CN109344737A - 基于sar极化分解的一维dcnn土地利用分类方法 - Google Patents

Abstract

本发明属于土地利用分类领域，涉及基于SAR极化分解的一维DCNN土地利用分类方法，具体为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。本发明的方法减少了SAR图像的边缘卷积计算复杂度，节省了海量SAR土地利用分类处理时间。

Description

基于SAR极化分解的一维DCNN土地利用分类方法

技术领域

本发明属于土地利用分类领域，具体涉及一种基于SAR极化分解的一维DCNN土地利用分类方法。

背景技术

土地利用分类对及时掌握土地利用状况、了解土地利用变化，进而研究全球环境变化具有重要意义。利用遥感技术进行土地利用分类能高时效高精度地获取大面积区域土地利用覆盖情况。然而，光学遥感数据存在易受云雾影响、有时获取不易的问题。合成孔径雷达(Synthetic Aperture Radar，简称SAR)技术通过主动发射信号获取地面反射信息，因此不受天气和气候影响。此外，SAR数据对建筑物和水域的敏感性，使之很适合于建设用地、湿地等土地利用类型监测。目前通过SAR遥感数据进行土地利用分类的研究很多，这些方法涉及的原理主要来源于以下几个方面：1)不同土地利用类别在后向散射强度上的差异；2)不同土地利用类别在SAR影像纹理上的差异；3)不同土地利用类别在时间序列上的特征差异；4)不同土地利用类别两幅SAR图像的相干分析。

目前利用SAR遥感技术进行土地利用分类的研究主要集中于使用SAR影像幅度信息，而很少使用包括相位信息的复数数据，SAR数据信息未充分利用，存在如下问题：1)后向散射幅度受多种因素影响，会出现相同地物后向散射系数不同或不同地物后向散射系数相同的现象，使得土地利用分类复杂化。2)受地形影响严重，后向散射系数值可能是多点散射值的叠加，因此其值大小不是某点真实散射的反映，阴影的影响加剧了分类的难度。3)雷达遥感中存在斑点噪声现象，会影响土地利用分类结果的精度和破碎化程度。因此，利用多极化复数据提供的丰富信息将更有利于土地利用分类处理。

随着SAR遥感观测技术的发展，多极化高时空分辨率的数据越来越多，如国产高分3、欧空局的Sentinel1、Radarsat2，空间分辨率可能优于10米，重返周期可以达到5-10天，一般都有双极化甚至全极化的单视复数据可供使用。因此，如何充分利用多极化SAR数据丰富的信息，获得高精度的土地利用类型信息是一个亟待解决的问题。以深层卷积神经网络(Deep Convolution Neural Nertwork，DCNN)为代表的深度学习采用类似于人类的抽象思维可以学习隐含的特征，能实现低耗时、低成本、高精度的自动分类，在光学遥感图像土地分类中取得了大量成果的应用。DCNN，根据其卷积核的结构可分为1维(One-dimensionalCNN,1DCNN)，2维(Two-dimensional,2DCNN)和3维(Three-dimensional,3DCNN)，对应卷积核为Conv1D,Conv2D,Conv3D。目前，成功应用于多极化SAR土地利用分类的方法都是基于Conv2D，例如Chen,Si-Wei,and Chen-Song Tao."PolSAR image classification usingpolarimetric-feature-driven deep convolutional neural network."IEEEGeoscience and Remote Sensing Letters 15.4(2018):627-631，Conv3D则是引入了时间维度，适用于特定的情景。Conv2D的卷积核一般设为2×2，3×3或5×5，对固定大小的图像边缘处卷积操作通常采用填充赋值(如0)，重复边缘赋值或周期赋值等外延图像方式来保持卷积后图像大小，外延图像方法人为增加了卷积计算的复杂度。此外，也有采用直接舍弃边缘值方法，但会导致卷积后图像变小。而Conv1D则可以直接在边缘处直接进行高效的卷积运算。鉴于此，面向海量SAR数据处理时，发展一种边缘分类理想的快速、高效1DCNN的多极化SAR土地利用分类方法具有重要意义。

发明内容

为解决现有的技术下存在的如下问题：光学遥感土地利用分类数据获取存在障碍，SAR遥感数据土地利用边缘分类精度不够，难以直接应对大范围土地利用分类的问题。而基于卷积神经网络进行SAR深度特征学习这一先进技术，能够实现基于海量SAR的土地利用自动分类，取得理想效果。本发明提供了一种基于SAR极化分解的一维DCNN土地利用分类方法，该方法可以充分利用SAR复数据所提供的丰富信息，实现高精度、高鲁棒性的自动土地利用分类。同时，鉴于1DCNN卷积核的特性，通过与文献1采用图像边缘“填充补0”的(2,2)Conv2D卷积核方法相比较，Conv1D采用(2,)的卷积核，在图像四个边缘处，计算量只有文献1所述方法1/2。所以，本发明的方法复杂度低，计算时间短，对大范围SAR土地利用分类效果更好。

本发明提供一种基于SAR极化分解的一维DCNN土地利用分类方法，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。具体步骤如下：

S1、根据土地利用分类的需求选定作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2SLC，以及该作业区内待分类土地利用标签样本数据；

S2、将采集的待分类土地利用样本数据叠加到高分辨率的谷歌地球(GoogleEarth)以及R2SLC，寻找类似样本区，得到更多土地利用标签(LabelDataset,LDS)，这些数据都是矢量格式的；

S3、将矢量格式的待分类土地利用标签样本数据转为栅格格式(Raster-LDS)，令其空间分辨率与R2SLC数据保持一致；

S4、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据克劳德-波蒂埃(Cloude-Pottier)极化分解原理，得到相干矩阵(Coherency Matrix,T)的6个特征：T11，T12，T13，T22,T23,T33；并分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征；同时利用SLC数据计算旋转域零角特征θ；将所有的10个特征层进行逐层合并，得到多极化多特征数据集(Multi-Polarization and Multi-IndexsDataset,MPMIDS)；

S5、在S3生成的每一个子区内，重复如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取后的ROI区逐像素的多极化多特征数据集；

S6、将S5的数据按照逐特征层进行最大最小值归一化，并以3:1的比例分别分成用于训练的train数据集和用于验证的val数据集；

S7、使用深度学习框架，设计1DCNN神经网络结构；

S8、加载S6中数据到神经网络中训练、调参(fine-tuning)、优化模型参数；

S9、用优化参数模型对未知的覆盖区影像进行诸像素识别，最终获得土地利用分类结果，指导大范围土地利用类型快速识别中的应用。

其中，S1所述R2SLC是指Radarsat-2卫星的斜距产品(SLC)。

其中，S1所述待分类土地利用样本数据一般地面调查范围有限。

其中，S4所述得到相干矩阵的6个特征，其计算过程如下：

四极化SLC影像像素点表示为矩阵S：

其中，k表示矩阵矢量化,A＝S_HH+S_VV,B＝S_HH-S_VV,C＝2S_HV，*表示复数共轭转置，<·>表示按视数平均，T矩阵元素表示为T_ij(i＝1,2,3；j＝1,2,3)，考虑到T中各元素关于对角的对称性，本发明选择不相关的6个元素：T₁₁、T₁₂、T₁₃、T₂₂、T₂₃、T₃₃。相干矩阵为全极化SAR(R2SLC)数据极化分解的基础。

其中，S4所述分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征，即Cloude-Pottier三组份极化分解(H/α/A)，能有效的反映土地利用类型极化信息，其计算过程如下：

将T矩阵对角化，得到特征值α_i与特征向量λ_i，继而计算：

得到熵H、平均散射角和极化反熵A：

A＝(P₂-P₁)/(P₂+P₁) (7)

其中，S4所述计算旋转域零角特征θ，具体见公式(8)：

θ＝-1/2*Angle[Re(T₁₃)+jRe(T₁₂)] (8)

其中，Angle表示复数的相位，Re表示复数的实部。

其中，S5所述MPMIDS在计算机中是按float32的多层Tiff(Tag Image FileFormat)文件存储的。

其中，S6所述将S5的数据按照逐特征层进行最大最小值归一化，具体为将10个特征指标的值都归一化到0-1之间，并将其转为CSV文本形式：即(row,col,X1,X2...X10，Class)。

其中，S7所述深度学习框架可使用Caffe、Tensoorflow、Pytorch、Theano、Keras中的任一种，其中Keras是支持Theano、Tensorflow等多个后端的高层次框架，这里优选使用Keras(Tensorflow后端)。

其中，S9所述用优化参数模型对未知的覆盖区影像进行诸像素识别，预测结果是一个数值，将该数值链接到一种土地类型。将该数值链接到一种土地类型。使用GDAL(Geospatial Data Abstraction Library)，可以将这些分类结果值空间化。

本发明还提供所述一种基于SAR极化分解的一维DCNN土地利用分类方法在指导海量土地利用类型快速识别中的应用。

本发明与现有技术相比，有益效果为：

本发明所述的一种基于SAR数据极化分解的一维卷积神经网络土地利用分类方法将土地利用分类问题转为极化分解特征图的识别问题，将计算机视觉的图像识别领域最先进的方法——基于卷积神经网络的深度学习模型应用到SAR遥感细粒度土地利用分类中。所训练的模型不需要再次训练，即可直接使用。所给出的一维卷积神经网络简化了传统卷积神经网络的处理参数和复杂度，节省了处理时间，可用于多极化单视复数据的SAR数据处理。该方法可以适应不同区域、不同时期、不同传感器的SAR影像，深度利用现有的SAR复数信息，进一步提高了分类的精度，为大范围土地利用分类提供可操作的实施方法。

附图说明

图1为本发明的流程示意图；

图2为实施例1中10个特征的示意图；

图3为实施例1中S7的1DCNN网络结构图；

图4为实施例1基于本发明方法对大安进行分类结果图像(上)和原始图像(下)的对比。

具体实施方式

下面结合实施例，对本范明的具体实施方式做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

本发明基于SAR极化分解的一维卷积神经网络土地利用分类方法的流程示意图参见附图1，以下面以吉林大安市Radarsat2四极化数据为例进一步阐述本发明的技术方案。

S1、根据土地分类的需求选定作业区，获取作业区范围内不同时期的所有Radarsat2单视复数影像(R2SLC)，以及该作业区内待分类土地利用样本数据，通常采集的样本都是矢量格式的，且地面调查范围有限。

选择吉林大安作为土地利用分类作业区，大安市位于松嫩平原上的小盆地底部，盐渍化严重，中部、南部为平坦地区，农业种植大多位于此区域内诸多河流，土地利用类型丰富。获取数据如下：从加拿大遥感中心提供大安市2017年4月，经过轨道、辐射校正和地形校正完成数据的预处理，得到复数散射数据。样本数据是2017年4月24日-29日在该地区采集的。

S2、将采集的样本数据叠加到高分辨率的Google Earth以及R2SLC，寻找类似样本区，得到更多土地利用标签(LabelDataset,LDS)；

其中还加入后期在高分辨率遥感数据(如Google Earth)影像上目视解译获得的道路、建筑物、水体的相关样本。

S3、将矢量格式的地面土地利用样本数据转为栅格格式，令其空间分辨率与SAR数据保持一样。

将预处理后的遥感数据用WGS84下UTM-51N的10km格网数据进行裁剪，如此每个10km格网下都有属于该10km格网的一系列时间序列的遥感数据基于Python语言和GDAL、Opencv等库，将矢量样本标记转为同分辨率的栅格，标记为一系列数值。

S4、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖(如果某个数据无法全覆盖子区，则用NaN值填补)。在每一个子区，有SLC影像，根据Cloude-Pottier极化分解原理，得到相干矩阵的6个特征(T₁₁、T₁₂、T₁₃、T₂₂、T₂₃、T₃₃)；并分别从每个影像数据按像素计算得到极化熵值(H)、极化平均角(α)和极化反熵(A)这3个特征；同时利用SLC数据计算旋转域零角特征(θ)；将所有的10个特征层进行逐层合并，得到多特征数据集(Multi-Polarization and Multi-Indexs Dataset,MPMIDS)；

在大安的案例中，作业区已经通过10km格网进行划分，在某些10km格网内，有SAR数据和样本数据；而在某些10km格网内仅有SAR数据。在每个10km格网内，分别计算每个SAR数据的10个编码特征，按照T₁₁、T₁₂、T₁₃、T₂₂、T₂₃、T₃₃、H、α、A、θ的顺序排序，最终在每个10km格网得到一个10波段的多特征数据集。上述各特征的计算方式分别参见公式(1)-(8)。

S5、在每一个子区内，重复如下的操作：将MPMIDS和栅格格式的样本数据(LDS)进行感兴趣区(ROI)提取操作，得到该子区内每个像素的多极化多特征数据集；

在所有的10km格网，提取每个像素的特征数据集；如果某10km中有样本数据，则进一步将S4中得到的MPMIDS与样本数据进行感兴趣区提取，提取操作通过GDAL编程实现。最终每个10km格网得到一个所有像素的特征图，如附图2所示，该表每一行代表一个像素，列有像素的序号、样本类型编号、时间、特征组成。其中“样本类型编号”项，如果某像素有样本，则记录其对应的样本类型编号，如果没有，则记录为“0”。

S6、将S5的数据，按照逐特征层进行最大最小值归一化，并以3:1的比例分别分成用于训练的train数据集和用于验证的val数据集。

该过程通过python机器学习Sckit-image和Scikit-learn库实现。

将大安范围内所有10km格网的特征图整合相同目录下，然后对每种土地利用类型特征图按照3:1分成train、val数据集，以CSV格式存储,表结构为：(row,col,X1,X2...X10，Class)。

S7、使用深度学习框架，如Keras(TensorFlow后端)，设计1DCNN神经网络结构；

在大安的案例中，选择Keras作为深度学习训练的框架，Tensorflow作为后端，神经网络模型是我们自己设计的1DCNN,网络结构见附图3。

S8、加载S6中数据到神经网络中训练，调参(fine-tuning)，优化模型参数。

在使用Intel Xeon E5-2620 12 Cores CPU和Tesla K40m(12GB)GPU的服务器上运行Keras,设置Epoch＝100,Batch Size＝50,Learning Rate初始设置0.01，基于cPickle格式保存模型(*.pkl)，以方便调用。

S9、用优化参数模型对未知的覆盖区影像进行逐像素识别，最终获得土地利用分类结果。

在其他任意10km格网中，加载fine-tuning后的模型，对每个像素的特征进行计算，得到预测数值型结果，并于土地利用类型关联。利用GDAL将每个像素的识别结果生成一张该10km的分类结果图像。

本发明对大安进行分类的结果(上)和原始图像的类别(下)的对比见图4。本发明实施例所述的基于SAR极化分解的一维卷积神经网络土地利用分类方法，将土地利用分类转化为SAR极化特征的图像识别过程，将计算机视觉领域最先进的图像分类模型——深层卷积神经网络模型应用到土地利用分类中，使得分类方法既可以适应不同区域、不同时间、不同传感器数据的常态，还可以充分利用SAR极化复数信息，提高分类的总体精度，实用性更强。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于SAR极化分解的一维DCNN土地利用分类方法，其特征在于，其为：获取作业区范围内不同时期的R2SLC以及待分类土地利用样本数据，并获得更多土地利用标签，将样本标签数据转为栅格格式；作业区划分为不同的子区，在每一个子区计算相干矩阵的6个特征、极化熵值、极化平均角、极化反熵和旋转域零角特征，合并得到多极化多特征数据集；将每个子区的数据进行最大最小值归一化，并分成train数据集和val数据集；用深度学习框架设计1DCNN神经网络结构并训练、优化模型参数；以优化模型对未知的覆盖区影像进行逐像素识别，最终获得分类结果。

2.如权利要求1所述的方法，其特征在于，具体步骤如下：

S1、根据土地利用分类的需求选定作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2SLC，以及该作业区内矢量格式的待分类土地利用样本数据；

S2、将采集的待分类土地利用样本数据叠加到高分辨率的谷歌地球以及R2SLC，寻找类似样本区，得到更多土地利用标签LDS；

S3、将矢量格式的待分类土地利用样本数据转为栅格格式，令其空间分辨率与R2SLC数据保持一致；

S4、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据克劳德-波蒂埃极化分解原理，得到相干矩阵的6个特征：T11，T12，T13，T22,T23,T33；并分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征；同时利用SLC数据计算旋转域零角特征θ；将所有的10个特征层进行逐层合并，得到多极化多特征数据集MPMIDS；

S5、在S3生成的每一个子区内，重复如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取后的ROI区逐像素的多极化多特征数据集；

S6、将S5的数据按照逐特征层进行最大最小值归一化，并以3:1的比例分别分成用于训练的train数据集和用于验证的val数据集；

S7、使用深度学习框架，设计1DCNN神经网络结构；

S8、加载S6中数据到神经网络中训练、调参、优化模型参数；

S9、用优化参数模型对未知的覆盖区影像进行诸像素识别，最终获得土地利用分类结果，指导大范围土地利用类型快速识别中的应用。

3.如权利要求2所述的方法，其特征在于，S4所述得到相干矩阵的6个特征，其计算过程如下：

四极化SLC影像像素点表示为矩阵S：

其中，k表示矩阵矢量化,A＝S_HH+S_VV,B＝S_HH-S_VV,C＝2S_HV，*表示复数共轭转置，<·>表示按视数平均，T矩阵元素表示为T_ij(i＝1,2,3；j＝1,2,3)，选择不相关的6个元素：T₁₁、T₁₂、T₁₃、T₂₂、T₂₃、T₃₃。

4.如权利要求3所述的方法，其特征在于，S4所述分别从每个影像数据按像素计算得到极化熵值H、极化平均角α和极化反熵A这3个特征，其计算过程如下：

将T矩阵对角化，得到特征值α_i与特征向量λ_i，继而计算：

得到熵H、平均散射角和极化反熵A：

A＝(P₂-P₁)/(P₂+P₁) (7)。

5.如权利要求4所述的方法，其特征在于，S4所述计算旋转域零角特征θ，具体见公式(8)：

θ＝-1/2*Angle[Re(T₁₃)+jRe(T₁₂)] (8)

其中，Angle表示复数的相位，Re表示复数的实部。

6.如权利要求2所述的方法，其特征在于，S5所述MPMIDS在计算机中是按float32的多层Tiff文件存储的。

7.如权利要求2所述的方法，其特征在于，S6所述将S5的数据按照逐特征层进行最大最小值归一化，具体为将10个特征指标的值都归一化到0-1之间，并将其转为CSV文本形式。

8.如权利要求2所述的方法，其特征在于，S7所述深度学习框架使用Caffe、Tensoorflow、Pytorch、Theano、Keras中的任一种。

9.如权利要求8所述的方法，其特征在于，S9所述用优化参数模型对未知的覆盖区影像进行诸像素识别，预测结果是一个数值，将该数值链接到一种土地类型。

10.权利要求1-9任一项所述一种基于SAR极化分解的一维DCNN土地利用分类方法在指导海量土地利用类型快速识别中的应用。