[发明专利]一种机载多维度合成孔径雷达图像地物分类方法

说明书

本发明涉及一种基于深度学习的机载多维度合成孔径雷达图像地物分类方法，包括以下步骤：步骤S1、对同时获取的机载高分辨率多维度SAR图像进行预处理，标注地物类型标签，并对数据集进行划分；步骤S2、对于每个维度的SAR图像分别构建对应的地物分类模型，并利用深度学习方法采用训练集进行训练，使损失函数值趋于稳定并尽可能降低；步骤S3、利用训练得到的各地物分类模型分别进行地物分类测试评价，并根据测试评价结果得到各地物分类模型对各类别地物的分类准确敏感度；步骤S4、对各地物分类模型进行融合，实现机载多维度SAR图像地物分类。与现有技术相比，本发明方法能够提升机载高分辨率多维度SAR数据在地物分类方面的应用效能，提高地物分类准确度。

技术领域

本发明涉及机载合成孔径雷达成像遥感应用领域，尤其是涉及一种基于深度学习的机载多维度合成孔径雷达图像地物分类方法。

背景技术

合成孔径雷达(SAR)成像由于其全天候、全天时的优势而备受关注。多维度SAR是其基本观测方式在极化、频率、角度和时相维度中的至少两个维度内，分别获得多个观测量的联合观测技术手段。与之相对的是，在单一维度内获取单/多个观测量的探测手段是单维度SAR。多维度SAR通过信号与信息综合处理，有可能更准确地区分被观测对象的不同散射机理，进而更准确地获得其几何特征和物理特征。在SAR地物分类的应用中，单维度数据包含的地物目标信息相对较少，通常在不同类型地物之间存在一定程度的模糊性，而采用多维度SAR数据进行地物分类可以获取更丰富的目标信息。因此，采用多维度SAR图像进行地物分类成为SAR图像解译的重要研究内容，也是SAR技术在实际应用中的一个重要发展方向。

SAR地物分类在植被检测、土地利用、城区种植和海冰监测等领域发挥着不可或缺的作用，现有的SAR地物分类提取极化特征可以通过目标分解获得，如Pauli分解、Freeman分解等，另一些现有的方法还可以利用边缘检测、极化散射机理等实现SAR地物分类。

相比于现有方法，使用深度学习能处理大量SAR数据并实现较高精度的地物分类，但另一方面，深度学习对数据量要求较高，同时模型的训练需要花费较多时间，SAR数据相比于较容易获得、使用较广泛的光学数据，存在数据量不足的缺点，尤其是机载多维度SAR数据，获取更为困难。因此，对应的利用机载多维度SAR数据实现地物分类的方法也较少，使用的波段也不够丰富。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种机载多维度合成孔径雷达图像地物分类方法。

本发明的目的可以通过以下技术方案来实现：

一种机载多维度合成孔径雷达图像地物分类方法，包括以下步骤：

步骤S1、对同时获取的机载高分辨率多维度SAR图像进行预处理，标注地物类型标签，并对数据集进行划分得到训练集和测试集；

步骤S2、对于每个维度的SAR图像分别构建对应的地物分类模型，并利用深度学习方法采用训练集进行训练，使损失函数值趋于稳定并尽可能降低；

步骤S3、利用训练得到的各地物分类模型分别采用测试集进行地物分类测试评价，并根据测试评价结果得到各地物分类模型对各类别地物的分类准确敏感度；

步骤S4、对各地物分类模型的分类结果进行融合，实现机载多维度SAR图像地物分类。

所述的步骤S1具体包括以下步骤：

步骤S1-1、通过航空遥感系统同时获得机载高分辨率多维度SAR图像数据，并生成对应的像素类别蒙版，并对蒙版进行标注生成数据集；

步骤S1-2、在统计类别占比的前提下，根据语义分割数据集比例要求将数据集划分为训练集和测试集。

所述的步骤S1中，机载高分辨率多维度SAR图像包括光学图像、C波段图像、Ka波段图像、L波段图像、P波段图像和S波段图像。