CN110555483B - 基于fw-dcgan特征生成的极化sar分类方法 - Google Patents

Abstract

本发明公开了一种基于FW‑DCGAN特征生成的极化SAR分类方法，主要解决极化SAR数据中分类样本分布不均衡问题。其方案为：对原始极化SAR数据特征提取；获取图像中数据较少地物的极化特征；生成服从Wishart分布的随机噪声Z；构建FW‑DCGAN网络并制作其训练样本S₁，利用S₁对FW‑DCGAN网络训练；预测噪声Z生成极化特征；构建卷积神经网络并制作其训练样本与测试样本；利用该训练样本对卷积神经网络进行训练，利用训练好的卷积神经网络对测试样本进行预测，得到分类结果。本发明均衡了极化SAR数据中样本分布，提高了数据量稀少地物的分类准确率及总体正确率，可用于极化SAR图像的大场景地物分类。

Description

基于FW-DCGAN特征生成的极化SAR分类方法

技术领域

本发明属于图像处理技术领域，特别涉及一种极化SAR地物分类方法，适用于极化SAR图像的大场景地物分类。

背景技术

近年来，随着极化合成孔径雷达系统的发展，获取的地物场景呈现越来越大的趋势，如何解决极化SAR图像的大场景地物分类成为现在亟需解决的问题。近年来，随着深度学习在计算机视觉、语音信号处理、自然语言处理等领域表现出的优良性能，如何将深度学习方法与极化SAR图像分类问题相结合也变成了如今极化SAR图像处理领域的热点问题。深度学习方法是通过逐层训练学习的思想，对于训练数据的内在属性特征不断挖掘，进而实现数据的抽象表示。

但是基于深度学习方法往往需要大量的数据进行训练以此来获取比较鲁棒的模型。然而在极化SAR图像中，一般只有少部分数据拥有标签，其中大部分数据缺乏正确的标记，因此，如何利用其中标记的少量样本训练优化学习模型是目前极化SAR图像处理领域中极为关键的问题。其次，在庞大的极化SAR数据中，并不是所有种类的样本数量是均衡的，如何将不同种类的地物样本数量均衡化也是极化SAR地物分类中亟需解决的问题。

针对以上问题，西安电子科技大学在其申请的专利“一种基于DCGAN的极化SAR图像分类方法”(专利申请号：CN201710440090.X，公开号：CN107292336A)，提出了利用DCGAN方法进行极化SAR图像分类，其实现步骤包括：获取极化散射矩阵S，对其进行分解得到奇次散射系数、偶次散射系数以及体散射系数，然后构建基于像素点的特征矩阵F；将基于像素点的特征矩阵F中的各元素值归一化到[0,1]之内，将归一化的结果记作特征矩阵F1；将特征矩阵F1中的每个元素通过其周围64×64的图像块进行替换，得到基于图像块的特征矩阵F2；构造无标签训练数据集D1的特征矩阵W1及有标签训练数据集D2的特征矩阵W2；构造测试数据集T的超像素聚类中心的特征矩阵W3；得到训练后的训练网络模型DCGAN；构建判别分类网络模型,然后通过判别分类网络模型对特征矩阵W3进行分类。该方法虽然可以提高分类结果的精度，但不足之处在于其对测试数据进行预测时仍要基于SLIC超像素算法划分超像素，进而得到超像素的聚类中心，这一过程增加了预测数据过程的复杂性和时间成本。另外该方法没有考虑极化SAR数据分布不均衡问题，所以无法对极化SAR图像中一些类别所占比例较小的地物进行有针对性地提高其分类准确率，从而限制了该方法的总体分类准确率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于FW-DCGAN特征生成的极化SAR分类方法，以对极化SAR图像中一些类别所占比例较小的地物进行有针对性地准确分类，提高总体分类准确率。

实现本发明目的技术方案是：独特地对极化特征进行生成，并且生成网络的初始化噪声采取服从Wishart分布的随机数据，并将生成数据与真实数据进行融合构造训练样本，为卷积神经网络的训练学习提供相对均衡而又丰富的数据，从而获得泛化能力更强的模型，进而获得更好的分类结果，其实现步骤包括如下：

(1)对整幅原始极化SAR数据进行特征提取，得到整幅原始SAR数据的散射熵H、各向异性系数A、散射角α这三种特征，构成整幅原始极化SAR数据的特征集X；

(2)选取一种数据量在原始极化SAR数据中所占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B，并在该地物B区域内部选取20％的样本，获得该区域的散射熵H′、各向异性系数A′、散射角α′这三种特征，构成该地物B区域的特征集X_B；

(3)生成服从Wishart分布的随机噪声数据Z；

(4)构建由生成器网络G和判别器网络D构成的FW-DCGAN网络,并构造其训练样本：

(4a)构建由输入层、卷积层和输出层共6层结构的判别器网络D，并初始化判别网络D的各层参数；

(4b)构建由输入层，反卷积层和输出层共6层结构的生成器网络G，并初始化生成成器网络G的各层参数；

(4c)利用地物B区域的特征集合X_B与随机噪声数据Z组成FW-DCGAN网络的训练样本S₁；

(5)利用训练样本S₁同时对判别器网络D与生成器网络G进行交叉训练，得到训练好的判别器网络D和训练好的生成器网络G；

(6)利用训练好的生成器网络G对随机噪声数据Z进行预测，得到生成的极化特征F；

(7)构建由输入层，卷积层，全连接层和softmax层共6层结构的卷积神经网络，并初始化卷积神经网络的各层参数；

(8)分别从生成的极化特征F、整幅原始极化SAR数据的特征集合X及原始极化SAR数据中各选取1％的数据，组成卷积神经网络的训练样本S₂，其余数据作为测试样本；

(9)利用卷积神经网络的训练样本S₂对卷积神经网络进行训练；

(10)利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果。

本发明与现有技术相比具有以下优点：

1)解决了极化SAR数据中分类样本分布不均衡问题

本发明使用FW-DCGAN网络生成极化特征而不是传统方法中生成极化SAR原始数据，并且对FW-DCGAN网络的生成网络中的初始化噪声进行改进，将噪声初始化为服从Wishart分布的随机数据而不是传统的基于高斯分布的随机数据，使得生成的特征更加符合极化SAR原始数据的分布。由此可以根据不同地物类别样本分布情况有针对性地生成新的特征样本，进而解决了极化SAR数据分类样本分布不均衡问题。

2)总体分类准确率更高

本发明基于FW-DCGAN网络对极化特征进行生成，并将生成的极化特征与原始极化SAR数据进行组合构造训练样本来训练卷积神经网络，而不是像传统方法中直接利用极化SAR原始数据，或直接利用生成的极化SAR数据来训练卷积神经网络，本发明这种构造训练样本的方法为卷积神经网络提供了相对均衡而又丰富的数据，进而提高了总体的分类正确率。

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是用现有卷积神经网络方法对图2进行仿真分类的结果图；

图5是用现有DCGAN方法对图2进行仿真分类的结果图；

图6是用本发明方法对图2进行仿真分类的结果图。

具体实施方式

下面结合附图对本发明的实施过程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.对整幅原始极化SAR数据进行特征提取。

(1a)使用polSARpro软件提取原始极化SAR数据的极化相干矩阵T；

(1b)采用Cloude分解方法对极化相干矩阵T进行分解，得到原始极化SAR数据的散射熵H、散射角α和各向异性系数A这三种极化特征；

(1c)构建一个大小为M×N×3的三维向量，分别将组合散射熵H、散射角α和各向异性系数A赋值给该向量的三个维度，得到整幅原始极化SAR数据的特征集合X，其中M，N分别是极化SAR图像的高和宽。

步骤2.获取在原始极化SAR数据中所占比例较小的地物的极化特征。

(2a)对原始极化SAR数据进行Pauli分解得到伪彩图像I；

(2b)结合伪彩图像I和真实地物标记，选取一种在原始极化SAR数据占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B；

(2c)选取地物B内一个大小为73*73的图像区域，在该图像区域内逐像素滑动获得100个大小为64*64子区域；

(2d)分别在原始极化SAR数据的散射熵H、散射角α和各向异性系数A上获取100子区域对应位置上的散射熵H′、各向异性系数A′和散射角α′；

(2e)构建100个大小为64×64×3的三维向量，分别将100子区域对应的散射熵H′、各向异性系数A′和散射角α′赋值给每个向量的三个维度，得到地物B区域的特征集X_B。

步骤3.生成服从Wishart分布的随机噪声数据Z。

(3a)计算地物B区域内每个像素的Wishart距离特征d_i：

其中C_i表示给定像素点的极化协方差矩阵，其服从Wishart分布，trace(·)表示计算矩阵的迹，Const是取值为50的常数；

(3b)随机选取B区域内100个像素的Wishart距离特征值构成随机噪声数据Z＝{d_j,j＝1,2,3...100}。

步骤4.构建由生成器网络G和判别器网络D构成的FW-DCGAN网络,并构造其训练样本。

(4a)构建判别器网络D，其结构如下：

第一层为输入层，其大小为64×64×3；

第二至第五层均为卷积层，其卷积核大小为5×5,步长为2，激活函数为LeakyReLU；

第六层为输出层，其神经元个数为1；

将每一层权重初始化为符合高斯分布的随机向量；

(4b)构建的生成器网络G，其结构如下：

第一层为输入层，其大小为100；

第二层为全连接层，其大小为8192；

第三至第六层均为反卷积层，其卷积核大小为5×5，步长为2，激活函数为Tanh；

将每一层权重初始化为符合高斯分布的随机向量。

(4c)利用地物B区域的特征集合X_B与随机噪声数据Z组成FW-DCGAN网络的训练样本S₁。

(4c1)分别将特征集X_B与随机噪声数据Z的样本顺序完全打乱；

(4c2)按照1：1的比例从打乱后两组样本中共选取200个构成训练样本S₁。

步骤5利用训练样本S₁对FW-DCGAN网络进行训练。

(5a)从随机噪声数据Z中选取m个样本，记为一个训练批次{Zⁱ,i＝1,2,3...m}，其中m＝50，Zⁱ表示当前批次的第i个样本，将{Zⁱ,i＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Zⁱ),i＝1,2,3...m}；

(5b)从B区域的特征集X_B中选取m个样本，记为一个训练批次

表示当前批次的第i个样本，将{G(Zⁱ),i＝1,2,3...m}和

输入到判别器网络D中，经过各个卷积层的特征提取得到输出结果{D(G(Zⁱ)),i＝1,2,3...m}和

(5c)计算判别器网络D的损失函数E_D：

(5d)更新判别器网络D的权重:

其中

表示判别器网络D第l层的第k次迭代的权重，

表示判别器网络D第l层的第k+1次迭代的权重；

(5e)判断S₁中的样本是否均完成了步骤(5a)-(5d)，若是，则执行步骤(5f)，否则，重复执行(5a)-(5d)；

(5f)重新从随机噪声数据Z中选取m个样本，记为一个训练批次{Z^j,j＝1,2,3...m}，其中m＝50，Z^j表示当前批次的第j个样本，将{Z^j,j＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Z^j),j＝1,2,3...m}；

(5g)将{G(Z^j),j＝1,2,3...m}输入到判别器网络D中，经过该网络中各个卷积层的特征提取，得到输出结果{D(G(Z^j)),j＝1,2,3...m}；

(5h)计算生成器网络G的损失函数E_G：

(5i)更新生成器网络G的权重：

其中

表示生成器网络G第l层的第k次迭代的权重，

表示生成器网络G第l层的第k+1次迭代的权重；

(5g)判断随机噪声数据Z中的所有样本都完成了步骤(5f)-(5i)，若是，则执行(5k)，否则，重复(5f)-(5i)；

(5k)判断是否达到网络的最大迭代次数50，若是，则终止训练过程，得到训练好的判别器网络D和训练好的生成器网络G，否则，回到步骤(5a)。

步骤6利用训练好的生成器网络G对随机噪声数据Z进行预测。

(6a)依次从随机噪声Z中选取一个样本，将该样本输入到训练好的生成器网络G中；

(6b)利用训练好的生成器网络G对样本依次进行全连接层映射和反卷积逐层上采样，得到网络的输出结果，该输出结果即为生成的极化特征F。

步骤7构建卷积神经网络，并初始化卷积神经网络的各层参数。

设定卷积神经网络结构如下：

第一层为输入层，其大小为9×9×7；

第二至第四层为卷积层，其卷积核大小设为3×3，步长为2，激活函数为Relu；

第五层为全连接层，其大小为5；

第六层为softmax层；

将每一层权重初始化为服从高斯分布的随机向量。

步骤8构造卷积神经网络的训练样本与测试样本。

分别从生成的极化特征F、整幅原始极化SAR数据的特征集合X及原始极化SAR数据中各选取1％的数据，并将这部分样本顺序完全打乱，组成卷积神经网络的训练样本S₂，其余数据作为测试样本。

步骤9利用训练样本S₂对卷积神经网络进行训练。

(9a)从训练样本S₂中依次选取一个样本输入网络，通过3个卷积层进行特征提取，将卷积所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；

(9b)计算网络实际输出结果与理论输出结果的误差E：

其中

表示第n个样本对应的第i维的理论输出结果，

表示第n个样本对应的第i维的网络实际输出结果，c表示极化SAR地物类别数；

(9c)更新卷积神经网络的权重：

其中w^l(k)表示卷积神经网络第l层的第k次迭代的权重，w^l(k+1)表示卷积神经网络第l层的第k+1次迭代的权重；

(9d)判断S₂中所有样本是否都完成了步骤(9a)-(9c)，若是，则执行步骤(9e)，否则，回到步骤(9a)；

(9e)判断是否达到网络的最大迭代次数50，若是，则结束训练过程，得到训练好的卷积神经网络，否则，重复步骤(9a)-(9d)。

步骤10利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果。

(10a)从测试样本中依次选取一个样本输入到训练好的卷积神经网络，通过卷积层进行特征提取，将卷积层所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；

(10b)使用5种不同的颜色对极化SAR图像中不同的地物加以区分，对网络输出结果进行上色，相同的输出结果涂上相同的颜色，不同输出结果涂上不同的颜色，得到极化SAR图像最终的分类结果。

本发明的效果可通过以下仿真进一步说明。

1.仿真数据与环境

仿真在Windows7，Matlab 2016b环境下进行，数据采用的是旧金山海湾的极化SAR图像，图像大小为1800×1380，分辨率是10m×5m，图2所示是由Pauli分解得到的伪彩图像，图3表示其对应的真实地物的标签图。

2.仿真内容

将图2所示的旧金山海湾地区的极化SAR图像作为测试图像，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，将整幅图像作为测试样本库。

仿真一，用现有的卷积神经网络方法对图2进行分类，分类结果如图4所示。

仿真二，用现有的DCGAN方法对图2进行分类，分类结果如图5所示。

仿真三，用本发明方法对图2进行分类，分类结果如图6所示。

三个仿真实验每类地物的分类准确率及总体分类准确率，如表1所示。

表1

3.仿真效果分析

从表1可以看出，本发明的方法具有更高的总体分类准确率，结合图4、图5、图6和表1可以看到卷积神经网络方法和传统DCGAN网络均无法有效地区分的开发城区，而本发明方法对该地区的分类准确率有了非常明显地提升，虽然在海域和植被地区本发明方法的准确率比卷积神经网络的结果稍差，但是在低密度区和开发城区均实现了最高的分类精度。

仿真结果表明，本发明通过对原始极化SAR数据扩充后进行卷积神经网络学习，可以有效提高所生成地物的分类准确率。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于FW-DCGAN特征生成的极化SAR分类方法，其特征在于，包括：

(1)对整幅原始极化SAR数据进行特征提取，得到整幅原始SAR数据的散射熵H、各向异性系数A、散射角α这三种特征，构成整幅原始极化SAR数据的特征集X；

(2)选取一种数据量在原始极化SAR数据中所占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B，并在该地物B区域内部选取20％的样本，获得该区域的散射熵H′、各向异性系数A′、散射角α′这三种特征，构成该地物B区域的特征集X_B；

(3)生成服从Wishart分布的随机噪声数据Z；

(4)构建由生成器网络G和判别器网络D构成的FW-DCGAN网络,并构造其训练样本：

(4a)构建由输入层、卷积层和输出层共6层结构的判别器网络D，并初始化判别网络D的各层参数；

(4b)构建由输入层，反卷积层和输出层共6层结构的生成器网络G，并初始化生成成器网络G的各层参数；

(4c)利用地物B区域的特征集合X_B与随机噪声数据Z组成FW-DCGAN网络的训练样本S₁；

(5)利用训练样本S₁同时对判别器网络D与生成器网络G进行交叉训练，得到训练好的判别器网络D和训练好的生成器网络G；

(6)利用训练好的生成器网络G对随机噪声数据Z进行预测，得到生成的极化特征F；

(7)构建由输入层，卷积层，全连接层和softmax层共6层结构的卷积神经网络，并初始化卷积神经网络的各层参数；

(8)分别从生成的极化特征F、整幅原始极化SAR数据的特征集合X及原始极化SAR数据中各选取1％的数据，组成卷积神经网络的训练样本S₂，其余数据作为测试样本；

(9)利用卷积神经网络的训练样本S₂对卷积神经网络进行训练；

(10)利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果。

2.根据权利要求1所述的方法，其中所述(1)的实现如下：

(1a)使用polSARpro软件提取原始极化SAR数据的极化相干矩阵T；

(1b)采用Cloude分解方法对极化相干矩阵T进行分解，得到原始极化SAR数据的散射熵H、散射角α和各向异性系数A这三种极化特征；

(1c)构建一个大小为M×N×3的三维向量，分别将组合散射熵H、散射角α和各向异性系数A赋值给该向量的三个维度，得到整幅原始极化SAR数据的特征集合X，其中M，N分别是极化SAR图像的高和宽。

3.根据权利要求1所述的方法，其中所述(2)的实现如下:

(2a)对原始极化SAR数据进行Pauli分解得到伪彩图像I；

(2b)结合伪彩图像I和真实地物标记，选取一种在原始极化SAR数据占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B；

(2c)选取地物B内一个大小为73*73的图像区域，在该图像区域内逐像素滑动获得100个大小为64*64子区域；

(2d)分别在原始极化SAR数据的散射熵H、散射角α和各向异性系数A上获取100子区域对应位置上的散射熵H′、各向异性系数A′和散射角α′；

(2e)构建100个大小为64×64×3的三维向量，分别将100子区域对应的散射熵H′、各向异性系数A′和散射角α′赋值给每个向量的三个维度，得到地物B区域的特征集X_B。

4.根据权利要求1所述的方法，其中(3)中生成服从Wishart分布的随机噪声数据Z，其实现如下：

(3a)计算地物B区域内每个像素的Wishart距离特征d_i：

其中C_i表示给定像素点的极化协方差矩阵，其服从Wishart分布，trace(·)表示计算矩阵的迹，Const是取值为50的常数；

(3b)随机选取B区域内100个Wishart距离特征值构成随机噪声数据Z。

5.根据权利要求1所述的方法，其特征在于，所述(4a)中构建的判别器网络D，其结构如下：

第一层为输入层，其大小为64×64×3；

第二至第五层均为卷积层，其卷积核大小为5×5,步长为2，激活函数为LeakyReLU；

第六层为输出层，其神经元个数为1；

每一层权重初始化为符合高斯分布的随机向量；

所述(4b)中构建的生成器网络G，其结构如下：

第一层为输入层，其大小为100；

第二层为全连接层，其大小为8192；

第三至第六层均为反卷积层，其卷积核大小为5×5，步长为2，激活函数为Tanh；

每一层权重初始化为符合高斯分布的随机向量。

6.根据权利要求1所述的方法，其中(5)中利用训练样本S₁同时对判别器网络D与生成器网络G进行交叉训练，其实现如下：

(5a)从随机噪声数据Z中选取m个样本，记为一个训练批次{Zⁱ,i＝1,2,3...m}，其中m＝50，Zⁱ表示当前批次的第i个样本，将{Zⁱ,i＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Zⁱ),i＝1,2,3...m}；

(5b)从B区域的特征集X_B中选取m个样本，记为一个训练批次

表示当前批次的第i个样本，将{G(Zⁱ),i＝1,2,3...m}和

输入到判别器网络D中，经过各个卷积层的特征提取得到输出结果{D(G(Zⁱ)),i＝1,2,3...m}和

(5c)计算判别器网络D的损失函数E_D：

(5d)更新判别器网络D的权重:

其中

表示判别器网络D第l层的第k次迭代的权重，

表示判别器网络D第l层的第k+1次迭代的权重；

(5e)判断S₁中的样本是否均完成了步骤(5a)-(5d)，若是，则执行步骤(5f)，否则，重复执行(5a)-(5d)；

(5f)重新从随机噪声数据Z中选取m个样本，记为一个训练批次{Z^j,j＝1,2,3...m}，其中m＝50，Z^j表示当前批次的第j个样本，将{Z^j,j＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Z^j),j＝1,2,3...m}；

(5g)将{G(Z^j),j＝1,2,3...m}输入到判别器网络D中，经过该网络中各个卷积层的特征提取，得到输出结果{D(G(Z^j)),j＝1,2,3...m}；

(5h)计算生成器网络G的损失函数E_G：

(5i)更新生成器网络G的权重：

其中

表示生成器网络G第l层的第k次迭代的权重，

表示生成器网络G第l层的第k+1次迭代的权重；

(5g)判断随机噪声数据Z中的所有样本都完成了步骤(5f)-(5i)，若是，则执行(5k)，否则，重复(5f)-(5i)；

(5k)判断是否达到网络的最大迭代次数50，若是，则终止训练过程，得到训练好的判别器网络D和训练好的生成器网络G，否则，回到步骤(5a)。

7.根据权利要求1所述的方法，其中(6)中利用训练好的生成器网络G对随机噪声数据Z进行预测，得到生成的极化特征F，其实现如下：

(6a)依次从随机噪声Z中选取一个样本，将该样本输入到训练好的生成器网络G中；

(6b)利用训练好的生成器网络G对样本依次进行全连接层映射和反卷积逐层上采样，得到网络的输出结果，该输出结果即为生成的极化特征F。

8.根据权利要求1所述的方法，其中(7)中构建的由输入层，卷积层，全连接层和softmax层共6层结构的卷积神经网络，其结构如下：

第1层为输入层，其大小为9×9×7；

第2-4层为卷积层，其卷积核大小设为3×3，步长为2，激活函数为Relu；

第5层为全连接层，其大小为5；

第6层为softmax层；

每一层权重初始化为从多维高斯分布取样的随机向量。

9.根据权利要求1所述的方法，其中(9)中利用卷积神经网络训练样本S₂对卷积神经网络进行训练，其实现如下：

(9a)从训练样本S₂中依次选取一个样本输入网络，通过3个卷积层进行特征提取，将卷积所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；

(9b)计算网络实际输出结果与理论输出结果的误差E：

其中

表示第n个样本对应的第i维的理论输出结果，

表示第n个样本对应的第i维的网络实际输出结果，c表示极化SAR地物类别数；

(9c)更新卷积神经网络的权重：

其中w^l(k)表示卷积神经网络第l层的第k次迭代的权重，w^l(k+1)表示卷积神经网络第l层的第k+1次迭代的权重；

(9d)判断S₂中所有样本是否都完成了步骤(9a)-(9c)，若是，则执行步骤(9e)，否则，回到步骤(9a)；

(9e)判断是否达到网络的最大迭代次数50，若是，则结束训练过程，得到训练好的卷积神经网络，否则，重复步骤(9a)-(9d)。

10.根据权利要求1所述的方法，其中(10)中利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果，其实现如下：

(10a)从测试样本中依次选取一个样本输入到训练好的卷积神经网络，通过卷积层进行特征提取，将卷积层所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；

(10b)使用5种不同的颜色对极化SAR图像中不同的地物加以区分，对网络输出结果进行上色，相同的输出结果涂上相同的颜色，不同输出结果涂上不同的颜色，得到极化SAR图像最终的分类结果。

Images