CN110516728B - 基于去噪卷积神经网络的极化sar地物分类方法 - Google Patents

Abstract

本发明公开一种基于去噪卷积神经网络的极化SAR地物分类方法，实现步骤为：(1)生成每个像素点的特征向量；(2)生成训练样本集和测试样本集；(3)生成均值图；(4)构建去噪卷积神经网络；(5)训练去噪卷积神经网络；(6)将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。本发明采用基于去噪卷积神经网络的极化SAR地物分类方法对图像进行分类，减少了去噪过程对地物信息的损失，保留了更多的极化散射信息，最终提高了分类精度。

Description

基于去噪卷积神经网络的极化SAR地物分类方法

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域的一种基于去噪卷积神经网络的极化合成孔径雷达PolSAR(Polarimetric Synthetic Aperture Radar)图像的地物分类方法。本发明可用于对极化SAR图像进行特征提取和地物分类。

背景技术

极化SAR图像分类是图像解译过程中的一个重要步骤，也是极化SAR图像处理的一个重要研究方向。极化SAR能因其较强的穿透力可获取到丰富的散射地物信息，但普遍存在乘性噪声，在进行解译任务前需对其进行去噪处理等预处理操作。传统方法难以平衡噪声去除和地物信息保留的关系从而损失分类精度，因而急需提出一些提高效率、且有效抑制噪声提高地物分类准确率的方法。

近年来，极化SAR图像分类日益受到人们的重视，但一些现有的分类方法：K-wishart分类、CNN等方法，处理极化SAR图像前，需要对乘性噪声进行抑制。现有的去噪方法：精致Lee滤波(Lee J S等人于1999年发表的论文Polarimetric SAR specklefiltering and its implication for classification)、非局部滤波(Chen.J等人于2011年发表的论文Nonlocal filtering for polarimetric SAR data)等，去噪强度难以控制，可能损失地物信息。本发明提出的基于去噪卷积神经网络的极化SAR地物分类方法：一方面，将去噪操作与分类操作整合为一个端到端的过程，省去预处理的繁琐步骤，提高了地物分类效率；另一方面，利用分类任务的要求去除极化SAR图像中的噪声，有效平衡了噪声的抑制和地物信息的保留，提高了地物分类精度。

Hongying Liu等人在其发表的论文“Terrain classification withPolarimetric SAR based on Deep Sparse Filtering Network”(2016年IGARSS会议论文)中提出基于深度稀疏滤波网络(Deep Sparse Filtering Network,DSFN)模型的极化SAR地物分类方法。该方法首先使用Turbopixel算法和数据的邻域信息对极化SAR数据的空间信息进行预处理，然后将预处理后的数据送入系数滤波网络的第一个隐藏层，然后将学习到的特征输入到第二个隐藏层，以此类推逐层贪婪学习，完成预训练后将最后一个隐藏层得到的特征图送入分类器，最后利用BP算法微调网络。该方法存在的不足之处是，使用算法和数据的领域信息对极化SAR数据进行预处理，影响了地物分类的效率。

Lu Zhang等人在其发表的论文“Stacked Sparse Autoencoder in PolSAR DataClassification Using Local Spatial Information”(IEEE Geoscience and RemoteSensing Letters(Volume:13,Issue:9,Sept.2016)中提出了堆叠稀疏自编码器(Stackedsparse autoencoder,SSAE)模型来解决极化SAR地物分类问题。作者考虑到乘性噪声会影响像素点的散射度量，将局部空间信息加入到SSAE模型中以学习到更具鲁棒性的特征，并通过控制相邻像素到中心像素点的空间距离来调整邻域像素对中心像素的影响。网络的训练方法如下：首先按照经验初始化领域窗口的尺寸，然后对每个像素点裁剪滑窗并将邻域窗口中每个像素的特征向量分别乘以其对应的权重，将得到的矩阵展开为行向量；随机初始化SAE，利用训练集无监督地逐层训练，再随机初始化softmax分类器，使用训练集进行有监督训练；最后融合多个SAE，使用训练集进行有监督训练。该方法的不足之处在于，其一，虽然滑窗操作有效降低了乘性噪声的影响，但滑窗尺寸及位置的选取会影响地物分类精度。其二，模型进行了多次训练，分类效率较低。

中国人民解放军国防科学技术大学在其申请的专利文献“基于卷积神经网络的极化SAR地物分类方法”(专利申请号：CN201710596276.4，公开号：CN107358214A)中提出了一种基于卷积神经网络模型的地物分类方法。该方法主要解决SVM分类器泛化能力有限的问题，使用CNN分类器以提高在训练样本较少的情况下的分类精度。该方法实现的步骤为：(1)首先对极化SAR数据进行相干波滤波并提取滤波后数据的极化特征，包括旋转域零角特征和旋转不变特征，并对特征进行归一化；(2)用第一步中得到的特征训练CNN分类器；(3)加载训练好的参数后对全部数据集进行分类。由于该方法考虑了极化SAR数据中乘性噪声的影响，在提取特征前进行了滤波，同时卷积神经网络模型的泛化能力更好，但是，该方法仍然存在的不足之处在于，滤波的强度难以控制，造成目标信息特征的损失从而降低分类精度。

西安电子科技大学在其申请的专利文献“基于全卷积神经网络的极化SAR地物分类方法”(专利申请号：CN201710369376.3，公开号：CN107239797A)中提出了一种基于全卷积神经网络模型的地物分类方法。该方法主要解决传统方法无法在有标签数据较少的情况下保证精度的问题。该方法实现的步骤为：(1)对待分类的极化SAR数据进行Pauli分解，并转化为RGB特征图；(2)在RGB特征图上随机选取Patch块作为训练样本，全图作为测试样本；(3)用训练数据集训练全卷积神经网络模型，得到训练好的参数后对测试数据集进行分类。该方法虽然有别于传统的地物分类技术，使用全卷积神经网络模型进行分类，分类的准确度更高，但是，该方法仍然存在的不足之处在于，其一，未对极化SAR数据进行降噪处理，影响地物分类精度。其二，选取Patch块的过程降低了地物分类效率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于去噪卷积神经网络的极化SAR地物分类方法。本发明可以有效提高极化SAR地物分类的分类效率和分类精度。

实现本发明目的基本思路是：首先，对待分类的极化SAR图像进行分解，生成相干矩阵组成特征向量图；然后，使用特征向量图生成均值图；最后，用去噪卷积神经网络对特征向量图和均值图进行去噪、特征提取和分类。

为实现上述目的，本发明具体实现步骤包括如下：

(1)生成每个像素点的特征向量：

(1a)输入一张1300×1300大小的待分类的极化SAR图像；

(1b)对输入的极化SAR图像中每个像素点的复散射矩阵进行分解，生成极化相干矩阵并将其展开为行向量，作为该像素点的特征向量，将所有像素点的特征向量组成特征向量图；

(2)生成训练样本集和测试样本集：

(2a)将输入的待分类的极化SAR图像根据真实的地物标记分为5类，分别为植被、水域、低密度土地、高密度土地和开发区；

(2b)从每种类别中随机选取10个有标记样本的特征向量组成训练样本集，将其余样本的特征向量组成测试样本集；

(3)生成均值图：

(3a)将特征向量图中的每个像素点为中心的7×7像素域，作为该像素点的窗口；

(3b)计算每个窗口中的像素点特征向量的平均值，作为该窗口中心像素点的值，将所有像素点的平均值组成均值图；

(4)构建去噪卷积神经网络：

(4a)搭建一个10层的去噪卷积神经网络，其结构依次为：输入层→第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层→第七卷积层→第八个卷积层→第九个卷积层→第十个卷积层→softmax输出层，每个卷积层的激活函数选择tanh双曲正切函数，输入层对输入的特征向量图和均值图进行凸组合；

(4b)设置去噪卷积神经网络中每层参数如下：

将十个卷积层的卷积核大小均设置为3×3，步长均设置为1，padding模式均设置为same，输出通道数依次设置为64、128、64、9、64、64、64、64、64、5；

Softmax输出层的神经元个数设置为5；

(5)训练去噪卷积神经网络：

(5a)将特征向量图和均值图输入到去噪卷积神经网络中，得到所有训练样本的交叉熵损失函数值；

(5b)利用梯度下降法，更新去噪卷积神经网络的权重值，直至交叉熵损失函数的值小于0.4，保存去噪卷积神经网络的权重值，得到训练好的去噪卷积神经网络；

(6)将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。

本发明与现有技术相比具有以下优点：

第一，本发明构建了去噪卷积神经网络，实现了在去噪卷积神经网络中的自动去噪，克服了现有技术去噪与分类分别由两阶段操作，降低地物分类效率的问题，使得本发明具有无需进行去噪预处理操作，提高了分类效率的优点。

第二，本发明构建了去噪卷积神经网络，使用地物分类任务自适应地调整去噪强度，克服了现有技术去噪预处理损失散射信息，降低了地物分类准确率的问题，使得本发明具有对极化SAR图像的极化散射信息保留更多，提高了分类精度的优点。

附图说明

图1是本发明的流程图；

图2是本发明仿真图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照附图1，本发明的具体步骤做进一步的描述。

步骤1，生成每个像素点的特征向量。

输入一张1300×1300大小的待分类的极化SAR图像；

对输入的极化SAR图像中每个像素点的复散射矩阵进行分解，生成极化相干矩阵并将其展开为行向量，作为该像素点的特征向量，将所有像素点的特征向量组成特征向量图；

所述的生成极化相干矩阵的表达式如下：

其中，T表示极化相干矩阵，H和V表示电磁波极化方式，H表示水平方向极化，V表示垂直方向极化，S_HH表示雷达水平发射水平接收的散射分量，S_VV表示雷达垂直发射垂直接收的散射分量，S_HV表示雷达水平发射垂直接收的散射分量，<·>表示按极化视数取平均值，|·|²表示取模的平方操作，(·)^*表示复数的共轭操作。

步骤2，生成训练样本集和测试样本集。

将输入的待分类的极化SAR图像根据真实的地物标记分为5类，分别为植被、水域、低密度土地、高密度土地和开发区；

从每种类别中随机选取10个有标记样本的特征向量组成训练样本集，将其余样本的特征向量组成测试样本集。

步骤3，生成均值图。

将特征向量图中的每个像素点为中心的7×7像素域，作为该像素点的窗口；

计算每个窗口中的像素点特征向量的平均值，作为该窗口中心像素点的值，将所有像素点的平均值组成均值图。

步骤4，构建去噪卷积神经网络。

搭建一个10层的去噪卷积神经网络，其结构依次为：输入层→第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层→第七卷积层→第八个卷积层→第九个卷积层→第十个卷积层→softmax输出层，每个卷积层的激活函数选择tanh双曲正切函数，输入层对输入的特征向量图和均值图进行凸组合；

所述的对输入的特征向量图和均值图进行凸组合是按照下述的公式操作：

其中，

表示特征向量图第i行第j列的像素点和均值图中同位置的像素点的凸组合，b_ij表示均值图中与特征向量图中同位置的像素点的凸组合系数，z_ij表示特征向量图中第i行第j列的像素点，

表示均值图中与特征向量图中同位置的像素点；

设置去噪卷积神经网络中每层参数如下：

将十个卷积层的卷积核大小均设置为3×3，步长均设置为1，padding模式均设置为same，输出通道数依次设置为64、128、64、9、64、64、64、64、64、5；

Softmax输出层的神经元个数设置为5。

步骤5，训练去噪卷积神经网络。

将特征向量图和均值图输入到去噪卷积神经网络中，得到所有训练样本的交叉熵损失函数值；

利用梯度下降法，更新去噪卷积神经网络的权重值，直至交叉熵损失函数的值小于0.4，保存去噪卷积神经网络的权重值，得到训练好的去噪卷积神经网络；

所述梯度下降法的具体步骤如下：

第一步，求出损失函数对需要进行更新优化参数的偏导数；

第二步，利用如下公式，更新去噪卷积神经网络的参数：

其中，w₂表示更新后的去噪卷积神经网络的参数，w₁表示更新前的去噪卷积神经网络的参数，

表示求导操作，L表示交叉熵损失函数。

步骤6，将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。

下面结合仿真对本发明的效果做进一步的说明：

1.仿真实验条件：

本发明的仿真实验的硬件平台为：戴尔计算机，CPU型号为Intel(R)E5-2603，频率1.60GHz，GPU型号为GeForce GTX 1080，显存8G。

本发明的仿真实验的软件平台为：ubuntu 16.0系统，Python 3.5，tensorflow-gpu 1.10.0。

本发明仿真实验所使用的输入图像为旧金山海湾地区极化SAR图像，该极化SAR数据由加拿大太空机构RADARSAT-2采集得到，波段为L波段，该图像尺寸为1300×1300像素，共分为五种地物类别，分别是水域，植被，低密度土地，高密度土地和开发区。

2.仿真内容及其结果分析：

本发明仿真实验是采用本发明和两个现有技术(Wishart分类方法、CNN分类方法)分别对输入的旧金山海湾地区极化SAR图像进行分类，获得分类结果。

在仿真实验中，采用的两个现有技术是指：

现有技术Wishart分类方法是指，O Chapelle等人在“Unsupervised TerrainClassification Preserving Polarimetric Scattering Characteristics.IEEETransactions on Geosciences and Remote Sensing,vol.42,no.4,pp.722-731,2004”中提出的极化SAR地物分类方法，简称Wishart分类方法。

现有技术卷积神经网络CNN分类方法是指，Krizhevsky A等人在“ImageNetClassification with Deep Convolutional Neural Networks.Advances in NeuralInformation Processing Systems,pp:25:2012”中提出的图像分类方法，简称CNN分类方法。

本发明的仿真内容为：

仿真实验1是采用本发明方法在上述仿真条件下进行实验，获得分类结果如图2所示。

仿真实验2是采用现有技术中的CNN方法在上述仿真条件下进行实验，获得分类结果。

仿真实验3是采用现有技术的Wishart方法在上述仿真条件下进行实验，获得分类结果。

利用两个评价指标(每类分类精度、平均精度AA)分别对三种方法的分类结果进行评价。利用下面公式，计算平均精度AA和5类地物的分类精度，将所有计算结果绘制成表1：

表1.仿真实验中本发明和各现有技术分类结果的定量分析表

结合表1可以看出，本发明的平均精度AA为98.35％，高于两种现有技术方法，本发明对水域、植被、低密度土地和开发区的分类均高于两种现有技术方法，证明本发明可以得到更高的极化SAR图像分类精度。

下面结合图2的仿真图对本发明的效果做进一步的描述。

图2为本发明在上述实验条件下获得的旧金山海湾地区极化SAR数据分类结果图和地物类别图例。从图2中可以看出，在以A、B、C标注的区域内像素点分布密集且均匀，其他类别的点极少，说明与A、B、C标注对应的水域、植被和开发区的分类结果较好，错分点极少；在以D和E标注的区域内像素点分布较均匀，但其他类别的点稍多，说明与D和E标注对应的低密度土地和高密度土地的错分点相较于其他类别稍多，但大体识别较为准确。

以上仿真实验表明：本发明方法利用搭建的去噪卷积神经网络，能够在抑制噪声的前提下，保留更多的地物特征，解决了现有技术方法中存在的去噪过程影响极化散射信息的保留，造成分类精度不高的问题，是一种分类精度更高的极化SAR图像地物分类方法。

Claims (4)

1.一种基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于，将极化SAR数据的去噪、特征提取和分类集成在去噪卷积神经网络中，完成地物分类任务，该方法的步骤包括如下：

(1)生成每个像素点的特征向量：

(1a)输入一张1300×1300大小的待分类的极化SAR图像；

(1b)对输入的极化SAR图像中每个像素点的复散射矩阵进行分解，生成极化相干矩阵并将其展开为行向量，作为该像素点的特征向量，将所有像素点的特征向量组成特征向量图；

(2)生成训练样本集和测试样本集：

(2a)将输入的待分类的极化SAR图像根据真实的地物标记分为5类，分别为植被、水域、低密度土地、高密度土地和开发区；

(2b)从每种类别中随机选取10个有标记样本的特征向量组成训练样本集，将其余样本的特征向量组成测试样本集；

(3)生成均值图：

(3a)将特征向量图中的每个像素点为中心的7×7像素域，作为该像素点的窗口；

(3b)计算每个窗口中的像素点特征向量的平均值，作为该窗口中心像素点的值，将所有像素点的平均值组成均值图；

(4)构建去噪卷积神经网络：

(4a)搭建一个10层的去噪卷积神经网络，其结构依次为：输入层→第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层→第七卷积层→第八个卷积层→第九个卷积层→第十个卷积层→softmax输出层，每个卷积层的激活函数选择tanh双曲正切函数，输入层对输入的特征向量图和均值图进行凸组合；

(4b)设置去噪卷积神经网络中每层参数如下：

将十个卷积层的卷积核大小均设置为3×3，步长均设置为1，padding模式均设置为same，输出通道数依次设置为64、128、64、9、64、64、64、64、64、5；

Softmax输出层的神经元个数设置为5；

(5)训练去噪卷积神经网络：

(5a)将特征向量图和均值图输入到去噪卷积神经网络中，得到所有训练样本的交叉熵损失函数值；

(5b)利用梯度下降法，更新去噪卷积神经网络的权重值，直至交叉熵损失函数的值小于0.4，保存去噪卷积神经网络的权重值，得到训练好的去噪卷积神经网络；

(6)将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。

2.根据权利要求1所述的基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于：步骤(1b)中所述的生成极化相干矩阵的表达式如下：

其中，T表示极化相干矩阵，H和V表示电磁波极化方式，H表示水平方向极化，V表示垂直方向极化，S_HH表示雷达水平发射水平接收的散射分量，S_VV表示雷达垂直发射垂直接收的散射分量，S_HV表示雷达水平发射垂直接收的散射分量，<·>表示按极化视数取平均值，|·|²表示取模的平方操作，(·)^*表示复数的共轭操作。

3.根据权利要求1所述的基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于：步骤(4a)中所述的对输入的特征向量图和均值图进行凸组合是按照下述的公式操作：

其中，

表示特征向量图第i行第j列的像素点和均值图中同位置的像素点的凸组合，b_ij表示均值图中与特征向量图中同位置的像素点的凸组合系数，z_ij表示特征向量图中第i行第j列的像素点，

表示均值图中与特征向量图中同位置的像素点。

4.根据权利要求1所述的基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于：步骤(5b)中所述梯度下降法的具体步骤如下：

第一步，求出损失函数对需要进行更新优化参数的偏导数；

第二步，利用如下公式，更新去噪卷积神经网络的参数：

其中，w₂表示更新后的去噪卷积神经网络的参数，w₁表示更新前的去噪卷积神经网络的参数，

表示求导操作，L表示交叉熵损失函数。

Images