[发明专利]基于散射图卷积网络的极化SAR图像分类方法、介质及设备

权利要求书

1.基于散射图卷积网络的极化SAR图像分类方法，其特征在于，将待分类的极化SAR影像原始数据编码成极化散射矩阵；对极化散射矩阵进行稀疏散射编码得到稀疏散射矩阵，并构造散射关系邻接矩阵；初始化散射图卷积神经网络的相关参数；将稀疏散射矩阵拉成列向量，然后和散射关系邻接矩阵一起输入到初始化的散射图卷积神经网络中，根据极化SAR图像的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合；将选取的训练样本集合分批次并归一化到[0.05,0.95]与散射关系邻接矩阵一起输入到散射图卷积神经网络进行训练；重复迭代直至满足训练终止条件，得到散射图卷积神经网络的模型参数；最后利用训练好的分类器预测分类，将分类结果输出并计算分类精度；

极化散射矩阵S如下：

其中，S_HH＝a+bi，S_HV＝c+di，S_VH＝e+fi，S_VV＝g+hi，a-h为像素的八个通道值，i表示复数单位；

散射矩阵S的稀疏散射编码过程如下：

其中，a-h为像素的八个通道值；

散射图卷积神经网络的模型为：

其中，表示第l+1层的特征表示，σ是激活函数，W^(l)是可学习的权重，A是邻接矩阵，I_N表示单位矩阵，散射图卷积神经网络的损失函数为交叉熵损失，具体为：

其中，代表有标记的样本，F代表最后的通道数，n和f分别表示样本索引和通道索引。

2.根据权利要求1所述的方法，其特征在于，每类训练样本的数目为100个。

3.根据权利要求1所述的方法，其特征在于，重复迭代的最大次数为2000次。

4.根据权利要求1所述的方法，其特征在于，预测分类具体为：

将待分类的极化SAR图像原始的测试数据进行极化散射编码，所得到的列向量归一化到[0.1,0.9]后，输入训练好网络，得到隐藏层的特征进行联合表示，然后利用这些特征输入到训练好的分类器对待分类的极化SAR图像进行分类，得到每个像素点的类别。

5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。

6.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。