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，主要解決現有技術分類精度低的問題，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；對極化散射矩陣S進行Pauli分解，構成基于像素點的特征矩陣F；對F歸一化，并對歸一化后的特征矩陣F1中的每個元素取塊，構成基于圖像塊的特征矩陣F2；根據F2得到訓練數據集的特征矩陣W1和測試數據集的特征矩陣W2；構造基于多尺度深度濾波器的分類模型；用訓練數據集的特征矩陣W1對分類模型進行訓練；利用訓練好的分類模型對測試數據集的特征矩陣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，可用于目標識別。
【專利說明】
基于多尺度深度濾波器的極化SAR圖像分類方法
技術領域
[0001] 本發(fā)明屬于圖像處理技術領域，具體涉及一種極化SAR圖像分類方法，可用于目標 識別。
【背景技術】
[0002] 極化SAR是一種高分辨率主動式有源微波遙感成像雷達，具有全天候、全天時、分 辨率高、可側視成像等優(yōu)點，能獲得目標更豐富的信息。極化SAR圖像分類的目的是利用機 載或者星載極化SAR傳感器獲得的極化測量數據確定每個像素所屬的類別，在農業(yè)、林業(yè)、 軍事、地質學、水文學和海洋等方面具有廣泛的研究和應用價值。
[0003] 極化SAR圖像分類的關鍵是對極化SAR圖像的目標特征提取，現有的基于散射特性 的極化SAR圖像目標特征提取方法，包括Cloude分解、Freeman分解等。
[0004] 1997年，Cloude等人提出了 Cloude分解，對Η/α平面進行劃分，通過Η和α兩個表征 極化數據的特征值把各像素化為相應區(qū)域的類別。Η/α分類存在的一個缺陷是區(qū)域的劃分 過于武斷，當同一類的數據分布在兩類或幾類的邊界時，分類器性能將變差，另一個不足之 處是，當同一個區(qū)域里共存幾種不同的地物時，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，但分類結果易受Freeman分解性能的影響，對不同波段的極化數據該 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，因而對背景復雜的極化SAR圖像難以得到較高的分類精度。

【發(fā)明內容】

[0007] 本發(fā)明的目的在于針對上述問題，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)明的技術核心是在卷積神經網絡中引入多尺度深度濾波器提取特征，其技術 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)對極化散射矩陣S進行Pauli分解，得到奇次散射、偶次散射、體散射系數，用這 3個系數作為極化SAR圖像的3維圖像特征，構成基于像素點的特征矩陣F;
[0011] (3)將基于像素點的特征矩陣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中每個元素取周圍22X22的塊代表原來的元素值， 構成基于圖像塊的特征矩陣F2;
[0013] (5)構造訓練數據集D的特征矩陣W1和測試數據集T的特征矩陣W2;
[0014] (6)構造基于多尺度深度濾波器的分類模型：
[0015] (6a)選擇一個由輸入層-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層卷積神經網絡，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造多尺度深度濾波 器，并替換卷積神經網絡的卷積層中隨機初始化的濾波器，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層結構；
[0017] (7)用訓練數據集對分類模型進行訓練，得到訓練好的模型；
[0018] (8)利用訓練好的模型對測試數據集進行分類，得到測試數據集中每個像素點的 類別。
[0019] 本發(fā)明與現有的技術相比具有以下優(yōu)點：
[0020] 1.本發(fā)明由于將像素級特征擴展成圖像塊特征，可同時獲取譜段信息和空間信 息；
[0021] 2.本發(fā)明由于在卷積神經網絡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，增強了模型的泛化能力，使得在訓練樣本較少的情況下仍可 以達到很高的分類精度。
【附圖說明】
[0022]圖1是本發(fā)明的實現流程圖；
[0023]圖2是本發(fā)明中對待分類圖像的人工標記圖；
[0024]圖3是用本發(fā)明對待分類圖像的分類結果圖。
【具體實施方式】
[0025] 以下結合附圖對本發(fā)明的實現步驟和實驗效果作進一步詳細描述：
[0026] 參照圖1，本發(fā)明的具體實現步驟如下：
[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波段全極化數據，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得到其對角線上的三 個元素!'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)根據步驟(lb)得到的5冊^^^組成極化散射矩陣5:
[0035]步驟2,對極化散射矩陣S進行Pauli分解，得到奇次散射、偶次散射、體散射系數， 用這3個系數作為極化SAR圖像的3維圖像特征，構成基于像素點的特征矩陣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，b為偶次散射系數，c為體散射系數；
[0042] (2c)求解式〈4>，代入式〈1>求得的SHH、Sw、S HV，得到3個散射系數a、b、c:
[0044] (2d)定義一個大小為Ml XM2X 3的矩陣F，并將奇次散射系數a、偶次散射系數b、體 散射系數c賦給矩陣F，得到基于像素點的特征矩陣F，其中Ml為待分類極化SAR圖像的長，M2 為待分類極化SAR圖像的寬。
[0045] 步驟3，對基于像素點的特征矩陣F歸一化。
[0046] 常用的歸一化方法有:特征線性縮放法、特征標準化和特征白化。
[0047]本實例采用特征線性縮放法，即先求出基于像素點的特征矩陣F的最大值max(F); 再將基于像素點的特征矩陣F中的每個元素均除以最大值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中每個元素取周圍22X22的塊代表原來的元素 值，構成基于圖像塊的特征矩陣F2。
[0049]步驟5,構造訓練數據集D的特征矩陣W1和測試數據集T的特征矩陣W2。
[0050] (5a)將極化SAR圖像地物分為3類，記錄每個類別對應的像素點在待分類圖像中的 位置，生成3種對應不同類地物像素點的位置41)2^3，其中41對應第1類地物像素點在待 分類圖像中的位置，A2對應第2類地物像素點在待分類圖像中的位置，A3對應第3類地物像 素點在待分類圖像中的位置；
[0051] (5b)從所述A1、A2、A3中隨機選取5%的元素，生成3種對應不同類地物被選作訓練 數據集的像素點的位置B1、B2、B3，其中B1為對應第1類地物中被選作訓練數據集的像素點 在待分類圖像中的位置，B2為對應第2類地物中被選作訓練數據集的像素點在待分類圖像 中的位置，B3為對應第3類地物中被選作訓練數據集的像素點在待分類圖像中的位置，并將 B1、B2、B3中的元素合并組成訓練數據集的所有像素點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種對應不同類地物被選作測試數據 集的像素點的位置(：1丄2、03，其中(：1為對應第1類地物中被選作測試數據集的像素點在待 分類圖像中的位置，C2為對應第2類地物中被選作測試數據集的像素點在待分類圖像中的 位置，C3為對應第3類地物中被選作測試數據集的像素點在待分類圖像中的位置，并將C1、 C2、C3中的元素合并組成測試數據集的所有像素點在待分類圖像中的位置L2;
[0053] (5d)定義訓練數據集D的特征矩陣W1，在基于圖像塊的特征矩陣F2中依據L1取對 應位置上的值，并賦值給訓練數據集D的特征矩陣W1;
[0054] (5e)定義測試數據集T的特征矩陣W2,在基于圖像塊的特征矩陣F2中依據L2取對 應位置上的值，并賦值給測試數據集T的特征矩陣W2。
[0055] 步驟6，構造基于多尺度深度濾波器的分類模型。
[0056] (6a)選擇一個由輸入層-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層卷積神經網絡，給定各層的特征映射圖，確定卷積層的濾 波器尺寸并隨機初始化濾波器；
[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造多尺度深度濾波 器，并替換卷積神經網絡的卷積層中隨機初始化的濾波器，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層結構，每層的參數如下：
[0058]對于第1層輸入層，設置特征映射圖數目為3;
[0059] 對于第2層多尺度深度濾波器層，設置特征映射圖數目為9;
[0060] 對于第3層池化層，設置下采樣尺寸為2;
[0061]對于第4層卷積層，設置特征映射圖數目為20,設置濾波器尺寸為4;
[0062] 對于第5層池化層，設置下采樣尺寸為2;
[0063] 對于第6層全連接層，設置特征映射圖數目為100;
[0064]對于第7層全連接層，設置特征映射圖數目為64;
[0065]對于第8層softmax分類器，設置特征映射圖數目為3。
[0066] 步驟7，用訓練數據集對分類模型進行訓練，得到訓練好的分類模型。
[0067] 將訓練數據集D的特征矩陣W1作為分類模型的輸入，訓練數據集D中每個像素點的 類別作為分類模型的輸出，通過求解上述類別與人工標記的正確類別之間的誤差并對誤差 進行反向傳播，來優(yōu)化分類模型的網絡參數，得到訓練好的分類模型，人工標記的正確類標 如圖2所示。
[0068] 步驟8,利用訓練好的分類模型對測試數據集進行分類。
[0069] 將測試數據集T的特征矩陣W2作為訓練好的分類模型的輸入，訓練好的分類模型 的輸出為對測試數據集中每個像素點進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驗進一步說明：
[0071] U方真條件：
[0072] 硬件平臺為：Intel(R)Xeon(R)CPUE5-2630,2·40GHz*16，內存為64G。
[0073] 軟件平臺為:Keras。
[0074] 2.仿真內容與結果：
[0075]用本發(fā)明方法在上述仿真條件下進行實驗，即分別從極化SAR數據的每個類別中 隨機選取5%有標記的像素點作為訓練樣本，其余有標記的像素點作為測試樣本，得到如圖 3的分類結果。
[0076] 從圖3可以看出：分類結果的區(qū)域一致性較好，不同區(qū)域劃分后的邊緣也非常清 晰，且保持了細節(jié)信息。
[0077] 再依次減少訓練樣本，使訓練樣本占樣本總數的4%、3 %、2%，將本發(fā)明與卷積神 經網絡的測試數據集分類精度進行對比，結果如表1所示：
[0078] 表 1
[0080] 從表1可見，訓練樣本占樣本總數的5%、4%、3%、2%時，本發(fā)明的測試數據集分 類精度均高于卷積神經網絡。
[0081] 綜上，本發(fā)明通過在卷積神經網絡中引入多尺度深度濾波器，有效提高了圖像特 征的表達能力，增強了模型的泛化能力，使得在訓練樣本較少的情況下仍可以達到很高的 分類精度。
【主權項】
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) 對極化散射矩陣S進行Pauli分解，得到奇次散射、偶次散射、體散射系數，用這3個 系數作為極化SAR圖像的3維圖像特征，構成基于像素點的特征矩陣F; (3) 將基于像素點的特征矩陣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中每個元素取周圍22X22的塊代表原來的元素值，構成 基于圖像塊的特征矩陣F2; (5) 構造訓練數據集D的特征矩陣W1和測試數據集T的特征矩陣W2; (6) 構造基于多尺度深度濾波器的分類模型： (6a)選擇一個由輸入層-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層卷積神經網絡，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造多尺度深度濾波器， 并替換卷積神經網絡的卷積層中隨機初始化的濾波器，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層結構； (7) 用訓練數據集對分類模型進行訓練，得到訓練好的模型； (8) 利用訓練好的模型對測試數據集進行分類，得到測試數據集中每個像素點的類別。2. 根據權利要求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，按如下步驟進行： (2a)已知極化相干矩陣T，根據式〈1 >可求出Shh、Sw、Shv :<1> 其中，Tn、T22、T33為極化相干矩陣T的對角線上元素，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)根據步驟(2a)得到的5^、5^、5^組成極化散射矩陣5:歡3. 根據權利要求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) 中對極化散射矩陣S進行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，b為偶次散射系數，c為體散射系數； (3c)求解式〈4>，代入式〈1 >求得的Shh、Sw、Shv，得到3個散射系數a、b、c:<5>。4. 根據權利要求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) 中構成基于像素點的特征矩陣F，是先定義一個大小為Ml XM2 X 3的特征矩陣F，再將奇 次散射系數a、偶次散射系數b、體散射系數c賦給特征矩陣F，其中Ml為待分類極化SAR圖像 的長，M2為待分類極化SAR圖像的寬。5. 根據權利要求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) 中對基于像素點的特征矩陣F歸一化，采用特征線性縮放法，即先求出基于像素點的特 征矩陣F的最大值max(F);再將基于像素點的特征矩陣F中的每個元素均除以最大值max (F)，得到歸一化后的特征矩陣F1。6. 根據權利要求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，參數如下： 對于第1層輸入層，設置特征映射圖數目為3; 對于第2層多尺度深度濾波器層，設置特征映射圖數目為9; 對于第3層池化層，設置下采樣尺寸為2; 對于第4層卷積層，設置特征映射圖數目為20，設置濾波器尺寸為4; 對于第5層池化層，設置下采樣尺寸為2; 對于第6層全連接層，設置特征映射圖數目為100; 對于第7層全連接層，設置特征映射圖數目為64; 對于第8層softmax分類器，設置特征映射圖數目為3 〇
【文檔編號】G06K9/62GK105868793SQ201610237878
【公開日】2016年8月17日
【申請日】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
【申請人】西安電子科技大學