CN113240040A - 一种基于通道注意力深度网络的极化sar图像分类方法 - Google Patents

一种基于通道注意力深度网络的极化sar图像分类方法 Download PDF

Info

Publication number
CN113240040A
CN113240040A CN202110606388.XA CN202110606388A CN113240040A CN 113240040 A CN113240040 A CN 113240040A CN 202110606388 A CN202110606388 A CN 202110606388A CN 113240040 A CN113240040 A CN 113240040A
Authority
CN
China
Prior art keywords
scattering
network
channel
polarized
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110606388.XA
Other languages
English (en)
Other versions
CN113240040B (zh
Inventor
金海燕
许炜楠
石俊飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Binhu District Jiuse Public Welfare Service Center
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110606388.XA priority Critical patent/CN113240040B/zh
Publication of CN113240040A publication Critical patent/CN113240040A/zh
Application granted granted Critical
Publication of CN113240040B publication Critical patent/CN113240040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/904—SAR modes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

一种基于通道注意力深度网络的极化SAR图像分类方法，首先对极化SAR图像进行精致Lee滤波处理，然后对滤波后的图像根据不同的目标分解方法提取极化SAR图像的多种特征，来组成完备的极化SAR数据高维特征表达空间，能够全面的刻画地物目标的信息，其次，利用深度可分离网络、空洞卷积网络、多孔空间金字塔和上采样搭建DeepLabV3+的编码解码过程，并且在DeeplabV3+网络中，引入通道注意力ECA‑Net模块对极化SAR数据高维特征进行重新配置权重，凸显出不同特征的重要程度，有效地为高级特征恢复空间信息提供更多的细节信息，从而使得网络能够更有效地提取和表达图像的特征信息，预测出更加精细的图像分类结果。

Description

一种基于通道注意力深度网络的极化SAR图像分类方法
技术领域
本发明属于图像处理和遥感技术领域，涉及一种基于通道注意力深度网络的极化SAR图像分类方法。
背景技术
极化合成孔径雷达(PolarimetricSyntheticAperture Radar，PolSAR)是对目标进行全极化测量的新型雷达技术，PolSAR系统在全极化方式下，通过交替发射和同时接收水平极化与垂直极化两种不同的电磁波，进行不同的组合方式以此获得目标的散射矩阵，从而获得更加丰富的目标信息。由于极化SAR图像的数据较为复杂，现有的图像分类模型主要是为光学图像设计的，很难适用于高分辨率的极化SAR图像，并且PolSAR图像地物分类技术在军事以及民用领域具有广泛的应用场景，所以研究PolSAR图像的地物分类具有重要的意义。
根据处理方法的不同，极化SAR图像分类的方法主要分为以下三种：一是基于散射机理的分类方法，主要包括Cloude等人提出的H/α分解法，Freeman分解法，Cameron分解法等等，根据散射特性对目标进行精细的描述；二是基于极化SAR统计分布的特征：包括服从复Wishart分布的最大似然分类器和利用散射矢量的多元复高斯分布等；三是基于图像处理的方法，例如使用小波变换来提取极化SAR图像的纹理特征，以及包括卷积神经网络(Convolutional Neural Networks，CNN)，深度置信网络(Deep Belief Networks，DBN)，稀疏自编码器(Sparse Auto Encoder，SAE)等深度学习的方法在极化SAR图像分类中得到了广泛的应用。
以卷积神经网络为代表，它具有在少量样本中实现自动学习和逼近复杂函数的高效学习能力，但是CNN在PolSAR图像分类方面仍存在一些不足，它可以判断出一幅图像中包含什么类别的物体，但是不能很好地给出物体的具体轮廓、指出每个像素具体属于哪个物体，因此做到精确的分割就很有难度。在CNN的基础上，像素级的语义分割技术取得了很大的进步，全卷积网络(Fully Convolutional Networks，FCN)在CNN的基础上进行改进，该模型取消了传统卷积神经网络中的全连接层，并使用卷积层代替，其性能相比传统语义分割算法有了突破性地进步。但FCN由于连续池化以及下采样，特征图分辨率逐渐减小，很多细节信息被丢失，导致语义分割结果过于粗糙。Deeplab网络和FCN类似，它是一个专门用来处理语义分割的模型，目前有四个版本：DeeplabV1，DeeplabV2，DeeplabV3，DeeplabV3+，它们是目前语义分割领域较为新颖且优秀的一系列分割算法。对于PolSAR图像的分类问题来说，它实际上就是一个密集像素的预测问题，因此，Deeplab网络在PolSAR图像分类问题中具有很大的潜力。
虽然现有的基于深度学习的语义分割算法不断优化了分割效果并获得了巨大的成功，但对于PolSAR图像的分类问题仍然存在如下问题：基于深度学习的语义分割算法在特征提取阶段通过连续堆叠池化层或降采样来增大感受野，因此PolSAR图像的边缘等细节信息在卷积过程中被丢失，包括Deeplab的语义分割算法提出采用扩张卷积代替池化层来产生密集预测的策略，以DeeplabV3+为例，其编码输出的特征图相较于输入图像分辨率减小了16倍，导致有很多的细节信息被丢失，因此现有的语义分割算法在PolSAR图像分类中对边缘部分的分割效果仍有待改善。
发明内容
本发明目的是提供一种基于通道注意力深度网络的极化SAR图像分类方法，解决了现有技术中存在的PolSAR图像的边缘等细节信息在卷积过程中被丢失，导致图像分类过程中边缘部分的分割效果不佳的问题，能够进一步地提高极化SAR图像分类的精度。
本发明所采用的技术方案是，一种基于通道注意力深度网络的极化SAR图像分类方法，包括以下步骤：
步骤1，输入待分类的极化SAR图像，利用精致极化Lee滤波对极化SAR图像进行预处理；
步骤2，将步骤1处理后的极化SAR图像基于Cloude-Pottier分解、极化相干矩阵、极化协方差矩阵、香农熵、雷达植被指数、Freeman-Durden分解和Yamaguchi分解的方式对极化SAR图像进行特征分解，将其组成完备的极化SAR数据高维特征；
步骤3，将注意力机制应用到DeeplabV3+网络中，搭建基于DeeplabV3+和通道注意力模块ECA-Net的网络结构，命名为ECA_Deeplab，然后随机初始化权重；
步骤4，根据步骤2得到的极化SAR数据高维特征，利用注意力机制模块ECA-Net对特征进行重新配置权重；
步骤5，根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理；
步骤6，将步骤5处理过的归一化后的图像进行切块处理；以每个有标记的像素点为中心，取其周围大小为128×128的图像块为代表的像素点，最后加起来得到M个图像块；
步骤7，根据步骤6得到的M个图像块，分别从M个图像块的每个类别中随机选取部分20％样本进行标记作为训练数据集，将剩下的每个类别中选取10％的图像块作为验证数据集，最后将整幅图像的图像块最为测试的数据集；
步骤8，用步骤7中划分好的数据集输入到训练好的ECA_Deeplab网络中，获得训练好的数据模型，利用训练好的数据模型对测试数据集进行分类，得到测试数据集中每个像素的分类结果，将其分类结果与真实的地物类标进行对比，如果效果不理想则进行再次训练，直到模型分类的准确率达到预期，即可投入使用；对于每个类别，分类正确的像素个数与测试样本中相应类别的像素总个数相比为该类的准确率，将每一类计算完成后最后得到整幅PolSAR图像的分类结果。
步骤2的具体步骤为：
步骤2.1，利用Cloude-Pottier分解得到3维特征：极化熵H、平均散射角α和各向异性度A；
步骤2.2，基于极化数据提取的极化SAR图像的8维特征；
步骤2.3，基于H/A/α特征值参数提取的极化SAR图像的5维特征；
步骤2.4，基于Freeman-Durden分解得到极化SAR图像的3维特征，分别为表面散射功率、二次散射功率和体散射功率；
步骤2.5，基于Yamaguchi分解得到极化SAR图像的4维特征，它是四种散射机制的模型，除了表面散射、二次散射和体散射分量外，还包括螺旋体散射分量；
步骤2.1中，极化熵(polarimetric entropy)H公式定义为：
Figure BDA0003087887100000051
其中，Pk对应于由特征值λk获得的伪概率，N为对数的底数,Pk定义为：
Figure BDA0003087887100000052
其中，N为通道数，N＝3；极化相干矩阵T分解得到多个特征值和特征向量，λk是第k个特征值，λj是第j个特征值，Pk为λk的归一化结果；
极化各向异性度A可定义为：
Figure BDA0003087887100000053
其中，λ1>λ2>λ3>0，λ2是第二个特征值，λ3是第三个特征值，由于特征值的旋转不变的，因此极化各向异性度A也是旋转不变参数。
平均散射角α定义为：
α＝P1α1+P2α2+P3α3 (4)
α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素；
步骤2.2中，八维特征的提取方法分别为：
a)极化相干T矩阵的3维特征：
{T11，T22，T33} (5)
其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33为相干矩阵T中的元素，相干矩阵T的表达式如下所示；
Figure BDA0003087887100000061
b)极化协方差C矩阵的3维特征：
{C11，C22，C33} (7)
其中，极化协方差矩阵C可以由极化相干矩阵T转换得到，C11、C22、C33为极化协方差矩阵C中的元素，极化协方差矩阵C的表达式如下所示；
Figure BDA0003087887100000062
c)SPAN图的2维特征，包括极化相干矩阵T和极化协方差矩阵C的SPAN图，SPAN图为极化SAR系统测量的散射总功率图，在大部分情况下可将其定义为：
span＝|Shh|2+2|Shv|2+|Svv|2 (9)
其中，span为散射矩阵S的各元素的功率之和；
步骤2.3中，五维特征的提取方法分别为：
a)基于SERD和DERD参数的3维特征，相应的平均相干矩阵T3如下所示：
Figure BDA0003087887100000071
在这一情况下，可以推导出相应的特征值的表达式，如下所示：
Figure BDA0003087887100000072
Figure BDA0003087887100000073
Figure BDA0003087887100000074
第一个和第二个特征值与同极化后向散射系数有关，还与垂直和水平通道之间的相关系数有关；关系式
Figure BDA0003087887100000075
总是成立的。第三个特征值对应于交叉极化通道，并与粗糙表面的多次散射有关。
b)利用香农熵得到1维特征，香农熵SE由强度(SE1)和极化(SEP)相关的两分量之和，可定义为：
SE＝log(π3e3|T3|)＝SE1+SEP (14)
其中，SE1为与总后向散射功率相关的强度分量，SEP为与Barakat极化度pT相关的极化分量，这两项的表达式如下；
Figure BDA0003087887100000076
Figure BDA0003087887100000077
c)基于雷达植被指数特征值提取的极化SAR图像的1维特征，Van Zyl采用了随机指向的介质圆柱体模型分析植被区散射，应用随机方向的圆柱电介质模型对普通形状的植被电磁散射进行了模拟，通过分析植被区域电磁散射具有极化特性，提出雷达植被指数为：
Figure BDA0003087887100000081
其中，λ1、λ2、λ3为极化相干矩阵T3的特征值，且λ1>λ2>λ3。
步骤2.4中，三维特征的提取方法为：
Freeman分解将协方差矩阵C分解为三种散射矩阵：
[C3]＝fSCS+fDCD+fVCV (18)
其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fS、fD、fV分别为CS、CD、CV对应的系数；
表面散射功率、二次散射功率、体散射功率分别为PS、PD、PV：
Figure BDA0003087887100000082
其中，α是二次散射的参数，β是表面散射的参数。
步骤2.5中，四维特征的提取方法为：Yamaguchi分解将协方差矩阵C分解为四种散射矩阵：
[C3]＝fSCS+fDCD+fVCV+fHCH (20)
对应于表面散射，二次散射，体散射和螺旋体散射的散射功率PS、PD、PV、PH分别为：
Figure BDA0003087887100000083
得到的总散射功率Span为：
Span＝|SHH|2+2|SHV|2+|SVV|2＝PS+PD+PV+PH (22)。
步骤3具体为：
步骤3.1，利用深度可分离网络、空洞卷积网络、多孔空间金字塔和上采样搭建DeeplabV3+网络的结构，DeeplabV3+的网络结构主要分为两个部分：编码区和解码区，编码区提取图像的深度特征信息，编码区有两个模块，对原始图像进行特征提取的深度卷积神经网络DCNN、带有空洞卷积的空间金字塔池化模块ASPP，ASPP作用是进一步优化DCNN提取的深度特征图的作用；解码区将深度特征图上采样，并与浅层特征图特征融合，利用浅层特征对上采样不能恢复的位置信息进行优化，得到语义分割预测结果；
步骤3.2，在DeeplabV3+网络中，引入ECA通道注意力模块，将通道注意力优化模块置于解码区的特征融合之前，在DeeplabV3+网络的卷积层中的最后一层加入注意力机制，对通道信息进行建模，进行语义分割网络的优化，先将特征图进行全局平均池化，然后加入两个全连接层，使用Sigmoid进行输出，将结果对位相乘加权到之前的特征通道上，得到每个通道的特征信息；其中ECA-Net通道模块是一个轻量级的网络，该模块避免了降维，有效捕获了跨通道交互的信息；在不降低维数的通道级全局平均池化之后，ECA通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息；ECA-Net中利用如下矩阵Wk来学习通道注意力：
Figure BDA0003087887100000091
Wk包含k*c个参数，它避免了不同通道之间完全独立，考虑了不同通道之间的相互所用，让所有的通道共享权重信息，计算公式如下：
Figure BDA0003087887100000101
该方法可以通过卷积核大小为K的一维卷积来实现通道之间的信息交互：
ω＝σ(C1Dk(y)) (25)
其中C1D代表一维卷积，这种方法称之为ECA模块。通过ECA模块得到各特征的通道权重，然后在解码区网络输入特征图的特征通道权重分配并与DeeplabV3+原始网络保持一致，从而得到特征融合网络ECA_Deeplab，其中将深层特征和浅层特征的通道权重分配比为7:3。
步骤4具体为：
步骤4.1，采用ECA-Net通道注意力机制的方法来计算每个通道特征的权重，这个权重表现了该通道特征的重要程度，然后通过特征与权重对应相乘的方法来对每个通道的特征重配权重，从而使得网络实现关注重要的特征同时抑制不重要的特征的功能；
步骤4.2，计算特征对应权重的具体操作是：首先对上一步输出的特征进行全局平均池化，得到一个1×1×C的实数数列，然后经过一个自适应选择的k个卷积核来获得通道之间的信息交互，来计算每个通道特征的权重；通道维度C和卷积核大小k成正比，采用非线性函数，且卷积核数量设为2的k次方，公式如下：
C＝φ(k)＝2(γ*k-b) (26)
给定通道维数C，那么卷积核大小k尺寸为：
Figure BDA0003087887100000111
其中，|t|odd表示t的最接近奇数。另外在实验中，所有的γ和b分别设置为2和1。
步骤5具体为：
根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理，也称为离差标准化，使结果映射到[0,1]之间，归一化公式如下：
Figure BDA0003087887100000112
利用该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
本发明的有益效果是，一种基于通道注意力深度网络的极化SAR图像分类方法，首先根据不同的目标分解方法提取极化SAR图像的多种特征，来构成完备的极化SAR数据高维特征集，能够全面的刻画地物目标的信息；其次，利用深度可分离网络(Xception)、空洞卷积网络(atrous convolution)、多孔空间金字塔(ASPP)和上采样(upsample)搭建DeepLabV3+的编码解码过程，该过程充分利用了网络所产生的多尺度特征信息，采用特征金字塔网络有效的融合了高分辨率的浅层特征；并且在DeeplabV3+网络中，引入通道注意力模块，进行语义分割网络的优化，利用通道注意力模块来获取不同特征通道的重要程度，来更加关注对分类效果有用的特征，忽略对分类作用不大的特征，减少信息的冗余，提高极化SAR图像分类的效率，使得网络能够更有效地提取和表达图像的特征，分类效果更加准确有效。
附图说明
图1是本发明一种基于通道注意力深度网络的极化SAR图像分类方法的总体流程图；
图2是本发明一种基于通道注意力深度网络的极化SAR图像分类方法实验中SanFrancisco地区的极化SAR图像；
图3是本发明一种基于通道注意力深度网络的极化SAR图像分类方法实验中SanFrancisco地区的Ground truth；
图4是本发明一种基于通道注意力深度网络的极化SAR图像分类方法实验中所用极化SAR图像的特征分解图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，一种基于通道注意力深度网络的极化SAR图像分类方法，具体包括以下步骤：
步骤1，输入待分类的极化SAR图像，对极化SAR图像进行预处理(精制极化Lee滤波)；
步骤2，将步骤1处理后的极化SAR图像用不同的极化分解方式进行特征分解，将其组成完备的极化SAR数据高维特征；
步骤3，将注意力机制应用到DeeplabV3+网络中，搭建基于DeeplabV3+和通道注意力模块ECA-Net的网络结构，命名为ECA_Deeplab，然后随机初始化权重；
步骤4，根据步骤2得到的极化SAR数据高维特征，利用注意力机制模块ECA-Net对特征进行重新配置权重；
步骤5，根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理；
步骤6，将步骤5处理过的归一化后的图像进行切块处理，以每个有标记的像素点为中心，取其周围大小为128×128的像素块为一个图像块，最终得到M个图像块；
步骤7，根据步骤6得到的M个图像块，分别从M个图像块的每个类别中随机选取部分20％样本进行标记作为训练数据集，将剩下的每个类别中选取10％的图像块作为验证数据集，最后将整幅图像的图像块最为测试的数据集；
步骤8，用步骤7中划分好的数据集输入到训练好的ECA_Deeplab网络中，获得训练好的数据模型，利用训练好的数据模型对测试数据集进行分类，得到测试数据集中每个像素的分类结果，将其分类结果与真实的地物类标进行对比，对于每个类别，分类正确的像素个数与测试样本中相应类别的像素总个数相比为该类的准确率，将每一类计算完成后最后得到整幅PolSAR图像的分类结果。
所述步骤2的具体步骤为：
步骤2.1，利用Cloude-Pottier分解得到3维特征：极化熵H、平均散射角α和各向异性度A；
极化熵(polarimetric entropy)H公式定义为：
Figure BDA0003087887100000141
其中，Pk对应于由特征值λk获得的伪概率，N为对数的底数,Pk定义为：
Figure BDA0003087887100000142
其中，N为通道数，N＝3；极化相干矩阵T分解得到多个特征值和特征向量，λk是第k个特征值，λj是第j个特征值，Pk为λk的归一化结果；
极化各向异性度(polarimetricanisotroy)A可定义为：
Figure BDA0003087887100000143
其中，λ1>λ2>λ3>0，λ2是第二个特征值，λ3是第三个特征值，由于特征值的旋转不变的，因此极化各向异性度A也是旋转不变参数。
平均散射角α定义为：
α＝P1α1+P2α2+P3α3 (4)
α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素；
步骤2.2，基于极化数据提取的极化SAR图像的8维特征；
a)极化相干T矩阵的3维特征：
{T11，T22，T33} (5)
其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33为相干矩阵T中的元素，相干矩阵T的表达式如下所示；
Figure BDA0003087887100000151
b)极化协方差C矩阵的3维特征：
{C11，C22，C33} (7)
其中，极化协方差矩阵C可以由极化相干矩阵T转换得到，C11、C22、C33为极化协方差矩阵C中的元素，极化协方差矩阵C的表达式如下所示；
Figure BDA0003087887100000152
c)SPAN图的2维特征，包括极化相干矩阵T和极化协方差矩阵C的SPAN图，SPAN图为极化SAR系统测量的散射总功率图，在大部分情况下可将其定义为：
span＝|Shh|2+2|Shv|2+|Svv|2 (9)
其中，span为散射矩阵S的各元素的功率之和；
步骤2.3，基于H/A/α特征值参数提取的极化SAR图像的5维特征；
a)基于SERD和DERD参数的3维特征，相应的平均相干矩阵T3如下所示：
Figure BDA0003087887100000161
在这一情况下，可以推导出相应的特征值的表达式，如下所示：
Figure BDA0003087887100000162
Figure BDA0003087887100000163
Figure BDA0003087887100000164
第一个和第二个特征值与同极化后向散射系数有关，还与垂直和水平通道之间的相关系数有关。关系式
Figure BDA0003087887100000165
总是成立的。第三个特征值对应于交叉极化通道，并与粗糙表面的多次散射有关。
b)利用香农熵(Shannon Entropy)得到1维特征，香农熵SE由强度(SE1)和极化(SEP)相关的两分量之和，可定义为：
SE＝log(π3e3|T3|)＝SE1+SEP (14)
其中，SE1为与总后向散射功率相关的强度分量，SEP为与Barakat极化度pT相关的极化分量，这两项的表达式如下；
Figure BDA0003087887100000166
Figure BDA0003087887100000167
c)基于雷达植被指数特征值提取的极化SAR图像的1维特征，Van Zyl采用了随机指向的介质圆柱体模型分析植被区散射，应用随机方向的圆柱电介质模型对普通形状的植被电磁散射进行了模拟，通过分析植被区域电磁散射具有极化特性，提出雷达植被指数为：
Figure BDA0003087887100000168
其中，λ1、λ2、λ3为极化相干矩阵T3的特征值，且λ1>λ2>λ3。
步骤2.4，基于Freeman-Durden分解得到极化SAR图像的3维特征，分别为表面散射功率、二次散射功率和体散射功率；
Freeman分解将协方差矩阵C分解为三种散射矩阵：
[C3]＝fSCS+fDCD+fVCV (18)
其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fS、fD、fV分别为CS、CD、CV对应的系数；
表面散射功率、二次散射功率、体散射功率分别为PS、PD、PV：
Figure BDA0003087887100000171
其中，α是二次散射的参数，β是表面散射的参数。
步骤2.5，基于Yamaguchi分解得到极化SAR图像的4维特征，它是四种散射机制的模型，除了表面散射、二次散射和体散射分量外，还包括螺旋体散射分量；
Yamaguchi分解将协方差矩阵C分解为四种散射矩阵：
[C3]＝fSCS+fDCD+fVCV+fHCH (20)
对应于表面散射，二次散射，体散射和螺旋体散射的散射功率PS、PD、PV、PH分别为：
Figure BDA0003087887100000172
得到的总散射功率Span为：
Span＝|SHH|2+2|SHV|2+|SVV|2＝PS+PD+PV+PH (22)
所述步骤3的具体步骤为：
步骤3.1，利用深度可分离网络(Xception)、空洞卷积网络(atrousconvolution)、多孔空间金字塔(ASPP)和上采样(upsample)搭建DeeplabV3+网络的结构，可以将其分为两个部分：编码区和解码区，编码区提取图像的深度特征信息，有效的特征提取是实现高精度语义分割的关键，编码器有两个模块，对原始图像进行特征提取的深度卷积神经网络DCNN(Deep convolution neural network)、带有空洞卷积的空间金字塔池化模块ASPP，ASPP作用是进一步优化DCNN提取的深度特征图的作用。解码区将深度特征图上采样，并与浅层特征图特征融合，利用浅层特征对上采样不能恢复的位置信息进行优化，得到语义分割预测结果。
步骤3.2，在DeeplabV3+网络中，引入ECA通道注意力模块，将通道注意力优化模块置于解码区的特征融合之前，在DeeplabV3+网络的卷积层中的最后一层加入注意力机制，对通道信息进行建模，进行语义分割网络的优化，先将特征图进行全局平均池化，然后加入两个全连接层，使用Sigmoid进行输出，将结果对位相乘加权到之前的特征通道上，得到每个通道的特征信息。ECA-Net是一个轻量级的网络，该模块避免了降维，有效捕获了跨通道交互的信息。在不降低维数的通道级全局平均池化之后，ECA通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息。ECA-Net中利用如下矩阵Wk来学习通道注意力：
Figure BDA0003087887100000191
Wk包含k*c个参数，它避免了不同通道之间完全独立，考虑了不同通道之间的相互所用，让所有的通道共享权重信息，计算公式如下：
Figure BDA0003087887100000192
该方法可以通过卷积核大小为K的一维卷积来实现通道之间的信息交互：
ω＝σ(C1Dk(y)) (25)
其中C1D代表一维卷积，这种方法称之为ECA模块。通过ECA模块得到各特征的通道权重，然后在解码区网络输入特征图的特征通道权重分配并与DeeplabV3+原始网络保持一致，从而得到特征融合网络ECA_Deeplab，其中将深层特征和浅层特征的通道权重分配比为7:3。
所述步骤4的具体步骤为：
步骤4.1，采用ECA-Net通道注意力机制的方法来计算每个通道特征的权重，这个权重表现了该通道特征的重要程度，然后通过特征与权重对应相乘的方法来对每个通道的特征重配权重，从而使得网络实现关注重要的特征同时抑制不重要的特征的功能。
步骤4.2，计算特征对应权重的具体操作是：首先对上一步输出的特征进行全局平均池化，得到一个1×1×C的实数数列，然后经过一个自适应选择的k个卷积核来获得通道之间的信息交互，来计算每个通道特征的权重。通道维度C和卷积核大小k成正比，采用非线性函数，且卷积核数量设为2的k次方，公式如下：
C＝φ(k)＝2(γ*k-b) (26)
给定通道维数C，那么卷积核大小k尺寸为：
Figure BDA0003087887100000201
其中，|t|odd表示t的最接近奇数。另外在实验中，所有的γ和b分别设置为2和1。
所述步骤5的具体步骤为：
根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理，也称为离差标准化，使结果映射到[0,1]之间，归一化公式如下：
Figure BDA0003087887100000202
利用该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
所述步骤6的具体步骤为：
将步骤5处理过的归一化后的图像进行切块处理，以每个有标记的像素点为中心，取其周围大小为128×128的像素块为一个图像块，最终得到M个图像块；
所述步骤7的具体步骤为：
步骤7，根据步骤6得到的M个图像块，分别从M个图像块的每个类别中随机选取部分20％样本进行标记作为训练数据集，将剩下的每个类别中选取10％的图像块作为验证数据集，最后将整幅图像的图像块最为测试的数据集；
所述步骤8的具体步骤为：
用步骤7中划分好的数据集输入到训练好的ECA_Deeplab网络中，获得训练好的数据模型，利用训练好的数据模型对测试数据集进行分类，得到测试数据集中每个像素的分类结果，将其分类结果与真实的地物类标进行对比，对于每个类别，分类正确的像素个数与测试样本中相应类别的像素总个数相比为该类的准确率，将每一类计算完成后最后得到整幅PolSAR图像的分类结果。
实施例
本发明的实验数据是NASA/JPL实验室AIRSAR系统在L波段获得的关于加利福尼亚旧金山海湾的全极化SAR图像，图像大小为900×1024像素，其PauliRGB图像如图2所示，该图像对应的Ground truth如图3所示，对于本实验中所用极化SAR图像的特征分解图如图4所示。
本发明提供的PolSAR图像的分类方法具体步骤如下：
(1)输入原始的极化SAR图像；
(2)采用精致Lee滤波法使用3*3的滤波窗口来对极化SAR的T矩阵进行滤波处理；
(3)将滤波后的极化SAR图像用不同的极化分解方式进行特征分解，将其组成完备的极化SAR数据高维特征集；
(4)将注意力机制应用到DeeplabV3+网络中，搭建基于DeeplabV3+和通道注意力模块ECA-Net的网络结构，命名为ECA_Deeplab，然后随机初始化权重；
(5)利用ECA_Deeplab对极化SAR数据的高维特征进行重新配置通道权重；
(6)将处理过的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理；
(7)将归一化后的图像进行切块处理，以每个有标记的像素点为中心，取其周围大小为128×128的像素块为一个图像块，最终得到M个图像块；
(8)根据得到的M个图像块，分别从M个图像块的每个类别中随机选取部分20％样本进行标记作为训练数据集，将剩下的每个类别中选取10％的图像块作为验证数据集，最后将整幅图像的图像块最为测试的数据集；
(9)根据划分好的数据集输入到训练好的ECA_Deeplab网络中，获得训练好的数据模型，利用训练好的数据模型对测试数据集进行分类，得到测试数据集中每个像素的分类结果，将其分类结果与真实的地物类标进行对比，对于每个类别，分类正确的像素个数与测试样本中相应类别的像素总个数相比为该类的准确率，将每一类计算完成后最后得到整幅PolSAR图像的分类结果。
通过上述方法，本发明一种基于通道注意力深度网络的极化SAR图像分类方法，首先对极化SAR图像进行精致Lee滤波处理，然后对滤波后的图像根据不同的目标分解方法提取极化SAR图像的多种特征，来组成完备的极化SAR数据高维特征表达空间，能够全面的刻画地物目标的信息，其次，利用深度可分离网络、空洞卷积网络、多孔空间金字塔和上采样搭建DeepLabV3+的编码解码过程，该过程充分利用了网络所产生的多尺度特征信息，采用特征金字塔网络有效的融合了高分辨率的浅层特征，并且在DeeplabV3+网络中，引入通道注意力ECA-Net模块对极化SAR数据高维特征进行重新配置权重，凸显出不同特征的重要程度，有效地为高级特征恢复空间信息提供更多的细节信息，从而使得网络能够更有效地提取和表达图像的特征信息，预测出更加精细的语义分割结果。

Claims (10)

1.一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，包括以下步骤：
步骤1，输入待分类的极化SAR图像，利用精致极化Lee滤波对极化SAR图像进行预处理；
步骤2，将步骤1处理后的极化SAR图像基于Cloude-Pottier分解、极化相干矩阵、极化协方差矩阵、香农熵、雷达植被指数、Freeman-Durden分解和Yamaguchi分解的方式对极化SAR图像进行特征分解，将其组成完备的极化SAR数据高维特征；
步骤3，将注意力机制应用到DeeplabV3+网络中，搭建基于DeeplabV3+和通道注意力模块ECA-Net的网络结构，命名为ECA_Deeplab，然后随机初始化权重；
步骤4，根据步骤2得到的极化SAR数据高维特征，利用注意力机制模块ECA-Net对特征进行重新配置权重；
步骤5，根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理；
步骤6，将步骤5处理过的归一化后的图像进行切块处理；以每个有标记的像素点为中心，取其周围大小为128×128的图像块为代表的像素点，最后加起来得到M个图像块；
步骤7，根据步骤6得到的M个图像块，分别从M个图像块的每个类别中随机选取部分20％样本进行标记作为训练数据集，将剩下的每个类别中选取10％的图像块作为验证数据集，最后将整幅图像的图像块最为测试的数据集；
步骤8，用步骤7中划分好的数据集输入到训练好的ECA_Deeplab网络中，获得训练好的数据模型，利用训练好的数据模型对测试数据集进行分类，得到测试数据集中每个像素的分类结果，将其分类结果与真实的地物类标进行对比，如果效果不理想则进行再次训练，直到模型分类的准确率达到预期，即可投入使用；对于每个类别，分类正确的像素个数与测试样本中相应类别的像素总个数相比为该类的准确率，将每一类计算完成后最后得到整幅PolSAR图像的分类结果。
2.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2的具体步骤为：
步骤2.1，利用Cloude-Pottier分解得到3维特征：极化熵H、平均散射角α和各向异性度A；
步骤2.2，基于极化数据提取的极化SAR图像的8维特征；
步骤2.3，基于H/A/α特征值参数提取的极化SAR图像的5维特征；
步骤2.4，基于Freeman-Durden分解得到极化SAR图像的3维特征，分别为表面散射功率、二次散射功率和体散射功率；
步骤2.5，基于Yamaguchi分解得到极化SAR图像的4维特征，它是四种散射机制的模型，除了表面散射、二次散射和体散射分量外，还包括螺旋体散射分量。
3.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.1中，极化熵(polarimetric entropy)H公式定义为：
Figure FDA0003087887090000031
其中，Pk对应于由特征值λk获得的伪概率，N为对数的底数,Pk定义为：
Figure FDA0003087887090000032
其中，N为通道数，N＝3；极化相干矩阵T分解得到多个特征值和特征向量，λk是第k个特征值，λj是第j个特征值，Pk为λk的归一化结果；
极化各向异性度A可定义为：
Figure FDA0003087887090000033
其中，λ1>λ2>λ3>0，λ2是第二个特征值，λ3是第三个特征值，由于特征值的旋转不变的，因此极化各向异性度A也是旋转不变参数。
平均散射角α定义为：
α＝P1α1+P2α2+P3α3 (4)
α1为第1个特征向量中的第一个元素、α2为第2个特征向量中的第一个元素、α3为第3个特征向量中的第一个元素。
4.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.2中，八维特征的提取方法分别为：
a)极化相干T矩阵的3维特征：
{T11，T22，T33} (5)
其中，相干矩阵T由极化散射矩阵S在Pauli基下转换得到，T11、T22、T33为相干矩阵T中的元素，相干矩阵T的表达式如下所示；
Figure FDA0003087887090000041
b)极化协方差C矩阵的3维特征：
{C11，C22，C33} (7)
其中，极化协方差矩阵C可以由极化相干矩阵T转换得到，C11、C22、C33为极化协方差矩阵C中的元素，极化协方差矩阵C的表达式如下所示；
Figure FDA0003087887090000042
c)SPAN图的2维特征，包括极化相干矩阵T和极化协方差矩阵C的SPAN图，SPAN图为极化SAR系统测量的散射总功率图，在大部分情况下可将其定义为：
span＝|Shh|2+2|Shv|2+|Svv|2 (9)
其中，span为散射矩阵S的各元素的功率之和。
5.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.3中，五维特征的提取方法分别为：
a)基于SERD和DERD参数的3维特征，相应的平均相干矩阵T3如下所示：
Figure FDA0003087887090000051
在这一情况下，可以推导出相应的特征值的表达式，如下所示：
Figure FDA0003087887090000052
Figure FDA0003087887090000053
Figure FDA0003087887090000054
第一个和第二个特征值与同极化后向散射系数有关，还与垂直和水平通道之间的相关系数有关；关系式
Figure FDA0003087887090000055
总是成立的。第三个特征值对应于交叉极化通道，并与粗糙表面的多次散射有关。
b)利用香农熵得到1维特征，香农熵SE由强度(SE1)和极化(SEP)相关的两分量之和，可定义为：
SE＝log(π3e3|T3|)＝SE1+SEP (14)
其中，SE1为与总后向散射功率相关的强度分量，SEP为与Barakat极化度pT相关的极化分量，这两项的表达式如下；
Figure FDA0003087887090000056
Figure FDA0003087887090000057
c)基于雷达植被指数特征值提取的极化SAR图像的1维特征，Van Zyl采用了随机指向的介质圆柱体模型分析植被区散射，应用随机方向的圆柱电介质模型对普通形状的植被电磁散射进行了模拟，通过分析植被区域电磁散射具有极化特性，提出雷达植被指数为：
Figure FDA0003087887090000061
其中，λ1、λ2、λ3为极化相干矩阵T3的特征值，且λ1>λ2>λ3。
6.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.4中，三维特征的提取方法为：
Freeman分解将协方差矩阵C分解为三种散射矩阵：
[C3]＝fSCS+fDCD+fVCV (18)
其中，CS、CD、CV分别为表面散射矩阵、二次散射矩阵、体散射矩阵，fS、fD、fV分别为CS、CD、CV对应的系数；
表面散射功率、二次散射功率、体散射功率分别为PS、PD、PV：
Figure FDA0003087887090000062
其中，α是二次散射的参数，β是表面散射的参数。
7.根据权利要求2所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤2.5中，四维特征的提取方法为：Yamaguchi分解将协方差矩阵C分解为四种散射矩阵：
[C3]＝fSCS+fDCD+fVCV+fHCH (20)
对应于表面散射，二次散射，体散射和螺旋体散射的散射功率PS、PD、PV、PH分别为：
Figure FDA0003087887090000071
得到的总散射功率Span为：
Span＝|SHH|2+2|SHV|2+|SVV|2＝PS+PD+PV+PH (22)。
8.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤3具体为：
步骤3.1，利用深度可分离网络、空洞卷积网络、多孔空间金字塔和上采样搭建DeeplabV3+网络的结构，DeeplabV3+的网络结构主要分为两个部分：编码区和解码区，编码区提取图像的深度特征信息，编码区有两个模块，对原始图像进行特征提取的深度卷积神经网络DCNN、带有空洞卷积的空间金字塔池化模块ASPP，ASPP作用是进一步优化DCNN提取的深度特征图的作用；解码区将深度特征图上采样，并与浅层特征图特征融合，利用浅层特征对上采样不能恢复的位置信息进行优化，得到语义分割预测结果；
步骤3.2，在DeeplabV3+网络中，引入ECA通道注意力模块，将通道注意力优化模块置于解码区的特征融合之前，在DeeplabV3+网络的卷积层中的最后一层加入注意力机制，对通道信息进行建模，进行语义分割网络的优化，先将特征图进行全局平均池化，然后加入两个全连接层，使用Sigmoid进行输出，将结果对位相乘加权到之前的特征通道上，得到每个通道的特征信息；其中ECA-Net通道模块是一个轻量级的网络，该模块避免了降维，有效捕获了跨通道交互的信息；在不降低维数的通道级全局平均池化之后，ECA通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息；ECA-Net中利用如下矩阵Wk来学习通道注意力：
Figure FDA0003087887090000081
Wk包含k*c个参数，它避免了不同通道之间完全独立，考虑了不同通道之间的相互所用，让所有的通道共享权重信息，计算公式如下：
Figure FDA0003087887090000082
该方法可以通过卷积核大小为K的一维卷积来实现通道之间的信息交互：
ω＝σ(C1Dk(y)) (25)
其中C1D代表一维卷积，这种方法称之为ECA模块。通过ECA模块得到各特征的通道权重，然后在解码区网络输入特征图的特征通道权重分配并与DeeplabV3+原始网络保持一致，从而得到特征融合网络ECA_Deeplab，其中将深层特征和浅层特征的通道权重分配比为7:3。
9.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤4具体为：
步骤4.1，采用ECA-Net通道注意力机制的方法来计算每个通道特征的权重，这个权重表现了该通道特征的重要程度，然后通过特征与权重对应相乘的方法来对每个通道的特征重配权重，从而使得网络实现关注重要的特征同时抑制不重要的特征的功能；
步骤4.2，计算特征对应权重的具体操作是：首先对上一步输出的特征进行全局平均池化，得到一个1×1×C的实数数列，然后经过一个自适应选择的k个卷积核来获得通道之间的信息交互，来计算每个通道特征的权重；通道维度C和卷积核大小k成正比，采用非线性函数，且卷积核数量设为2的k次方，公式如下：
C＝φ(k)＝2(γ*k-b) (26)
给定通道维数C，那么卷积核大小k尺寸为：
Figure FDA0003087887090000091
其中，|t|odd表示t的最接近奇数。另外在实验中，所有的γ和b分别设置为2和1。
10.根据权利要求1所述的一种基于通道注意力深度网络的极化SAR图像分类方法，其特征在于，所述步骤5具体为：
根据步骤4处理后的极化SAR图像的特征图利用线性函数转换法对其进行归一化处理，也称为离差标准化，使结果映射到[0,1]之间，归一化公式如下：
Figure FDA0003087887090000092
利用该方法实现对原始数据的等比例缩放，其中Xnorm为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。
CN202110606388.XA 2021-05-27 2021-05-27 一种基于通道注意力深度网络的极化sar图像分类方法 Active CN113240040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110606388.XA CN113240040B (zh) 2021-05-27 2021-05-27 一种基于通道注意力深度网络的极化sar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110606388.XA CN113240040B (zh) 2021-05-27 2021-05-27 一种基于通道注意力深度网络的极化sar图像分类方法

Publications (2)

Publication Number Publication Date
CN113240040A true CN113240040A (zh) 2021-08-10
CN113240040B CN113240040B (zh) 2023-04-18

Family

ID=77135988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110606388.XA Active CN113240040B (zh) 2021-05-27 2021-05-27 一种基于通道注意力深度网络的极化sar图像分类方法

Country Status (1)

Country Link
CN (1) CN113240040B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554131A (zh) * 2021-09-22 2021-10-26 四川大学华西医院 医学图像处理和分析方法、计算机设备、系统和存储介质
CN114037896A (zh) * 2021-11-09 2022-02-11 合肥工业大学 基于多指标卷积自编码器的PolSAR地物精细分类方法
CN114387439A (zh) * 2022-01-13 2022-04-22 中国电子科技集团公司第五十四研究所 一种基于光学和PolSAR特征融合的语义分割网络
CN114772208A (zh) * 2022-03-31 2022-07-22 东北大学 一种基于图像分割的非接触式皮带撕裂检测系统及方法
CN115410093A (zh) * 2022-08-31 2022-11-29 西安理工大学 基于双通道编码网络和条件随机场的遥感图像分类方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237068A (ja) * 2009-03-31 2010-10-21 Mitsubishi Electric Corp 画像処理装置
CN109766936A (zh) * 2018-12-28 2019-05-17 西安电子科技大学 基于信息传递和注意力机制的图像变化检测方法
CN112084901A (zh) * 2020-08-26 2020-12-15 长沙理工大学 基于gcam的高分辨率sar图像机场跑道区自动检测方法及系统
CN112101189A (zh) * 2020-09-11 2020-12-18 北京航空航天大学 基于注意力机制的sar图像目标检测方法及测试平台
CN112287940A (zh) * 2020-10-30 2021-01-29 西安工程大学 一种基于深度学习的注意力机制的语义分割的方法
US20210133479A1 (en) * 2019-11-05 2021-05-06 Beijing University Of Posts And Telecommunications Fine-grained image recognition method, electronic device and storage medium

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237068A (ja) * 2009-03-31 2010-10-21 Mitsubishi Electric Corp 画像処理装置
CN109766936A (zh) * 2018-12-28 2019-05-17 西安电子科技大学 基于信息传递和注意力机制的图像变化检测方法
US20210133479A1 (en) * 2019-11-05 2021-05-06 Beijing University Of Posts And Telecommunications Fine-grained image recognition method, electronic device and storage medium
CN112084901A (zh) * 2020-08-26 2020-12-15 长沙理工大学 基于gcam的高分辨率sar图像机场跑道区自动检测方法及系统
CN112101189A (zh) * 2020-09-11 2020-12-18 北京航空航天大学 基于注意力机制的sar图像目标检测方法及测试平台
CN112287940A (zh) * 2020-10-30 2021-01-29 西安工程大学 一种基于深度学习的注意力机制的语义分割的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENYU YUE ET AL.: "A Novel Attention Fully Convolutional Network Method for Synthetic Aperture Radar Image Segmentation", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
陈嘉琪: "一种超分辨SAR图像水域分割算法及其应用", 《电子与信息学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554131A (zh) * 2021-09-22 2021-10-26 四川大学华西医院 医学图像处理和分析方法、计算机设备、系统和存储介质
CN114037896A (zh) * 2021-11-09 2022-02-11 合肥工业大学 基于多指标卷积自编码器的PolSAR地物精细分类方法
CN114037896B (zh) * 2021-11-09 2024-02-13 合肥工业大学 基于多指标卷积自编码器的PolSAR地物精细分类方法
CN114387439A (zh) * 2022-01-13 2022-04-22 中国电子科技集团公司第五十四研究所 一种基于光学和PolSAR特征融合的语义分割网络
CN114387439B (zh) * 2022-01-13 2023-09-12 中国电子科技集团公司第五十四研究所 一种基于光学和PolSAR特征融合的语义分割网络
CN114772208A (zh) * 2022-03-31 2022-07-22 东北大学 一种基于图像分割的非接触式皮带撕裂检测系统及方法
CN114772208B (zh) * 2022-03-31 2023-06-23 东北大学 一种基于图像分割的非接触式皮带撕裂检测系统及方法
CN115410093A (zh) * 2022-08-31 2022-11-29 西安理工大学 基于双通道编码网络和条件随机场的遥感图像分类方法

Also Published As

Publication number Publication date
CN113240040B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113240040B (zh) 一种基于通道注意力深度网络的极化sar图像分类方法
Qu et al. uDAS: An untied denoising autoencoder with sparsity for spectral unmixing
Zhu et al. Deep learning meets SAR: Concepts, models, pitfalls, and perspectives
CN110555446B (zh) 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法
Othman et al. Domain adaptation network for cross-scene classification
CN109376804B (zh) 基于注意力机制和卷积神经网络高光谱遥感图像分类方法
CN111310666B (zh) 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN110555458A (zh) 基于注意力机制生成对抗网络的多波段图像特征级融合方法
CN113673590B (zh) 基于多尺度沙漏密集连接网络的去雨方法、系统和介质
CN109726748B (zh) 一种基于频带特征融合的gl-cnn遥感图像场景分类方法
Wang et al. RSCNet: A residual self-calibrated network for hyperspectral image change detection
Huang et al. Compressing multidimensional weather and climate data into neural networks
CN108256557B (zh) 结合深度学习和邻域集成的高光谱图像分类方法
CN113538457A (zh) 利用多频动态空洞卷积的视频语义分割方法
Xiao et al. A review of remote sensing image spatiotemporal fusion: Challenges, applications and recent trends
Shi et al. Deep generative model for spatial–spectral unmixing with multiple endmember priors
Dumka et al. Advanced digital image processing and its applications in Big Data
Asiyabi et al. Complex-valued end-to-end deep network with coherency preservation for complex-valued sar data reconstruction and classification
CN114067217A (zh) 基于非下采样分解转换器的sar图像目标识别方法
Liu et al. High-resolution remote sensing image information extraction and target recognition based on multiple information fusion
CN115984714B (zh) 一种基于双分支网络模型的云检测方法
CN111079505A (zh) 基于栈式稀疏自编码网络的多时相PolSAR散射特征的降维算法
CN116403120A (zh) 一种基于优化ssd算法的遥感图像目标检测方法及系统
CN116188981A (zh) 一种高光谱高空间分辨率遥感影像分类方法及装置
CN113239829B (zh) 基于空间占用概率特征的跨维度遥感数据目标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230717

Address after: Room 710, No. 881, Hongqiao Road, Binhu District, Wuxi City, Jiangsu Province, 214000

Patentee after: Wuxi Binhu District Jiuse Public Welfare Service Center

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Patentee before: XI'AN University OF TECHNOLOGY