[发明专利]基于卷积神经网络的极化SAR地物分类方法

权利要求书

1.一种基于卷积神经网络的极化SAR地物分类方法，SAR是指合成孔径雷达，具体包括下述步骤：

设极化SAR图像中，位置坐标为(i,j)的像素点的极化相干矩阵为T^(ij)，i＝1,2,…,I且j＝1,2,…,J，极化SAR图像的大小为I×J；对于任意一个极化相干矩阵T^(ij)，进行下面第一步至第三步的处理，从而提取得到归一化多层特征图：

第一步，相干斑滤波；

对各像素点所对应的极化相干矩阵分别进行相干斑滤波，得到相干斑滤波后极化SAR图像中每个像素点的极化相干矩阵，记为

T~(ij)=T~11(ij)T~12(ij)T~13(ij)T~21(ij)T~22(ij)T~23(ij)T~31(ij)T~32(ij)T~33(ij);]]>

第二步，极化特征提取；

提取相应极化特征的具体过程如下：

①旋转域零角特征的提取：

利用下面两式分别计算两个旋转域零角特征和

θnull_Re[T12(θ)](ij)=-12Angle{Re[T~13(ij)]+j Re[T~12(ij)]}]]>

θnull_Im[T12(θ)](ij)=-12Angle{Im[T~13(ij)]+j Im[T~12(ij)]}]]>

其中，Angle{·}表示取复数的相位，相应取值范围为[-π,π]；Re[·]和Im[·]则分别表示取复数的实部以及虚部；

②旋转不变特征的提取：

利用Cloude-Pottier极化目标分解方法，对于每个计算提取得到相应的极化熵H^(ij)、极化平均角α^(ij)和极化反熵A^(ij)三个旋转不变特征；同时利用下式计算总散射能量

第三步，特征归一化；

设极化SAR图像中，位置坐标为(i,j)的像素点所用于地物分类的特征参数集为i＝1,2,…,I且j＝1,2,…,J；v＝1,2,…,6，且具体有：

F1(ij)=θnull_Re[T12(θ)](ij),F2(ij)=θnull_Im[T12(θ)](ij),]]>

F3(ij)=H(ij),F4(ij)=A(ij),F5(ij)=α(ij),F6(ij)=Span(ij)]]>

则针对任意的均按照下式进行归一化处理：

其中，即归一化处理后的取值，且范围为[0,1]；

则对于整幅极化SAR图像即可得到上述六个极化特征经归一化处理后的六幅特征图，记为H、A、α及Span，组成归一化多层特征图；

第四步，CNN分类器训练；

本发明所采用的CNN分类器具体有十二层结构，依次包括第一卷积层Conv1、修正线性单元层ReLU、第一最大池化层MaxPooling1、第二卷积层Conv2、修正线性单元层ReLU、第二最大池化层MaxPooling2、第三卷积层Conv3、修正线性单元层ReLU、第一全连接层FC1、修正线性单元层ReLU、第二全连接层FC2和一个Softmax分类器；该CNN分类器的输入数据为15×15×d尺寸大小的多层特征切片，其中d代表特征切片层数，即所用特征个数，在本发明中d＝6，在各单一特征下输入切片的尺寸大小均为15×15；该CNN分类器的层次结构及相关细节如表1；

表1

在训练时，基于已知的极化SAR图像数据所对应的真实地物类别标记图，利用归一化多层特征图，提取得到尺寸大小为15×15×d的多层特征切片，并确定其各自相应的地物类别标记，作为CNN分类器的输入，对CNN分类器进行训练；

第五步，分类处理；

对待分类的极化SAR图像，利用第一步至第三步的过程提取得到其归一化多层特征图；设其中任意的像素点位置为(i^*,j^*)，i^*＝8,9,…,(I-7)且j^*＝8,9,…,(J-7)，则以(i^*,j^*)为中心提取出尺寸大小为15×15×d的多层特征切片，输入到上一步训练好的CNN分类器之中，由CNN分类器判断得到该多层特征切片的所属地物类别，并以此作为(i^*,j^*)位置像素点的所属地物类别。