基于散射全卷积模型的极化SAR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CN108564098A(43)申请公布日2018.09.21(21)申请号201711188058.3(22)申请日2017.11.24(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人焦李成屈嵘高丽丽马文萍杨淑媛侯彪刘芳唐旭马晶晶张丹陈璞华古晶(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)权利要求书2页说明书6页附图2页(54)发明名称基于散射全卷积模型的极化SAR分类方法(57)摘要本发明公开了一种基于散射全卷积模型的极化SAR分类方法，其步骤为：(1)对待分类的极化SAR图像进行Lee滤波；(2)将散射矩阵进行pauli分解；(3)特征矩阵归一化；(4)构造数据集；(5)构建散射全卷积网络模型；(6)训练散射全卷积模型；(7)获得测试结果。本发明通过将极化SAR图像的极化特性，散射特性和纹理特性有效的结合，保留了特征信息的完整性，提高了图像的分类精度，同时加快了训练速度。CN108564098ACN108564098A权利要求书1/2页1.一种基于散射全卷积模型的极化SAR分类方法，其特征在于，包括如下步骤：(1)对待分类的极化SAR图像进行Lee滤波：对待分类的极化SAR图像的散射矩阵，进行滤除相干噪声的精致极化Lee滤波，得到滤波后的散射矩阵，其中待分类的极化SAR图像大小为1800×1380像素，得到滤波后的散射矩阵中的每个元素是一个3×3的矩阵，相当于每个像素点有9维特征；(2)将散射矩阵进行pauli分解：对滤波后的散射矩阵进行pauli分解，得到奇次散射能量、偶次散射能量、体散射能量，用分解得到的奇次散射能量、偶次散射能量、体散射能量作为表征极化SAR目标的3维图像特征，构成基于像素点的特征矩阵；(3)特征矩阵归一化：将特征矩阵中的元素值归一化到[0，255]之间，得到归一化后的特征矩阵；(4)构造数据集：(4a)从归一化后的特征矩阵中每一类的特征值中随机选取10％的特征值，以所选取的每一个特征值为中心点，在左、上方向分别选取31个特征值，在右、下方向分别选取32个特征值，将所选取的特征值与其周围所选的特征值，组成64×64的特征矩阵块；(4b)从特征矩阵块中随机选取5％的特征矩阵块，作为训练数据集，将其余的特征矩阵块作为测试数据集；(5)构造散射全卷积网络模型：构造一个含有19层的散射全卷积网络模型，模型结构为：输入层→散射层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层→第四卷积层→第四池化层→第五卷积层→第六卷积层→第七卷积层→第一反卷积层→第八卷积层→第二反卷积层→按元素Etwise操作层→第三反卷积层→裁剪层→分类器；(6)训练散射全卷积网络模型：将训练数据集输入到散射全卷积网络模型中，得到训练好的散射全卷积网络模型；(7)进行分类：将测试数据集输入到训练好的散射全卷积网络模型中，得到测试数据集中每个像素的分类结果。2.根据权利要求1所述的基于散射全卷积模型的极化SAR分类方法，其特征在于，所述步骤(2)中所述对滤波后的散射矩阵进行pauli分解是指，依次按照下述三个公式，计算pauli分解的不同方向三个散射能量：22|c|＝2(SHV)其中,a表示极化SAR图像散射矩阵奇次散射系数，b表示极化SAR图像散射矩阵偶次散射系数，c表示极化SAR图像散射矩阵45度角偶次散射系数，|a|2表示极化SAR图像散射矩阵奇次散射的散射能量，|b|2表示极化SAR图像散射矩阵偶次散射的散射能量，|c|2表示极化SAR图像散射矩阵45度角偶次散射的散射能量，SHH表示极化SAR图像水平向接收的水平向发2CN108564098A权利要求书2/2页射极化波的回波数据，SHV表示化SAR图像垂直向接收的水平向发射极化波的回波数据，SVV表示极化SAR图像垂直向接收的垂直向发射极化波的回波数据，|·|表示取绝对值操作。3.根据权利要求1所述的基于散射全卷积模型的极化SAR分类方法，其特征在于，步骤(5)中所述散射全卷积网络模型每层参数的设置如下：输入层的特征映射图数目设置为3。散射层的特征映射图数目设置为3。第一池化层的特征映射图数目设置为32。第二卷积层的特征映射图数目设置为64，卷积核尺寸设置为5。第二池化层的特征映射图数目设置为64。第三卷积层的特征映射图数目设置为96，卷积核尺寸设置为3。第三池化层的特征映射图数目设置为96。第四卷积层的特征映射图数目设置为128，卷积核尺寸设置为3。第四池化层的特征映射图数目设置为96。第五卷积层的特征映射图数目设置为128，卷积核尺寸设置为