[发明专利]基于自监督表征学习的极化SAR影像地物分类方法

权利要求书

1.一种基于自监督表征学习的极化SAR影像地物分类方法，其特征在于，包括如下：

(1)通过不同卫星获取极化SAR影像数据，从影像数据中选取一个图像子块作为数据集S，从该数据集中，随机选取5％的无标签像素点数据作为自监督表征学习的训练集S₁，随机选取1％的含标签信息像素点数据作为深度卷积网络分类器的训练集S₂，剩下99％的含标签信息数据用作测试集S₃；

(2)提取数据集S的相干矩阵T，并利用相干矩阵的元素构建9维向量特征表征，再对该特征表征周围进行宽度为7的“0”填充后，使用15×15大小的窗口对其进行滑动取窗裁剪，得到每个像素点以自身为中心，且大小为15×15×9的相干矩阵模态向量表征X；

(3)利用PolSARPro软件对数据集S进行Pauli分解，得到Pauli伪彩图，对该伪彩图的周围先进行宽度为7的“0”填充，再使用15×15大小的窗口进行滑动取窗裁剪，得到每个像素点以自身为中心，且大小为15×15×3的色彩模态特征向量表征Y；

(4)搭建极化SAR自监督表征学习网络框架M：

(4a)构建结构依次为：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层、第三池化层、第一全连层、第二全连层、第三全连接层的第一深度卷积网络模型M₁，

(4b)构建除输入层外，网络结构关系与第一深度卷积网络模型M₁相同的第二深度卷积网络模型M₂，

(4c)构建与M₁网络结构和参数相同的第三深度卷积网络模型M₃；

(4d)构建与M₂网络结构和参数相同的第四深度卷积网络模型M₄；

(4e)将M₁、M₂、M₃、M₄这四个网络模型的输出端并联连接，构建一个四流输入的自监督表征学习网络框架M；

(5)设计自监督表征学习的损失函数L:

其中，x_i表示第i个样本的相干矩阵模态表征，x_j表示第j个样本的相干矩阵模态表征，(x_i,x_j)∈X，且x_i≠x_j，y_i表示第i个样本的Pauli色彩模态表征，y_j表示第j个样本的Pauli色彩模态表征，(y_i,y_j)∈Y，且y_i≠y_j，f(x_i)表示x_i输入到第一深度卷积网络模型M₁中得到的第一相干矩阵模态向量表征，g(y_i)表示y_i输入到第二深度卷积网络模型M₂中得到的第一Pauli色彩模态向量表征，f(x_j)表示x_j输入到第三深度卷积网络模型M₃中得到的第二相干矩阵模态向量表征，g(y_j)表示y_j输入到第四深度卷积网络模型M₄中得到的第二Pauli色彩模态向量表征，d(f(x_i),g(y_i))表示f(x_i)与g(y_i)之间的余弦距离，d(f(x_j),g(y_j))表示f(x_j)与g(y_j)之间的余弦距离，d(f(x_i),f(x_j))表示f(x_i)与f(x_j)之间的余弦距离，d(g(y_i),g(y_j))表示f(y_i)与f(y_j)之间的余弦距离；

(6)将自监督表征学习训练集S₁输入到搭建好的极化SAR自监督表征学习网络框架M中，利用损失函数L对其进行训练，得到训练好的第一深度卷积网络模型M₁的权重值；

(7)构建与M₁网络结构相同的第五深度卷积网络模型M₅，并将M₅中第三全连接层的输出节点个数更改为数据集S的样本类别值，并利用(6)得到的训练好的模型权重值对M₅的权重值进行初始化；

(8)将上述深度卷积网络分类器训练集S₂输入到第五深度卷积网络模型M₅，利用交叉熵损失函数F对其进行训练，得到训练好的极化SAR深度卷积网络分类器；

(9)将测试集S₃输入训练好的分类器得到分类结果。