基于去噪卷积神经网络的极化SAR地物分类方法.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CN110516728A(43)申请公布日2019.11.29(21)申请号201910766705.7(22)申请日2019.08.20(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人王爽焦李成宋国鑫赵永强郭岩河侯彪(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于去噪卷积神经网络的极化SAR地物分类方法(57)摘要本发明公开一种基于去噪卷积神经网络的极化SAR地物分类方法，实现步骤为：(1)生成每个像素点的特征向量；(2)生成训练样本集和测试样本集；(3)生成均值图；(4)构建去噪卷积神经网络；(5)训练去噪卷积神经网络；(6)将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。本发明采用基于去噪卷积神经网络的极化SAR地物分类方法对图像进行分类，减少了去噪过程对地物信息的损失，保留了更多的极化散射信息，最终提高了分类精度。CN110516728ACN110516728A权利要求书1/2页1.一种基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于，将极化SAR数据的去噪、特征提取和分类集成在去噪卷积神经网络中，完成地物分类任务，该方法的步骤包括如下：(1)生成每个像素点的特征向量：(1a)输入一张1300×1300大小的待分类的极化SAR图像；(1b)对输入的极化SAR图像中每个像素点的复散射矩阵进行分解，生成极化相干矩阵并将其展开为行向量，作为该像素点的特征向量，将所有像素点的特征向量组成特征向量图；(2)生成训练样本集和测试样本集：(2a)将输入的待分类的极化SAR图像根据真实的地物标记分为5类，分别为植被、水域、低密度土地、高密度土地和开发区；(2b)从每种类别中随机选取10个有标记样本的特征向量组成训练样本集，将其余样本的特征向量组成测试样本集；(3)生成均值图：(3a)将特征向量图中的每个像素点为中心的7×7像素域，作为该像素点的窗口；(3b)计算每个窗口中的像素点特征向量的平均值，作为该窗口中心像素点的值，将所有像素点的平均值组成均值图；(4)构建去噪卷积神经网络：(4a)搭建一个10层的去噪卷积神经网络，其结构依次为：输入层→第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第六卷积层→第七卷积层→第八个卷积层→第九个卷积层→第十个卷积层→softmax输出层，每个卷积层的激活函数选择tanh双曲正切函数，输入层对输入的特征向量图和均值图进行凸组合；(4b)设置去噪卷积神经网络中每层参数如下：将十个卷积层的卷积核大小均设置为3×3，步长均设置为1，padding模式均设置为same，输出通道数依次设置为64、128、64、9、64、64、64、64、64、5；Softmax输出层的神经元个数设置为5；(5)训练去噪卷积神经网络：(5a)将特征向量图和均值图输入到去噪卷积神经网络中，得到所有训练样本的交叉熵损失函数值；(5b)利用梯度下降法，更新去噪卷积神经网络的权重值，直至交叉熵损失函数的值小于0.4，保存去噪卷积神经网络的权重值，得到训练好的去噪卷积神经网络；(6)将测试样本输入到训练好的去噪卷积神经网络中，得到分类结果。2.根据权利要求1所述的基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于：步骤(1b)中所述的生成极化相干矩阵的表达式如下：2CN110516728A权利要求书2/2页其中，T表示极化相干矩阵，H和V表示电磁波极化方式，H表示水平方向极化，V表示垂直方向极化，SHH表示雷达水平发射水平接收的散射分量，SVV表示雷达垂直发射垂直接收的散2射分量，SHV表示雷达水平发射垂直接收的散射分量，<·>表示按极化视数取平均值，|·|表示取模的平方操作，(·)*表示复数的共轭操作。3.根据权利要求1所述的基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于：步骤(4a)中所述的对输入的特征向量图和均值图进行凸组合是按照下述的公式操作：其中，表示特征向量图第i行第j列的像素点和均值图中同位置的像素点的凸组合，bij表示均值图中与特征向量图中同位置的像素点的凸组合系数，zij表示特征向量图中第i行第j列的像素点，表示均值图中与特征向量图中同位置的像素点。4.根据权利要求1所述的基于去噪卷积神经网络的极化SAR地物分类方法，其特征在于：步骤(5b)中所述梯度下降法的具体步骤如下：第一步，求出损失函数对需要进行更新优化参数的偏导数；第二步，利用如下公式，更新去噪卷积神经网络的参数