基于多尺度深度濾波器的極化sar圖像分類方法
【專利摘要】本發(fā)明公開了一種基于多尺度深度濾波器的極化SAR圖像分類方法，主要解決現(xiàn)有技術(shù)分類精度低的問題，其方案是：輸入待分類的極化SAR圖像，由極化相干矩陣T求得極化散射矩陣S；對(duì)極化散射矩陣S進(jìn)行Pauli分解，構(gòu)成基于像素點(diǎn)的特征矩陣F；對(duì)F歸一化，并對(duì)歸一化后的特征矩陣F1中的每個(gè)元素取塊，構(gòu)成基于圖像塊的特征矩陣F2；根據(jù)F2得到訓(xùn)練數(shù)據(jù)集的特征矩陣W1和測(cè)試數(shù)據(jù)集的特征矩陣W2；構(gòu)造基于多尺度深度濾波器的分類模型；用訓(xùn)練數(shù)據(jù)集的特征矩陣W1對(duì)分類模型進(jìn)行訓(xùn)練；利用訓(xùn)練好的分類模型對(duì)測(cè)試數(shù)據(jù)集的特征矩陣W2分類。本發(fā)明引入多尺度深度濾波器，提高了極化SAR圖像的分類精度，可用于目標(biāo)識(shí)別。
【專利說明】
基于多尺度深度濾波器的極化SAR圖像分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種極化SAR圖像分類方法，可用于目標(biāo) 識(shí)別。
【背景技術(shù)】
[0002] 極化SAR是一種高分辨率主動(dòng)式有源微波遙感成像雷達(dá)，具有全天候、全天時(shí)、分 辨率高、可側(cè)視成像等優(yōu)點(diǎn)，能獲得目標(biāo)更豐富的信息。極化SAR圖像分類的目的是利用機(jī) 載或者星載極化SAR傳感器獲得的極化測(cè)量數(shù)據(jù)確定每個(gè)像素所屬的類別，在農(nóng)業(yè)、林業(yè)、 軍事、地質(zhì)學(xué)、水文學(xué)和海洋等方面具有廣泛的研究和應(yīng)用價(jià)值。
[0003] 極化SAR圖像分類的關(guān)鍵是對(duì)極化SAR圖像的目標(biāo)特征提取，現(xiàn)有的基于散射特性 的極化SAR圖像目標(biāo)特征提取方法，包括Cloude分解、Freeman分解等。
[0004] 1997年，Cloude等人提出了 Cloude分解，對(duì)Η/α平面進(jìn)行劃分，通過Η和α兩個(gè)表征 極化數(shù)據(jù)的特征值把各像素化為相應(yīng)區(qū)域的類別。Η/α分類存在的一個(gè)缺陷是區(qū)域的劃分 過于武斷，當(dāng)同一類的數(shù)據(jù)分布在兩類或幾類的邊界時(shí)，分類器性能將變差，另一個(gè)不足之 處是，當(dāng)同一個(gè)區(qū)域里共存幾種不同的地物時(shí)，將不能有效區(qū)分；
[0005] 2004年，Lee等人提出了一種基于Freeman分解的特征提取方法，該方法能夠保持 各類的極化散射特性，但分類結(jié)果易受Freeman分解性能的影響，對(duì)不同波段的極化數(shù)據(jù)該 算法的普適性差。
[0006] 這些特征提取方法由于均沒有考慮到極化SAR圖像的多尺度、多方向、多分辨特 性，因而對(duì)背景復(fù)雜的極化SAR圖像難以得到較高的分類精度。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于針對(duì)上述問題，提出一種基于多尺度深度濾波器的極化SAR圖 像分類方法，以提高分類精度。
[0008] 本發(fā)明的技術(shù)核心是在卷積神經(jīng)網(wǎng)絡(luò)中引入多尺度深度濾波器提取特征，其技術(shù) 方案包括如下：
[0009] (1)輸入待分類的極化SAR圖像，由該極化SAR圖像的極化相干矩陣T求得極化散射 矩陣S;
[0010] (2)對(duì)極化散射矩陣S進(jìn)行Pauli分解，得到奇次散射、偶次散射、體散射系數(shù)，用這 3個(gè)系數(shù)作為極化SAR圖像的3維圖像特征，構(gòu)成基于像素點(diǎn)的特征矩陣F;
[0011] (3)將基于像素點(diǎn)的特征矩陣F中的元素值歸一化到[0，1]之間，記作F1;
[0012] (4)用歸一化后的特征矩陣F1中每個(gè)元素取周圍22X22的塊代表原來的元素值， 構(gòu)成基于圖像塊的特征矩陣F2;
[0013] (5)構(gòu)造訓(xùn)練數(shù)據(jù)集D的特征矩陣W1和測(cè)試數(shù)據(jù)集T的特征矩陣W2;
[0014] (6)構(gòu)造基于多尺度深度濾波器的分類模型：
[0015] (6a)選擇一個(gè)由輸入層-卷積層-池化層-卷積層-池化層-全連接層-全連 接層-softmax分類器組成的8層卷積神經(jīng)網(wǎng)絡(luò)，給定各層的特征映射圖，并確定卷積層的 濾波器尺寸并隨機(jī)初始化濾波器；
[0016] (6b)用Gabor濾波器和非下采樣輪廓波變換中的尺度濾波器構(gòu)造多尺度深度濾波 器，并替換卷積神經(jīng)網(wǎng)絡(luò)的卷積層中隨機(jī)初始化的濾波器，得到基于多尺度深度濾波器的 分類模型為:輸入層-多尺度深度濾波器層-池化層-卷積層-池化層-全連接層-全連 接層-softmax分類器這8層結(jié)構(gòu)；
[0017] (7)用訓(xùn)練數(shù)據(jù)集對(duì)分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型；
[0018] (8)利用訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類，得到測(cè)試數(shù)據(jù)集中每個(gè)像素點(diǎn)的 類別。
[0019] 本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：
[0020] 1.本發(fā)明由于將像素級(jí)特征擴(kuò)展成圖像塊特征，可同時(shí)獲取譜段信息和空間信 息；
[0021] 2.本發(fā)明由于在卷積神經(jīng)網(wǎng)絡(luò)中引入多尺度深度濾波器，能得到具有多尺度、多 方向、多分辨特性的圖像特征，增強(qiáng)了模型的泛化能力，使得在訓(xùn)練樣本較少的情況下仍可 以達(dá)到很高的分類精度。
【附圖說明】
[0022]圖1是本發(fā)明的實(shí)現(xiàn)流程圖；
[0023]圖2是本發(fā)明中對(duì)待分類圖像的人工標(biāo)記圖；
[0024]圖3是用本發(fā)明對(duì)待分類圖像的分類結(jié)果圖。
【具體實(shí)施方式】
[0025] 以下結(jié)合附圖對(duì)本發(fā)明的實(shí)現(xiàn)步驟和實(shí)驗(yàn)效果作進(jìn)一步詳細(xì)描述：
[0026] 參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：
[0027] 步驟1，輸入待分類的極化SAR圖像，由該極化SAR圖像的極化相干矩陣T求得極化 散射矩陣S。
[0028] 待分類的極化SAR圖像選用德國DLR的ESAR傳感器在德國慕尼黑附近的 Oberpfaffenhofen小鎮(zhèn)獲取的L波段全極化數(shù)據(jù)，圖像大小為1300X1200。
[0029] (la)已知待分類圖像的極化相干矩陣T，由該極化相干矩陣T得到其對(duì)角線上的三 個(gè)元素!'11、1'22、1'33，即極化相干矩陣1'第1行第1列的元素、極化相干矩陣1'第2行第2列的元 素、極化相干矩陣T第3行第3列的元素；
[0030] (lb)由 Τιι、Τ22、Τ33，求出 Shh、Svv、Shv:
[0032]其中，Shh為水平發(fā)射且水平接收的散射分量、Svv為垂直發(fā)射且垂直接收的散射分 量、Shv為水平發(fā)射且垂直接收的散射分量；
[0033] (lc)根據(jù)步驟(lb)得到的5冊(cè)^^^組成極化散射矩陣5:
[0035]步驟2,對(duì)極化散射矩陣S進(jìn)行Pauli分解，得到奇次散射、偶次散射、體散射系數(shù)， 用這3個(gè)系數(shù)作為極化SAR圖像的3維圖像特征，構(gòu)成基于像素點(diǎn)的特征矩陣F。
[0036] (2a)定義 Pauli 基{Si, S2, S3}的公式如下：
[0038]其中Si表不奇次散射，S2表不偶次散射，S3表不體散射；
[0039] (2b)由Pauli分解定義得到如下等式：
[0041 ]其中a為奇次散射系數(shù)，b為偶次散射系數(shù)，c為體散射系數(shù)；
[0042] (2c)求解式〈4>，代入式〈1>求得的SHH、Sw、S HV，得到3個(gè)散射系數(shù)a、b、c:
[0044] (2d)定義一個(gè)大小為Ml XM2X 3的矩陣F，并將奇次散射系數(shù)a、偶次散射系數(shù)b、體 散射系數(shù)c賦給矩陣F，得到基于像素點(diǎn)的特征矩陣F，其中Ml為待分類極化SAR圖像的長(zhǎng)，M2 為待分類極化SAR圖像的寬。
[0045] 步驟3，對(duì)基于像素點(diǎn)的特征矩陣F歸一化。
[0046] 常用的歸一化方法有:特征線性縮放法、特征標(biāo)準(zhǔn)化和特征白化。
[0047]本實(shí)例采用特征線性縮放法，即先求出基于像素點(diǎn)的特征矩陣F的最大值max(F); 再將基于像素點(diǎn)的特征矩陣F中的每個(gè)元素均除以最大值max(F)，得到歸一化后的特征矩 陣F1。
[0048]步驟4,用歸一化后的特征矩陣F1中每個(gè)元素取周圍22X22的塊代表原來的元素 值，構(gòu)成基于圖像塊的特征矩陣F2。
[0049]步驟5,構(gòu)造訓(xùn)練數(shù)據(jù)集D的特征矩陣W1和測(cè)試數(shù)據(jù)集T的特征矩陣W2。
[0050] (5a)將極化SAR圖像地物分為3類，記錄每個(gè)類別對(duì)應(yīng)的像素點(diǎn)在待分類圖像中的 位置，生成3種對(duì)應(yīng)不同類地物像素點(diǎn)的位置41)2^3，其中41對(duì)應(yīng)第1類地物像素點(diǎn)在待 分類圖像中的位置，A2對(duì)應(yīng)第2類地物像素點(diǎn)在待分類圖像中的位置，A3對(duì)應(yīng)第3類地物像 素點(diǎn)在待分類圖像中的位置；
[0051] (5b)從所述A1、A2、A3中隨機(jī)選取5%的元素，生成3種對(duì)應(yīng)不同類地物被選作訓(xùn)練 數(shù)據(jù)集的像素點(diǎn)的位置B1、B2、B3，其中B1為對(duì)應(yīng)第1類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn) 在待分類圖像中的位置，B2為對(duì)應(yīng)第2類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像 中的位置，B3為對(duì)應(yīng)第3類地物中被選作訓(xùn)練數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，并將 B1、B2、B3中的元素合并組成訓(xùn)練數(shù)據(jù)集的所有像素點(diǎn)在待分類圖像中的位置L1;
[0052] (5c)用所述A1、A2、A3中其余95%的元素生成3種對(duì)應(yīng)不同類地物被選作測(cè)試數(shù)據(jù) 集的像素點(diǎn)的位置(：1丄2、03，其中(：1為對(duì)應(yīng)第1類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待 分類圖像中的位置，C2為對(duì)應(yīng)第2類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的 位置，C3為對(duì)應(yīng)第3類地物中被選作測(cè)試數(shù)據(jù)集的像素點(diǎn)在待分類圖像中的位置，并將C1、 C2、C3中的元素合并組成測(cè)試數(shù)據(jù)集的所有像素點(diǎn)在待分類圖像中的位置L2;
[0053] (5d)定義訓(xùn)練數(shù)據(jù)集D的特征矩陣W1，在基于圖像塊的特征矩陣F2中依據(jù)L1取對(duì) 應(yīng)位置上的值，并賦值給訓(xùn)練數(shù)據(jù)集D的特征矩陣W1;
[0054] (5e)定義測(cè)試數(shù)據(jù)集T的特征矩陣W2,在基于圖像塊的特征矩陣F2中依據(jù)L2取對(duì) 應(yīng)位置上的值，并賦值給測(cè)試數(shù)據(jù)集T的特征矩陣W2。
[0055] 步驟6，構(gòu)造基于多尺度深度濾波器的分類模型。
[0056] (6a)選擇一個(gè)由輸入層-卷積層-池化層-卷積層-池化層-全連接層-全連 接層-softmax分類器組成的8層卷積神經(jīng)網(wǎng)絡(luò)，給定各層的特征映射圖，確定卷積層的濾 波器尺寸并隨機(jī)初始化濾波器；
[0057] (6b)用Gabor濾波器和非下采樣輪廓波變換中的尺度濾波器構(gòu)造多尺度深度濾波 器，并替換卷積神經(jīng)網(wǎng)絡(luò)的卷積層中隨機(jī)初始化的濾波器，得到基于多尺度深度濾波器的 分類模型為:輸入層-多尺度深度濾波器層-池化層-卷積層-池化層-全連接層-全連 接層-softmax分類器這8層結(jié)構(gòu)，每層的參數(shù)如下：
[0058]對(duì)于第1層輸入層，設(shè)置特征映射圖數(shù)目為3;
[0059] 對(duì)于第2層多尺度深度濾波器層，設(shè)置特征映射圖數(shù)目為9;
[0060] 對(duì)于第3層池化層，設(shè)置下采樣尺寸為2;
[0061]對(duì)于第4層卷積層，設(shè)置特征映射圖數(shù)目為20,設(shè)置濾波器尺寸為4;
[0062] 對(duì)于第5層池化層，設(shè)置下采樣尺寸為2;
[0063] 對(duì)于第6層全連接層，設(shè)置特征映射圖數(shù)目為100;
[0064]對(duì)于第7層全連接層，設(shè)置特征映射圖數(shù)目為64;
[0065]對(duì)于第8層softmax分類器，設(shè)置特征映射圖數(shù)目為3。
[0066] 步驟7，用訓(xùn)練數(shù)據(jù)集對(duì)分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。
[0067] 將訓(xùn)練數(shù)據(jù)集D的特征矩陣W1作為分類模型的輸入，訓(xùn)練數(shù)據(jù)集D中每個(gè)像素點(diǎn)的 類別作為分類模型的輸出，通過求解上述類別與人工標(biāo)記的正確類別之間的誤差并對(duì)誤差 進(jìn)行反向傳播，來優(yōu)化分類模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的分類模型，人工標(biāo)記的正確類標(biāo) 如圖2所示。
[0068] 步驟8,利用訓(xùn)練好的分類模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類。
[0069] 將測(cè)試數(shù)據(jù)集T的特征矩陣W2作為訓(xùn)練好的分類模型的輸入，訓(xùn)練好的分類模型 的輸出為對(duì)測(cè)試數(shù)據(jù)集中每個(gè)像素點(diǎn)進(jìn)行分類得到的分類類別。
[0070] 本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：
[0071] U方真條件：
[0072] 硬件平臺(tái)為：Intel(R)Xeon(R)CPUE5-2630,2·40GHz*16，內(nèi)存為64G。
[0073] 軟件平臺(tái)為:Keras。
[0074] 2.仿真內(nèi)容與結(jié)果：
[0075]用本發(fā)明方法在上述仿真條件下進(jìn)行實(shí)驗(yàn)，即分別從極化SAR數(shù)據(jù)的每個(gè)類別中 隨機(jī)選取5%有標(biāo)記的像素點(diǎn)作為訓(xùn)練樣本，其余有標(biāo)記的像素點(diǎn)作為測(cè)試樣本，得到如圖 3的分類結(jié)果。
[0076] 從圖3可以看出：分類結(jié)果的區(qū)域一致性較好，不同區(qū)域劃分后的邊緣也非常清 晰，且保持了細(xì)節(jié)信息。
[0077] 再依次減少訓(xùn)練樣本，使訓(xùn)練樣本占樣本總數(shù)的4%、3 %、2%，將本發(fā)明與卷積神 經(jīng)網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)集分類精度進(jìn)行對(duì)比，結(jié)果如表1所示：
[0078] 表 1
[0080] 從表1可見，訓(xùn)練樣本占樣本總數(shù)的5%、4%、3%、2%時(shí)，本發(fā)明的測(cè)試數(shù)據(jù)集分 類精度均高于卷積神經(jīng)網(wǎng)絡(luò)。
[0081] 綜上，本發(fā)明通過在卷積神經(jīng)網(wǎng)絡(luò)中引入多尺度深度濾波器，有效提高了圖像特 征的表達(dá)能力，增強(qiáng)了模型的泛化能力，使得在訓(xùn)練樣本較少的情況下仍可以達(dá)到很高的 分類精度。
【主權(quán)項(xiàng)】
1. 一種基于多尺度深度濾波器的極化SAR圖像分類方法，包括： (1) 輸入待分類的極化SAR圖像，由該極化SAR圖像的極化相干矩陣T求得極化散射矩陣 S； (2) 對(duì)極化散射矩陣S進(jìn)行Pauli分解，得到奇次散射、偶次散射、體散射系數(shù)，用這3個(gè) 系數(shù)作為極化SAR圖像的3維圖像特征，構(gòu)成基于像素點(diǎn)的特征矩陣F; (3) 將基于像素點(diǎn)的特征矩陣F中的元素值歸一化到[0，1]之間，記作F1; (4) 用歸一化后的特征矩陣F1中每個(gè)元素取周圍22X22的塊代表原來的元素值，構(gòu)成 基于圖像塊的特征矩陣F2; (5) 構(gòu)造訓(xùn)練數(shù)據(jù)集D的特征矩陣W1和測(cè)試數(shù)據(jù)集T的特征矩陣W2; (6) 構(gòu)造基于多尺度深度濾波器的分類模型： (6a)選擇一個(gè)由輸入層-卷積層-池化層-卷積層-池化層-全連接層-全連接層 -softmax分類器組成的8層卷積神經(jīng)網(wǎng)絡(luò)，給定各層的特征映射圖，并確定卷積層的濾波 器尺寸并隨機(jī)初始化濾波器； (6b)用Gabor濾波器和非下采樣輪廓波變換中的尺度濾波器構(gòu)造多尺度深度濾波器， 并替換卷積神經(jīng)網(wǎng)絡(luò)的卷積層中隨機(jī)初始化的濾波器，得到基于多尺度深度濾波器的分類 模型為:輸入層-多尺度深度濾波器層-池化層-卷積層-池化層-全連接層-全連接層 -softmax分類器這8層結(jié)構(gòu)； (7) 用訓(xùn)練數(shù)據(jù)集對(duì)分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型； (8) 利用訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類，得到測(cè)試數(shù)據(jù)集中每個(gè)像素點(diǎn)的類別。2. 根據(jù)權(quán)利要求1所述的基于多尺度深度濾波器的極化SAR圖像分類方法，其中步驟 (1) 中由極化SAR圖像的極化相干矩陣T求得極化散射矩陣S，按如下步驟進(jìn)行： (2a)已知極化相干矩陣T，根據(jù)式〈1 >可求出Shh、Sw、Shv :<1> 其中，Tn、T22、T33為極化相干矩陣T的對(duì)角線上元素，Shh為水平發(fā)射且水平接收的散射 分量、Sw為垂直發(fā)射且垂直接收的散射分量、Shv為水平發(fā)射且垂直接收的散射分量； (2b)根據(jù)步驟(2a)得到的5^、5^、5^組成極化散射矩陣5:歡3. 根據(jù)權(quán)利要求1所述的基于多尺度深度濾波器的極化SAR圖像分類方法，其中步驟 (2) 中對(duì)極化散射矩陣S進(jìn)行Paul i分解，步驟如下： (3a)定義Pauli基{Si,S2,S3}，公式如下： <3> 其中Si表不奇次散射，S2表不偶次散射，S3表不體散射； (3b)由Paul i分解審々得至丨丨如下等式：<4> 其中a為奇次散射系數(shù)，b為偶次散射系數(shù)，c為體散射系數(shù)； (3c)求解式〈4>，代入式〈1 >求得的Shh、Sw、Shv，得到3個(gè)散射系數(shù)a、b、c:<5>。4. 根據(jù)權(quán)利要求1所述的基于多尺度深度濾波器的極化SAR圖像分類方法，其中步驟 (2) 中構(gòu)成基于像素點(diǎn)的特征矩陣F，是先定義一個(gè)大小為Ml XM2 X 3的特征矩陣F，再將奇 次散射系數(shù)a、偶次散射系數(shù)b、體散射系數(shù)c賦給特征矩陣F，其中Ml為待分類極化SAR圖像 的長(zhǎng)，M2為待分類極化SAR圖像的寬。5. 根據(jù)權(quán)利要求1所述的基于多尺度深度濾波器的極化SAR圖像分類方法，其中步驟 (3) 中對(duì)基于像素點(diǎn)的特征矩陣F歸一化，采用特征線性縮放法，即先求出基于像素點(diǎn)的特 征矩陣F的最大值max(F);再將基于像素點(diǎn)的特征矩陣F中的每個(gè)元素均除以最大值max (F)，得到歸一化后的特征矩陣F1。6. 根據(jù)權(quán)利要求1所述的基于多尺度深度濾波器的極化SAR圖像分類方法，其中步驟 (6b)中基于多尺度深度濾波器的分類模型，參數(shù)如下： 對(duì)于第1層輸入層，設(shè)置特征映射圖數(shù)目為3; 對(duì)于第2層多尺度深度濾波器層，設(shè)置特征映射圖數(shù)目為9; 對(duì)于第3層池化層，設(shè)置下采樣尺寸為2; 對(duì)于第4層卷積層，設(shè)置特征映射圖數(shù)目為20，設(shè)置濾波器尺寸為4; 對(duì)于第5層池化層，設(shè)置下采樣尺寸為2; 對(duì)于第6層全連接層，設(shè)置特征映射圖數(shù)目為100; 對(duì)于第7層全連接層，設(shè)置特征映射圖數(shù)目為64; 對(duì)于第8層softmax分類器，設(shè)置特征映射圖數(shù)目為3 〇
【文檔編號(hào)】G06K9/62GK105868793SQ201610237878
【公開日】2016年8月17日
【申請(qǐng)日】2016年4月18日
【發(fā)明人】焦李成, 馬文萍, 馬麗媛, 張丹, 馬晶晶, 楊淑媛, 侯彪, 尚榮華, 王爽
【申請(qǐng)人】西安電子科技大學(xué)