CN114202674A - 一种基于散射机制用于简缩极化sar的交互cnn分类方法 - Google Patents

一种基于散射机制用于简缩极化sar的交互cnn分类方法 Download PDF

Info

Publication number
CN114202674A
CN114202674A CN202111540134.9A CN202111540134A CN114202674A CN 114202674 A CN114202674 A CN 114202674A CN 202111540134 A CN202111540134 A CN 202111540134A CN 114202674 A CN114202674 A CN 114202674A
Authority
CN
China
Prior art keywords
polarization
scattering
matrix
classification
interactive
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.)
Pending
Application number
CN202111540134.9A
Other languages
English (en)
Inventor
尹嫱
黄译
张帆
周勇胜
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.)
Beijing University of Chemical Technology
Original Assignee
Beijing University of Chemical 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 Beijing University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202111540134.9A priority Critical patent/CN114202674A/zh
Publication of CN114202674A publication Critical patent/CN114202674A/zh
Pending legal-status Critical Current

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明公开了一种基于散射机制用于简缩极化SAR的交互CNN分类方法，提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m‑δ分解区分不同地物目标的散射机制；对测试样本进行分类，计算分类结果的混淆矩阵，通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度。本发明在简缩极化SAR领域使用了权值共享、交互通道机制的多通道卷积神经网络方法，提升了分类精度。

Description

一种基于散射机制用于简缩极化SAR的交互CNN分类方法
技术领域
本发明涉及一种基于散射机制用于简缩极化SAR的交互CNN分类方法， 属于极化合成孔径雷达图像处理领域。
背景技术
合成孔径雷达(SAR)是一种有源微波遥感成像系统，具有全天时、全天候 的工作能力，通过改变发射波的工作频率、极化方式和照射方向等，以直观的 高分辨率影像方式、从不同侧面反映被观测地物及目标的散射特性，不同层次 地满足广泛的应用需求。
随着综合性微波成像传感器的陆续研制，国外对于微波成像技术的研究逐 步从单波段、单极化、单角度走向多波段、多极化、多角度、及其微波成像综 合信息的探测、提取和应用方面。单极化SAR雷达系统使用单一极化方式的 天线发射和接收雷达信号。由于雷达信号是电磁波，有矢量性质，这相当于对 矢量的电磁波进行了标量处理，损失了雷达信号携带的信息量。为了全面地测 量雷达信号，发展出全极化雷达技术，它利用互相垂直的两根天线发射和接收 雷达信号在互相垂直的两个方向上的分量，获得雷达信号携带的有关散射的全 部信息。
简缩极化的思想就是针对现有星载极化SAR体制的设计问题而提出，是 在全极化发展之后提出的新体制。具有全极化技术不可比拟的优势，即不存在 同极化与正交极化的差异。这将令其天生具有良好的通道间一致性，从而降低 补偿及定标系统的复杂性，并在极大程度上避免了补偿过程对交叉极化通道系 统噪声的放大作用，提高对弱反射目标的极化成像质量。由于简缩极化只有两 个极化通道，在保持数据下行速率条件下，可以处理更大测绘带宽数据，由于 接收通道功率的相似性，更使星上数据压缩成为可能。简缩极化SAR系统是双 极化SAR与全极化SAR系统的折中，是发射一个特殊的极化波，接收一对正 交极化波，是全极化SAR极化合成为任意收发极化基下数据的一个特定子集。 与双极化SAR系统相比，简缩极化SAR系统发射和接收信号组合更丰富，能 够获取回波信号的相对相位，具有更丰富的信息量。
随着人们对雷达图像获取更精确目标需求的提升，也涌现了许多雷达图像的 分类方法，大体可以分为提取极化特征和选用分类器。通过提取极化特征提高 雷达图像分类精度，在不同地物之间的划分不具备普适性。目前行业中，普遍 采用机器学习的方法对雷达图像进行分类，比如，支持向量机、BP神经网络、 卷积神经网络等。机器学习的方法不仅提高了分类精度，而且节省了大量的人 工计算，结果准确、应用便捷。
基于散射机制用于简缩极化SAR的交互CNN分类方法，属于深度学习领域 的分类方法，具有较高的分类精度。使用简缩极化的极化特征，利用不同地物 目标间散射机制的差异对地物进行分类。为了更好的解译极化合成孔径雷达 (POLSAR)图像，研究人员往往利用提取的极化特征对POLSAR图像进行分 类。在简缩极化m-δ分解方法中得到的极化特征分别与奇次散射、偶次散射、 体散射相对应。该方法将极化特征按照散射机制区分成三个通道输入网络，避 免了极化特征间相互干扰，同时对于某些复杂的地物类型的散射特征往往不仅 仅包含一种散射分量，并且简缩极化中某些极化特征无法被分解出来，被划分 到了多个通道中，通过权重共享的网络结构，在每个通道的图像信息都通过3 组共享权重的卷积核进行特征提取、拼接，然后进入各自通道进行训练，最终 得到分类结果，可以在某一个散射通道内提取和另外两个通道相同的特征，避 免了通道内极化特征丢失的问题。
发明内容
本发明的主要目的是提供一种基于散射机制的交互卷积神经网络分类方法(Cross CNN)，应用于简缩极化SAR地物图像的分类。
通过多个注意力通道获取更多的极化特征，能更好的将不同地物目标分离 开，更全面地描述了目标的散射机制，不同目标间散射机制的差异也更加明显， 目标分类精度更高。本发明在充分调研了国内外卷积神经网络分类方法的前提 下，提出了一种基于散射机制用于简缩极化SAR的交互CNN分类方法，通过 获取简缩极化SAR数据的极化特征，利用权值共享、交互通道的机制，提高的 分类的精度。
本发明的技术方案具体来说，主要包括如下内容：
步骤(1)提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯 托克斯矢量用于获取不同地物目标的散射机制。
步骤(2)获取散射机制：利用步骤(1)中所提取的斯托克斯矢量计算SAR分类 过程中不同地物的极化度m和相对相位差δ，将他们作为目标分解的基本参数， 通过m-δ分解区分不同地物目标的散射机制。
步骤(3)对测试样本进行分类：从步骤(2)中获取的目标的散射机制中提取极 化特征引入权重共享和通道交互的17层卷积神经网络(Cross CNN)中，经过多 轮训练获得分类结果。
步骤(4)计算分类结果的混淆矩阵：通过步骤(3)计算得到的分类结果计算各 地物的混淆矩阵，得到各地物的分类精度。
在所述的步骤(1)中，对简缩极化SAR图像提取斯托克斯矢量。斯托克斯矢 量特征定义方法是利用功率测量值定义电磁波极化状态的方法，琼斯矢量E与其 共轭转置矢量E *T的外积可以得到一个2×2的埃米尔特矩阵：
Figure BDA0003413777200000031
其中，x表示水平极化方向，y代表垂直极化方向，*表示共轭矩阵。将Pauli 矩阵群{σ0,σ1,σ2,σ3}代入式1，将式1分解为：
Figure BDA0003413777200000032
其中，j表示虚数单位，Pauli矩阵群
Figure BDA0003413777200000033
Figure BDA0003413777200000034
{g0,g1,g2,g3}是斯托克斯参数，根据式(2)可得：
Figure BDA0003413777200000035
其中，g为斯托克斯矢量。
对于简缩极化SAR模式，是通过发射右旋圆极化波、接收水平/垂直极化波 的CTLR模式，在该模式下计算斯托克斯矢量，需首先获取极化散射矩阵：
极化散射矩阵又称为Sinclair矩阵，用来描述目标的电磁散射现象，令
Figure BDA0003413777200000041
其中，S表示极化散射矩阵，X和Y表示散射波的不同极化方向，矩阵中Sij为其复散射参数，矩阵对角元素为同极化分量，代表入射波和散射波极化方向 相同，矩阵反对角元素成为交叉极化分量，代表入射波和散射波极化方向正交。
在简缩极化SAR模式下，可以将式(4)变化为：
Figure BDA0003413777200000042
其中，S(h,v)表示水平/垂直极化基散射矩阵，H表示散射波水平极化方向， V表示散射波垂直极化方向。
目前的全极化系统普遍是基于水平/垂直极化基的，如式(6)所示通过变换极 化基，任意收发极化组合的极化散射矩阵都可以由全极化散射矩阵得到。因为 和全极化相比，接收端的极化模式不变，因此接收端的极化基保持不变，发射 端极化基为CTLR模式下的极化基：
Figure BDA0003413777200000043
Figure BDA0003413777200000044
Figure BDA0003413777200000045
其中，U1和U2分别是发射端和接收端的极化基变化矩阵。
发射圆极化的全极化散射矩阵可以表示为：
Figure BDA0003413777200000046
而发射右旋圆极化的简缩极化散射矢量SRCL可以表示为：
Figure BDA0003413777200000047
因此可以得到水平方向电势矢量EH、水平方向电势矢量EV：
Figure BDA0003413777200000048
Figure BDA0003413777200000049
将式(10)、(11)代入式(3)可得：
Figure BDA0003413777200000051
其中，Re表示取复散射参数的实部，Im表示取复散射参数的虚部。
在所述的步骤(2)中，利用步骤(1)中所提取的斯托克斯矢量计算SAR分类过 程中不同地物的极化度m和相对相位差δ，将他们作为目标分解的基本参数，通 过m-δ分解区分不同地物目标的散射机制。
1)计算极化度m：
极化度m反映地物散射的随机程度，是部分极化波最重要的特征之一，随机 性越高，极化度越低，反之，极化度越高。
Figure BDA0003413777200000052
其中，{g0,g1,g2,g3}是斯托克斯参数。
2)通过极化度m和相位差δ对地物进行目标分解：
极化度m和相对相位差δ可以作为目标分解的两个基本参数，极化度m反映 地物散射的随机程度，相位差δ可以区分偶次散射和奇次散射机理。对于体散射 的地物，其散射过程通常很复杂，随机性很强，造成回波极化度明显降低，因 此假设完全去极化分量对应着体散射分量。由m、δ可以得到偶次散射、体散射、 奇次散射的权重。
Figure BDA0003413777200000053
Figure BDA0003413777200000054
Figure BDA0003413777200000055
其中，Pdbl指偶次散射机制、Podd指奇次散射机制、Pdep指体散射分量。
在步骤(3)中，从步骤(2)中获取的目标的散射机制中提取极化特征引入权重 共享和通道交互的17层卷积神经网络(Cross CNN)中，经过多轮训练获得分 类结果。在本发明中，首先构建一个如图1所示的基于多种散射机制的多通道 宽幅神经网络(Widen CNN)，并将训练特征样本按照散射机制(表面散射，二面 角散射和体散射)划分输入到三个通道中，避免了特征之间的相互干扰。进一 步考虑到一是对于某些复杂的地物类型的散射特征往往不仅仅包含一种散射分 量；二是简缩极化中某些极化特征无法被分解出来，被划分到了多个通道中。 将第一层的卷积核进行权值共享，并且和全部通道进行信息交互，得到了如图2 所示的基于散射机制用于简缩极化SAR的交互CNN分类方法(Cross CNN)。
该交互卷积神经网络是由一层交互层和三个结构相同的卷积神经网络拼接 而成，这样能保证每一个通道对最终分类的贡献相同。每一个通道内都是n× n×1的块，权值共享层是由3个3×3×64、步长为1的卷积层组成，后面每 一个通道内，均是由1个3×3×128、步长为1的卷积层和1个3×3×256、 步长为1的卷积层以及一个2×2大小，步长为2的最大池化层构成。每一个卷 积层后面都跟着一个ReLU激活函数。
对于单通道的卷积神经网络(CNN)的卷积层，输入的第i个极化特征
Figure BDA0003413777200000061
和输出的第j个特征图
Figure BDA0003413777200000062
之间的关系可以定义为：
Figure BDA0003413777200000063
其中，m为输入极化特征的数量，
Figure BDA0003413777200000064
为连接第i个极化特征和第j个特征 图的权重矩阵。
Figure BDA0003413777200000065
代表卷积层输出的第j个特征图的偏置。
假设输出的特征图的数量为n，则某一个卷积层的特征输出可以表示为：
Figure BDA0003413777200000066
在Cross CNN的卷积层中，每个通道只输入一个特征，因此m＝1。因此， 输入特征Fin和第j层的输出特征图
Figure BDA0003413777200000067
之间的关系可以定义为：
Figure BDA0003413777200000068
设一个通道输出的特征图数量为m，则该通道输出的特征图可以定义为：
Figure BDA0003413777200000069
则n个通道输出的特征图可定义为：
Fout＝[Fout1,Fout2,…,Foutn] (22)
整体实验网络结构表1所示，我们将每一个通道的特征图进行级联以构建 混合散射模型，并使用每个通道的特征图作为最终特征输出来将混合散射模型 进行级联。然后，这些特征图会经过两个1024和512的全连接层，并在第二 个完全连接层上执行0.2的dropout，以防止网络过度拟合。在网络末端使用 Softmax分类器来获取分类结果。
表1基于散射机制用于简缩极化SAR的交互CNN结构表
Figure BDA0003413777200000071
在步骤(4)中，通过建立的神经网络模型，对简缩极化SAR的图像信息进行 分类，计算各地物的混淆矩阵，得到各地物的分类精度。在测试样本的分类结 果和标记样本中，统计分类结果中各类别的样本点数量以及标记样本中各类别 的样本点数量，并计算得到混淆矩阵C：
Figure BDA0003413777200000072
混淆矩阵的行表示实际的类别，列表示划分的类别。因此，对角线元素(C11、C22…Cii)行和列相等，表示正确分类的样本点数量，非对角线元素Cij表示第i 类地物的样本错分到第j类中的数目。混淆矩阵中每行总和为该类样本总数，对 上述混淆矩阵按行的方向做归一化处理后，得到归一化后的混淆矩阵
Figure BDA0003413777200000081
中的各个 元素就表示了该分类结果在该实际类别中所占的比例。
Figure BDA0003413777200000082
对于简缩极化的分解方法来说，是通过相位角来区分奇次散射和偶次散射， 通过极化度将完全去极化波认定为体散射分量。这就出现了两个问题：首先简 缩极化中某些极化特征无法被分解出来，被划分到了多个通道中。对此提出了 一种交叉通道、权值共享的网络结构。在每个通道的图像信息都通过3组共享 权重的卷积核进行特征提取，然后进入各自通道进行训练，最终得到分类结果。 而共享权重的好处在于，可以在某一个散射通道内提取和另外两个通道相同的 特征，避免了通道内特征丢失的问题。其次是对于某些复杂的地物类型的散射 特征往往不仅仅包含一种散射分量。通过多种特征图的级联，构建了混合散射 模型，能够对于复杂的地物类型进行分类。
附图说明
图1基于多种散射机制的多通道宽幅神经网络(Widen CNN)。
图2基于散射机制用于简缩极化SAR的交互CNN(Cross CNN)。
图3 Flevoland的分类判决决策树。
图4本方法实施的流程图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
本发明提出的方法在经典的AIRSAR Flevoland数据集上进行验证。同时用 其他几种有代表性的分类方法(1D-CNN,2D-CNN)进行实验并对比实验结果， 结合图3中的Flevoland的分类判决决策树，对实验结果加以分析。
Flevoland数据是1989年8月16日由AIRSAR获得。该图像的大小为750× 1024，其真值图包含177018个样本总共15类地物类型。其Pauli伪彩色图和真 值图中：从所有标记样本中随机选取5％作为训练样本，剩余标记样本作为测试 样本。具体每一类样本的信息如表2所示：
表2 Flevoland实验数据的具体信息
Figure BDA0003413777200000091
在对比实验中，所有的对比方法使用相同的训练和测试数据并且保证参数 设置相同，其中学习率为0.1，输入批次大小为15，总体迭代次数为100，具体 每一类的分类精度如表3所示。
表3 Flevoland不同方法分类结果对比
Figure BDA0003413777200000092
Figure BDA0003413777200000101
结合图3中的Flevoland的分类判决决策树和本实验的各个类别的分类精度进行对照可 以发现，我们的方法取得了比双极化更好的分类结果，并且和全极化分类结果相当接近； 对比简缩极化数据下的其他分类方法，我们的方法对于油菜、小麦、豌豆、甜菜等难分离 变量均取得了更好的分类精度，证明了权重共享可以在某一个散射通道内提取和另外两个 通道相同的特征，避免了通道内极化特征丢失的问题。同样对于森林等混合散射机制的地 物目标也取得了较好的分类精度，证明我们的模型能够对于复杂的地物类型进行分类。根 据步骤(4)的方法可以得到使用Cross CNN对Flevoland地物进行分类的混淆矩阵。
表4使用Cross CNN对Flevoland地物分类的混淆矩阵
Figure BDA0003413777200000102

Claims (5)

1.一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：该方法的步骤包括，
步骤(1)：提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；
步骤(2)：获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m-δ分解区分不同地物目标的散射机制；
步骤(3)：对测试样本进行分类：引入权重共享和通道交互的17层卷积神经网络(CrossCNN)，从目标的散射机制中提取极化特征用于地物分类；
步骤(4)：计算分类结果的混淆矩阵：通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度。
2.根据权利要求1所述的一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：在步骤(1)中，对简缩极化SAR图像提取斯托克斯矢量；斯托克斯矢量特征定义方法是利用功率测量值定义电磁波极化状态的方法，琼斯矢量E与其共轭转置矢量的外积得到一个2×2的埃米尔特矩阵：
Figure FDA0003413777190000011
其中，x,y表示水平方向和垂直方向，*表示共轭矩阵；将Pauli矩阵群{σ0,σ1,σ2,σ3}代入式1，可将式1分解为：
Figure FDA0003413777190000012
其中，
Figure FDA0003413777190000013
式(2)中，{g0,g1,g2,g3}是斯托克斯参数，根据式(2)可得：
Figure FDA0003413777190000014
其中，g为斯托克斯矢量；
对于简缩极化SAR模式，是通过发射右旋圆极化波、接收水平/垂直极化波的CTLR模式，在该CTLR模式下计算斯托克斯矢量，需首先获取极化散射矩阵：
极化散射矩阵又称为Sinclair矩阵，用来描述目标的电磁散射现象，令
Figure FDA0003413777190000021
其中，S表示极化散射矩阵，矩阵中Sij为其复散射参数，矩阵对角元素成为同极化分量，代表入射波和散射波极化状态相同，矩阵反对角元素成为交叉极化分量，代表入射波和散射波极化状态正交；
在简缩极化SAR模式下，将式(4)变化为：
Figure FDA0003413777190000022
其中，S(h,v)表示水平/垂直极化基散射矩阵，H,V分别表示水平极化方式、垂直极化方式；
如式(6)所示通过变换极化基，任意收发极化组合的极化散射矩阵都由全极化散射矩阵得到；因为和全极化相比，接收端的极化模式不变，因此接收端的极化基保持不变，发射端极化基为CTLR模式下的极化基：
Figure FDA0003413777190000023
Figure FDA0003413777190000024
Figure FDA0003413777190000025
其中，U1和U2分别是发射端和接收端的极化基变化矩阵；
发射圆极化的全极化散射矩阵表示为：
Figure FDA0003413777190000026
而发射右旋圆极化的简缩极化散射矢量SRCL表示为：
Figure FDA0003413777190000027
得到水平方向电势矢量EH、水平方向电势矢量EV：
Figure FDA0003413777190000028
Figure FDA0003413777190000029
将式(10)、(11)代入式(3)得：
Figure FDA0003413777190000031
3.根据权利要求1所述的一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：在步骤(2)中，要获取简缩极化的地物散射机制，计算极化度m和相对相位差δ，将他们作为目标分解的基本参数，通过m-δ分解区分不同地物目标的散射机制；
极化度m反映地物散射的随机程度，是部分极化波最重要的特征之一，随机性越高，极化度越低，反之，极化度越高；
Figure FDA0003413777190000032
其中，{g0,g1,g2,g3}是斯托克斯参数；
极化度m和相对相位差δ作为目标分解的两个基本参数，极化度m反映地物散射的随机程度，相位差δ区分偶次散射和奇次散射机理；由m、δ得到偶次散射、体散射、奇次散射的权重；
Figure FDA0003413777190000033
Figure FDA0003413777190000034
Figure FDA0003413777190000035
其中，Pdbl指偶次散射机制、Podd指奇次散射机制、Pdep指体散射分量。
4.根据权利要求1所述的一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：在步骤(3)中，对测试样本进行分类：引入权重共享和通道交互的17层卷积神经网络Cross CNN，从目标的散射机制中提取极化特征用于地物分类；
首先构建一个基于多种散射机制的多通道宽幅神经网络Widen CNN，并将训练特征样本按照散射机制划分输入到三个通道中，将第一层的卷积核进行权值共享，并且和全部通道进行信息交互，得到了基于散射机制用于简缩极化SAR分类的交互卷积神经网络CrossCNN；
该交互卷积神经网络是由一层交互层和三个结构相同的卷积神经网络拼接而成，保证每一个通道对最终分类的贡献相同；每一个通道内都是n×n×1的块，权值共享层是由3个3×3×64、步长为1的卷积层组成，后面每一个通道内，均是由1个3×3×128、步长为1的卷积层和1个3×3×256、步长为1的卷积层以及一个2×2大小，步长为2的最大池化层构成；每一个卷积层后面都跟着一个ReLU激活函数；
将每一个通道的特征图进行级联以构建混合散射模型，并使用每个通道的特征图作为最终特征输出来将混合散射模型进行级联；特征图会经过两个1024和512的全连接层，并在第二个完全连接层上执行0.2的dropout，以防止网络过度拟合；在网络末端使用Softmax分类器来获取分类结果。
5.根据权利要求1所述的一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：在步骤(4)中，通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度；在测试样本的分类结果和标记样本中，统计分类结果中各类别的样本点数量以及标记样本中各类别的样本点数量，并计算得到混淆矩阵C：
Figure FDA0003413777190000041
混淆矩阵的行表示实际的类别，列表示划分的类别；对角线元素(C11、C22…Cii)行和列相等，表示正确分类的样本点数量，非对角线元素Cij表示第i类地物的样本错分到第j类中的数目；混淆矩阵中每行总和为该类样本总数，对混淆矩阵按行的方向做归一化处理后，得到归一化后的混淆矩阵
Figure FDA0003413777190000042
中的各个元素就表示了该分类结果在该实际类别中所占的比例；
Figure FDA0003413777190000051
CN202111540134.9A 2021-12-15 2021-12-15 一种基于散射机制用于简缩极化sar的交互cnn分类方法 Pending CN114202674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111540134.9A CN114202674A (zh) 2021-12-15 2021-12-15 一种基于散射机制用于简缩极化sar的交互cnn分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111540134.9A CN114202674A (zh) 2021-12-15 2021-12-15 一种基于散射机制用于简缩极化sar的交互cnn分类方法

Publications (1)

Publication Number Publication Date
CN114202674A true CN114202674A (zh) 2022-03-18

Family

ID=80654354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111540134.9A Pending CN114202674A (zh) 2021-12-15 2021-12-15 一种基于散射机制用于简缩极化sar的交互cnn分类方法

Country Status (1)

Country Link
CN (1) CN114202674A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115542284A (zh) * 2022-12-05 2022-12-30 中国科学院空天信息创新研究院 一种基于简缩极化sar的月表介电常数反演方法
CN116224271A (zh) * 2023-01-10 2023-06-06 南京工业大学 基于极化散射特征的海面微弱目标检测方法
CN116797845A (zh) * 2023-07-05 2023-09-22 中国科学院空天信息创新研究院 一种基于散射机制的无监督简缩极化分类方法
CN117034559A (zh) * 2023-07-07 2023-11-10 中国自然资源航空物探遥感中心 Ctlr简缩极化干涉合成孔径雷达分解方法
CN116224271B (zh) * 2023-01-10 2024-06-28 南京工业大学 基于极化散射特征的海面微弱目标检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115542284A (zh) * 2022-12-05 2022-12-30 中国科学院空天信息创新研究院 一种基于简缩极化sar的月表介电常数反演方法
CN116224271A (zh) * 2023-01-10 2023-06-06 南京工业大学 基于极化散射特征的海面微弱目标检测方法
CN116224271B (zh) * 2023-01-10 2024-06-28 南京工业大学 基于极化散射特征的海面微弱目标检测方法
CN116797845A (zh) * 2023-07-05 2023-09-22 中国科学院空天信息创新研究院 一种基于散射机制的无监督简缩极化分类方法
CN116797845B (zh) * 2023-07-05 2024-01-26 中国科学院空天信息创新研究院 一种基于散射机制的无监督简缩极化分类方法
CN117034559A (zh) * 2023-07-07 2023-11-10 中国自然资源航空物探遥感中心 Ctlr简缩极化干涉合成孔径雷达分解方法

Similar Documents

Publication Publication Date Title
CN114202674A (zh) 一种基于散射机制用于简缩极化sar的交互cnn分类方法
CN107292317B (zh) 基于浅层特征与t矩阵深度学习的极化sar分类方法
Zhang et al. Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features
CN104504393B (zh) 基于集成学习的极化sar图像半监督分类方法
CN103824084A (zh) 基于sdit和svm的极化sar图像分类方法
Yang et al. Generalized optimization of polarimetric contrast enhancement
CN104952050A (zh) 基于区域分割的高光谱图像自适应解混方法
CN107292258B (zh) 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法
CN104751181A (zh) 一种基于相对丰度的高光谱图像解混方法
CN103886336A (zh) 基于稀疏自动编码器的极化sar图像分类方法
CN101866424A (zh) 基于独立分量分析的高光谱遥感图像混合像元分解方法
CN104123555A (zh) 一种基于稀疏表示和超像素的极化sar地物分类方法
CN108154094A (zh) 基于子区间划分的高光谱图像非监督波段选择方法
Xie et al. POLSAR image classification via clustering-WAE classification model
CN107203791B (zh) 基于异极化比和散射功率熵的极化sar图像分类方法
CN102968640A (zh) 基于Freeman分解和数据分布特征的极化SAR图像分类方法
Qi et al. Global–local 3-D convolutional transformer network for hyperspectral image classification
Hariharan et al. Polarimetric SAR decomposition parameter subset selection and their optimal dynamic range evaluation for urban area classification using Random Forest
CN114266961A (zh) 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法
Costa et al. Use of color parameters in the grouping of soil samples produces more accurate predictions of soil texture and soil organic carbon
CN116403046A (zh) 一种高光谱影像分类装置及方法
CN108613943A (zh) 一种基于光谱形态转移的近红外单籽粒作物成分检测方法
CN113421198B (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
CN112884029B (zh) 融合全极化sar与高光谱遥感的协同分类方法
CN114067217A (zh) 基于非下采样分解转换器的sar图像目标识别方法

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