[发明专利]基于金字塔注意力网络的PolSAR图像山脊线提取方法

说明书

本发明公开了一种基于金字塔注意力网络的PolSAR图像山脊线提取方法，包括如下步骤：S101，对PolSAR图像进行预处理和极化分解，得到Yamaguchi分解的体散射分量特征和Lambda特征，两特征相结合获得极化组合特征；S102，对极化组合特征进行建筑物和山脊的标注，得到标注图像，对标注图像进行分割，获得训练集；S103，将所述训练集输入PAN模型，首先经7×7的卷积运算，由编码器进行训练处理，提取输入图像特征；之后利用特征金字塔注意力模块和全局注意力上采样模块分层逐步进行图像的编码与解码，实现多尺度像素级信息的提取和低级与高级特征的有机结合，完成山脊线的提取。本发明显著提高了山脊线的提取精度，同时在模型的自动化、鲁棒性以及普适性上都有所改善。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于金字塔注意力网络的PolSAR图像山脊线提取方法。

背景技术

地震引发的次生地质灾害滑坡、崩塌、泥石流等对人类生命具有极大的威胁性，而这些由地震触发的山地灾害往往始于山脊线附近，准确地获取山脊信息有利于了解由地震触发的山地灾害情况，对地震发生后的潜在危险做出合理判断，从而为救援人员、物资运输提供帮助。在包含建筑物的极化合成孔径雷达(Polarimetric Synthetic ApertureRadar, PolSAR)图像复杂场景中，由于建筑物的存在，山脊识别过程常常产生错误判断。目前关于PolSAR图像山脊准确有效识别的研究较少。遥感卫星能够快速、准确地绘制感兴趣区域，可以提供灾区的重要信息。但地震发生后，受阴雨天气的影响，光学遥感影像在救灾决策中的作用受到了很大限制。而雷达遥感具有不依赖于太阳光，穿透力强，能全天候工作等特点，这些优势使得雷达遥感技术在地震研究中得到广泛深入的应用，是国家和地区各级防灾减灾不可或缺的重要手段。

随着科技的发展与进步，机器学习与深度学习技术逐渐成熟，在图像识别，语音识别和自然语言处理等领域为诸多问题提供了最佳解决方案。对于遥感图像解译而言，从最初的人工目视解译发展到现在的计算机自动解译，其中应用到机器学习与深度学习技术的现象也是较为常见，例如利用极化SAR数据的性质，设计多种专门处理极化SAR数据的深度学习网络模型，用以完成极化SAR图像的分类和变化检测任务。虽然机器学习和深度学习在图像分割领域应用较为广泛，但用于山脊线提取的研究比较匮乏。因此，本申请基于机器学习和深度学习技术，从全卷积神经网络的角度出发，结合极化分解的结果，利用PAN网络对山脊线进行提取，真正实现全自动提取的目的，并且显著提高山脊线的提取精度。

发明内容

针对上述背景技术中指出的不足，本发明提供了一种基于金字塔注意力网络的PolSAR图像山脊线提取方法，旨在解决上述背景技术中现有技术存在的问题。

为实现上述目的，本发明采用的技术方案是：

基于金字塔注意力网络的PolSAR图像山脊线提取方法，包括如下步骤：

S101，对PolSAR图像进行预处理和极化分解，得到Yamaguchi分解的体散射分量特征和Lambda特征，将所述体散射分量特征与Lambda特征相结合，获得极化组合特征，以便于后续对建筑物和山脊进行标注，从而获得训练样本和测试样本；

S102，对极化组合特征图进行建筑物和山脊的标注，得到标注图像，对标注图像进行分割，获得训练集和测试集；

S103，将所述训练集输入金字塔注意力网络（PAN）模型，首先经大小为7×7的卷积运算，由编码器进行训练处理，提取输入图像特征；然后将输入图像特征输入到特征金字塔注意力（FPA）模块中，提取出不同尺度像素级特征信息；最后利用全局注意力上采样（GAU）模块，通过全局池化操作，分层逐步进行图像的解码，将底层和高层特征信息准确地结合在一起，完成对山脊线的提取。

优选地，所述建筑物和山脊标记时，采用的标注工具为LabelMe。