一种基于散射机制用于简缩极化SAR的交互CNN分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114202674A(43)申请公布日2022.03.18(21)申请号202111540134.9(22)申请日2021.12.15(71)申请人北京化工大学地址100029北京市朝阳区北三环东路15号(72)发明人尹嫱黄译张帆周勇胜(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人沈波(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书9页附图2页(54)发明名称一种基于散射机制用于简缩极化SAR的交互CNN分类方法(57)摘要本发明公开了一种基于散射机制用于简缩极化SAR的交互CNN分类方法，提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m‑δ分解区分不同地物目标的散射机制；对测试样本进行分类，计算分类结果的混淆矩阵，通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度。本发明在简缩极化SAR领域使用了权值共享、交互通道机制的多通道卷积神经网络方法，提升了分类精度。CN114202674ACN114202674A权利要求书1/4页1.一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：该方法的步骤包括，步骤(1)：提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；步骤(2)：获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m‑δ分解区分不同地物目标的散射机制；步骤(3)：对测试样本进行分类：引入权重共享和通道交互的17层卷积神经网络(CrossCNN)，从目标的散射机制中提取极化特征用于地物分类；步骤(4)：计算分类结果的混淆矩阵：通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度。2.根据权利要求1所述的一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：在步骤(1)中，对简缩极化SAR图像提取斯托克斯矢量；斯托克斯矢量特征定义方法是利用功率测量值定义电磁波极化状态的方法，琼斯矢量E与其共轭转置矢量的外积得到一个2×2的埃米尔特矩阵：其中，x,y表示水平方向和垂直方向，*表示共轭矩阵；将Pauli矩阵群{σ0,σ1,σ2,σ3}代入式1，可将式1分解为：其中，式(2)中，{g0,g1,g2,g3}是斯托克斯参数，根据式(2)可得：其中，g为斯托克斯矢量；对于简缩极化SAR模式，是通过发射右旋圆极化波、接收水平/垂直极化波的CTLR模式，在该CTLR模式下计算斯托克斯矢量，需首先获取极化散射矩阵：极化散射矩阵又称为Sinclair矩阵，用来描述目标的电磁散射现象，令其中，S表示极化散射矩阵，矩阵中Sij为其复散射参数，矩阵对角元素成为同极化分量，代表入射波和散射波极化状态相同，矩阵反对角元素成为交叉极化分量，代表入射波和散射波极化状态正交；2CN114202674A权利要求书2/4页在简缩极化SAR模式下，将式(4)变化为：其中，S(h,v)表示水平/垂直极化基散射矩阵，H,V分别表示水平极化方式、垂直极化方式；如式(6)所示通过变换极化基，任意收发极化组合的极化散射矩阵都由全极化散射矩阵得到；因为和全极化相比，接收端的极化模式不变，因此接收端的极化基保持不变，发射端极化基为CTLR模式下的极化基：其中，U1和U2分别是发射端和接收端的极化基变化矩阵；发射圆极化的全极化散射矩阵表示为：而发射右旋圆极化的简缩极化散射矢量SRCL表示为：得到水平方向电势矢量EH、水平方向电势矢量EV：将式(10)、(11)代入式(3)得：3.根据权利要求1所述的一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：在步骤(2)中，要获取简缩极化的地物散射机制，计算极化度m和相对相位差δ，将他们作为目标分解的基本参数，通过m‑δ分解区分不同地物目标的散射机制；极化度m反映地物散射的随机程度，是部分极化波最重要的特征之一，随机性越高，极化度越低，反之，极化度越高；3CN114202674A权利要求书3/4页其中，{g0,g1,g2,g3}是斯托克斯参数；极化度m和相对相位差δ作为目标分解的两个基本参数，极化度m反映地物散射的随机程度，相位差δ区分偶次散射和奇次散射机理；由m、δ得到偶次散射、体散射、奇次散射的权重；其中，Pdbl指偶次散射