[发明专利]基于深度递归网络下小样本极化合成孔径雷达图像分类方法

说明书

本发明公开了基于深度递归网络下小样本PolSAR图像分类方法，本发明借鉴了深度递归网络的复杂性和空间分析的优势，对小样本数据首先进行了特征增强，然后选取0.5％的样本作为训练样本，同时每个点只使用了5个特征序列来作为训练样本。此外，本发明提出了RNBP的样本合成方法类提升训练样本的丰富度，同时提出MB和MBW来提升测试样板的鲁棒性，从而达到小样本较优的分类效果。在深度递归网络的构建中，本发明使用LSTM作为基本的处理单元，每个空间的样本序列对应一个LSTM时间单元，从而使其充分兼顾PolSAR的空间特征，从而实现分类。最后在深度递归网络得到的概率图基础上，利用CRF进行空间纹理分析，以实现最优的小样本决策分类过程。

技术领域

本发明涉及一种基于基于深度递归学习网络下的小样本极化合成孔径雷达图像分类方法，属于计算机视觉领域。

背景技术

合成孔径雷达(SAR)是一种全天时、全天候，具有高分辨率、高穿透性的获取地面数据的方法，具有很高的民用和商用价值。解译SAR图像能够获得很多有用的信息，因此SAR图像的解译是SAR实际应用中的重要部分。传统的机器学习和深度学习是SAR图像解译的两种主要方法。SAR成像比其他传感器更加稳定，不容易受到天气、光线和其他条件的影响。同时SAR的另一个优点是能生成大量的地面信息数据。但是手动处理如此大量的数据是很困难的。

基于传统机器学习和深度学习的计算机视觉图像处理技术能很好的为解决数据量大的问题。传统的机器学习方法具有严密的数学理论作为支撑，对计算资源的需要低于神经网络，同时分类和识别的精度还能一定程度上满足需求。随着计算机计算能力的提升，基于神经网络的相关处理方法大放异彩，这些方法往往在分类和识别的精度上远高于机器学习的方法。但是神经网络的分类和识别方法依赖于大量的训练数据，实际应用与现实条件中往往无法获得如此海量的训练数据，这需要大量的人力成本去收集与标注。过少的训练样本最后会导致神经网络过拟合的发生，也就是在训练样本上具有很高的分类或识别的精度，但是在测试和实际使用中效果极差。深度递归网络依靠其卓越的捕捉上下文信息的能力，其复杂的网络架构能够使得网络对训练样本量的要求较小，从而更能适用于小样本极化SAR的分类任务。

另外由于神经网络有模型可解释性差的缺点，导致在优化时难以找到指导性的方向。我们使用的样本特征融合了传统无监督学习得到的特征样本，深度递归网络则用于获取上下文序列之间的关系和深层的样本特征，从而达到更优的分类效果。这样的组合既发挥了神经网络充分利用计算资源的编码能力，又部分地规避了以往神经网络的建模结果难以解释的问题，让之后的改进和优化更加有迹可循。在现实条件下，不仅需要大量人力来标注样本，同时还面临着可能部分类别样本缺少的情况。我们提出的随机邻域像素块组合(RNBP)能够在现有训练样本的基础上，构建多种未知，可能出现的训练样本用于增强训练样本量。同时，利用测试样本空间特征的鲁棒性分析，提出了多块组合(MB)和多块组合权值(MBW)模型来消除测试数据中可能存在的离群值，以增强测试样本的测试准确度。

最后，对于遥感图像的分类而言，由于临近的像素属于同一类别的概率往往要比不同类的概率大得多，因此能够对分类得到概率图模型进行空谱的纹理分析，能够得到更好的分类效果。条件随机场(CRF)进行能够在概率图的基础上实现纹理分析，从而达到最优的分类决策。

发明内容

本发明的主要目的是提供一种基于深度递归网络在小样本情况下实现极化合成孔径雷达图像分类的方法。