[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

说明书

本发明公开了一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备，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；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，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后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；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。本发明对极化SAR数据表示和学习，从而提高了分类精度，可用于对极化SAR影像散射特性进行建模和地物分类。

技术领域

本发明属于极化SAR图像处理技术领域，具体涉及一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式微波遥感成像雷达，极化合成孔径雷达则具有相干多通道的特性，SAR具有全天候、全天时、分辨率高、可侧视成像等优点，可广泛应用于地理监视、农业、土地利用等诸多领域。相对于单极化SAR，极化SAR能够获得更加丰富的目标信息，在遥感领域受到高度重视。极化SAR图像分类作为解译的一个重要部分，已成为国际上一个颇受关注研究方向。

目前，极化SAR图像分类方法可以分为两种：基于物理机制的模型和基于数据驱动的方法。其中，基于物理散射机制的方法主要包括目标的相干分解和非相干分解的建模，提出了一系列分解方法，从而得到极化特征。基于数据驱动的方法主要是以深度学习算法为工具进行研究的。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于散射图卷积网络的极化SAR图像分类方法、介质及设备，利用数据的散射特性和图卷积网络的原理，对极化SAR数据表示和学习，从而提高了分类精度，可用于对极化SAR影像散射特性进行建模和地物分类。

本发明采用以下技术方案：

一种基于散射图卷积网络的极化SAR图像分类方法，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。

具体的，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。

具体的，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。

具体的，每类训练样本的数目为100个。

具体的，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。

进一步的，散射图卷积神经网络的损失函数为交叉熵损失，具体为：