取极化SAR图像中每个像素点对应的相干矩阵：利用Pauli偏置，将散射矩阵S转换成向量形式k，

其中上标T表示矩阵转置；

多视极化SAR图像的每个像素点对应的相干矩阵可以表示为：

其中L表示视数，上标H表示共轭转置；

步骤6-2：通过S间距采样像素点，初始化聚类中心C_k＝[T_k,x_k,y_k]^T，移动聚类中心至3*3领域最小梯度处，设置每个像素点超像素标签s(i)＝-1,距离d(i)＝∞。其中，S＝(N/K)^1/2，K是设置的超像素数；

步骤6-3：在聚类中心C_k附近2S×2S区域内的像素点i，就算C_k到i的距离D，如果D<d(i),则d(i)＝D,s(i)＝k,重复此步骤知道遍历所有的C_k。其中距离D的计算公式为：

其中，Tr(·)为矩阵求迹运算，|·|表示行列式运算，m为调整d_Wishart和d_s的参数。

步骤6-4：更新聚类中心C_k并计算残差E；

步骤6-5：重复步骤6-3，知道残差在允许范围内；

步骤7：确定最终分类结果：

步骤7-1：结合步骤5的CNN结果和步骤6的超像素，将每个区域R_j内的标签进行统计；

步骤7-2：采用多数投票准则，区域R_j内出现次数最多的标签即为整个超像素的标签，也就是说每个像素的标签与该像素的超像素区域内的标签一致。

本发明的有益效果为：本发明的核心在于高效利用了极化SAR数据的极化特性，主要表现在以下两个方面：第一，利用极化SAR数据分布特性改进传统SLIC超像素生成算法，得到更符合极化SAR特性的超像素生成算法；第二，利用卷积神经网络提取深层极化特征，比单一和底层的极化特征更具有区别力，为图像提供一种更充分和完整的表达，降低了对分类器的要求，有助于提高极化SAR图像分类结果，提高分类准确率。

综上所述，较现有的极化SAR图像分类方法，本发明具有充分利用极化SAR数据特性的能力，可有效提高分类准确率。

附图说明

图1为本发明基于极化-超像素提取和深层极化特征的极化SAR图像分类方法的流程图。

图2为对应的地物真值参考图。

图3为颜色与地物对应参考图。

图4为旧金山海湾数据集为了量化评价所使用的样本数表。

图5为实施例实验采用普通H/α/A-SVM最终分类结果图。

图6为实施例实验采用CNN的最终分类结果图。

图7为实施例实验采用本发明的最终分类结果图。

图8为实施例将H/α/A-SVM，CNN，本发明结果进行量化后的对比表。

具体实施方式

下面结合实例详细说明本发明的技术方案。

实施例

本发明的实施例采用的PolSAR数据是由AIRSAR系统在四极化精细模式下获取的美国旧金山海湾地区L波段全极化SAR图像。实验选取的区域包含900×1024像素，附图2是旧金山海湾地区人工标定的真实地物参考图。选取的区域包括三种主要地物，分别为：城区、水域、植被类别，灰度对应图为附图3。实验选取占全图像1％的像素点作为训练样本集，所有像素点(包括训练样本)作为分类样本集，附图4是对应使用的样本数表。

经过实验，附图4为旧金山海湾数据集为了量化评价所使用的样本数表。附图5和附图6分别是H/α/A-SVM和CNN方法的实验结果，为本发明实验的对比方法。附图7是本发明方法，即基于极化-超像素提取和深层极化特征的极化SAR图像分类方法。附图8是H/α/A-SVM，CNN以及本发明实验结果进行量化后的对比图。

根据本发明的极化SAR图像分类方法，提高极化SAR图像的准确度是可行的，即是含有多类场景的极化SAR图像也可以正确分类与提高准确率。一证明极化-超像素方法针对极化SAR图像可以更贴合图像中类别的边缘。二证明采取极化-超像素和深层极化特征的极化SAR分类方法可以使准确率大幅度提高。另外，该分类方法可以应用于所有极化SAR图像分类中。

Claims

1.一种用于极化SAR图像的分类方法，其特征在于，包括以下步骤：

S1、以极化SAR图像的散射矩阵作为输入，提取全极化SAR图像的极化特征，其中S_hh、S_vh、S_hv、S_vv分别为四个极化通道下的极化分量；

所述极化特征包括基于极化代数运算的极化特征、基于极化目标分解的极化特征以及将上述两类极化特征归一化组成的高维极化特征向量，表示为：

M_F＝[M_F₁,M_F₂,…,M_F_N],M_F_i∈R^M

其中，N是样本总数，M是特征维数；

S2、在待分类的极化SAR图像中随机选取一定数量的训练样本；

S3、设置卷积神经网络参数，具体包括：

S31、将高维极化特征向量M_F_i进行邻域扩展成256维向量；

S32、利用卷积神经网络计算深层极化特征，对极化SAR图像中的每一样本，都以16×16矩阵形式表达；

S33、利用步骤S2得到的训练样本训练卷积神经网络，直到满足终止条件，得到卷积神经网络参数W,b，其中W是CNN卷积层的卷积核参数，b是卷积层的偏置；

S4、利用Softmax分类器和待分类的极化SAR图像的真实地物分布参考图中已标注的像素，微调初始的卷积层相关参数，将微调后得到的参数作为训练好的卷积层参数，具体为：

S41、由极化SAR图像的真实地物分布参考图，已知每个训练样本对应的标签，对应的标签表示为：

l＝[l₁,l₂,…,l_N],l_i∈L

其中，L是标签集，即L＝{1,2,···,C}，而C是类别总数；

将训练样本送入卷积神经网络网络，得到卷积神经网络提取的深层极化特征数据；

S42、将步骤S41得到的深层极化特征数据送入Softmax分类器，微调卷积神经网络网络的参数，得到更优的卷积层池化参数；

S5、将极化SAR图像的所有样本作为测试样本，输入训练好的卷积神经网络网络中得到每个像素对应的深层极化特征，再送入Softmax分类器，得到每个像素的标签，表示为：

<mrow> <msup> <mi>f</mi> <mrow> <mi>C</mi> <mi>N</mi> <mi>N</mi> </mrow> </msup> <mo>=</mo> <mo>&lsqb;</mo> <msubsup> <mi>f</mi> <mn>1</mn> <mrow> <mi>C</mi> <mi>N</mi> <mi>N</mi> </mrow> </msubsup> <mo>,</mo> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>C</mi> <mi>N</mi> <mi>N</mi> </mrow> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>f</mi> <mi>N</mi> <mrow> <mi>C</mi> <mi>N</mi> <mi>N</mi> </mrow> </msubsup> <mo>&rsqb;</mo> <mo>,</mo> <msubsup> <mi>f</mi> <mi>i</mi> <mrow> <mi>C</mi> <mi>N</mi> <mi>N</mi> </mrow> </msubsup> <mo>&Element;</mo> <mi>L</mi> </mrow>

S6、生成极化SAR图像对应的极化超像素,图像划分成K个超像素区域：{R₁,…,R_j,…,R_K},j＝1,…,K，具体包括：

S61、获取极化SAR图像中每个像素点对应的相干矩阵：利用Pauli偏置，将散射矩阵S转换成向量形式k，

其中上标T表示矩阵转置；

多视极化SAR图像的每个像素点对应的相干矩阵可以表示为：

<mrow> <mi>T</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>L</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <msub> <mi>k</mi> <mi>i</mi> </msub> <msubsup> <mi>k</mi> <mi>i</mi> <mi>H</mi> </msubsup> </mrow>

其中L表示视数，上标H表示共轭转置；

S62、通过S间距采样像素点，初始化聚类中心C_k＝[T_k,x_k,y_k]^T，移动聚类中心至3*3领域最小梯度处，设置每个像素点超像素标签s(i)＝-1,距离d(i)＝∞，其中，S＝(N/K)^1/2，K是设置的超像素数；

S63、在聚类中心C_k附近2S×2S区域内的像素点i，就算C_k到i的距离D，如果D<d(i),则d(i)＝D,s(i)＝k,重复此步骤知道遍历所有的C_k，其中距离D的计算公式为：

其中，Tr(·)为矩阵求迹运算，|·|表示行列式运算，m为调整d_Wishart和d_s的参数；

S64、更新聚类中心C_k并计算残差E；

S65、回到步骤S63进行迭代，直到残差在允许范围内；

S7、确定最终分类结果：

S71、结合步骤S5的卷积神经网络结果和步骤S6的超像素，将每个区域R_j内的标签进行统计；

S72、采用多数投票准则，区域R_j内出现次数最多的标签即为整个超像素的标签，也就是说每个像素的标签与该像素的超像素区域内的标签一致。

2.根据权利要求1所述的一种用于极化SAR图像的分类方法，其特征在于，softmax分类器采用L-BFGS算法优化参数。

3.根据权利要求2所述的一种用于极化SAR图像的分类方法，其特征在于，所述步骤S63的参数m设置为[1,40]。

4.根据权利要求3所述的一种用于极化SAR图像的分类方法，其特征在于，所述步骤S65的迭代次数设置为10。

5.根据权利要求4所述的一种用于极化SAR图像的分类方法，其特征在于，所述卷积神经网络卷积核大小为5×5，最大池化大小为2×2。