[发明专利]基于卷积神经网络的极化SAR地物分类方法

说明书

技术领域

本发明属于极化SAR(Synthetic Aperture Radar，合成孔径雷达)成像遥感技术领域，涉及一种基于卷积神经网络的极化SAR地物分类方法。

背景技术

极化SAR具有全天时和几乎全天候的工作能力，能够通过收发极化状态正交的电磁波以获取目标的全极化散射信息，已成为当今微波遥感的主流之一。地物分类是农作物生长监控、农村与城市用地普查、环境监测等应用领域的共性基础问题，也是极化SAR图像理解与解译的重要应用方向。高精度的地物分类结果能够为上述应用领域提供可靠的信息支撑。

极化SAR地物分类的目的是针对机载或星载极化SAR传感器所获得的极化测量数据确定其中每个像素点所属的地物类别。通常，提高极化SAR地物分类精度主要有两种途径：第一种途径专注于极化特征的提取与优选，通过精细化的极化散射机理建模与解译，从全极化信息中提取出对不同地物类别具有更强区分度的特征。第二种途径则是从分类器入手，使用性能更好的分类器，以实现对现有极化特征的充分利用。

针对第一种途径，发明人所在课题组之前申请的专利“一种结合旋转域极化零角特征的极化SAR地物分类方法”(申请号201710088598.8)通过在绕极化SAR视线旋转域中对目标隐含极化信息的深入挖掘，进而将所得旋转域零角特征与传统的旋转不变特征联合应用于极化SAR地物分类，结合SVM(Support Vector Machine，支持向量机)分类器在不同的极化SAR实测数据上均取得较好分类效果，这也证实了旋转域零角特征在极化SAR地物分类领域的较大潜力。然而，该方法在训练样本数量较少的情况下所得分类精度仍有待提高，主要原因在于SVM分类器的泛化能力限制。故需要另辟蹊径，从上述第二种途径入手。而在分类器的选择上，相较于一些传统分类器，具有深度学习能力的CNN(Convolutional Neural Networks，卷积神经网络)已经在计算机视觉和光学图像处理等领域取得了大量的成功应用，且这一先进的机器学习分类算法也在极化SAR图像处理领域实现了一定程度的应用，其在地物分类方面的具体应用之一参见文献Yu Zhou,Hai-Peng Wang,Feng Xu and Ya-Qiu Jin,“Polarimetric SAR image classification using deep convolutional neural networks,”IEEE Geoscience and Remote Sensing Letters,vol.13,no.12,pp.1935–1939,Dec.2016。鉴于CNN分类器强有力的分类性能及泛化能力，其在训练样本数量较少的极化SAR地物分类中具有极大的应用潜力。

在上述基础之上，发展一种基于卷积神经网络的极化SAR地物分类方法具有重要意义。

发明内容

本发明要解决的技术问题是，提供一种基于卷积神经网络的极化SAR地物分类方法，实现对极化SAR图像中不同地物类别的高精度分类处理。

本发明的基本思路是：由于旋转域零角特征蕴含目标在绕极化SAR视线旋转域中丰富的隐含信息，这些隐含信息是传统的旋转不变特征所没有考虑到的。将旋转域零角特征与传统的旋转不变特征联合用于地物分类，能够在充分利用目标旋转域隐含信息的同时又发挥旋转不变特征在极化散射机理理解与解译方面的优势。基于极化SAR图像所提取得到的上述特征，可联合形成分类特征集，并在归一化处理后以切片的形式导入至新搭建的CNN分类器之中，通过相应的训练过程得到性能较强的分类器模型，进而实现对极化SAR图像中不同地物类别的高精度分类处理。

具体而言，本发明通过计算相极化SAR图像中各个像素点相应的两个旋转域零角特征和及四个传统的旋转不变特征H、A、α和Span，并以上述六个特征参数作为分类特征集，从而形成多层特征图，再基于归一化后的多层特征图，以切片的形式输入至新搭建的CNN分类器之中，经过相应的训练处理，以利用训练所得模型实现对极化SAR图像中不同地物类别像素点的分类处理。

本发明的技术方案是：一种基于卷积神经网络的极化SAR地物分类方法，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)；则极化SAR图像中每一个像素点均对应一个极化相干矩阵，i＝1,2,…,I且j＝1,2,…,J，即极化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：