基于全卷积神经网络的极化SAR地物分类方法与流程

【
技术领域：
】本发明属于图像处理
技术领域：
，具体涉及一种极化sar图像分类方法，可用于极化sar图像地物分类和目标识别，具体是基于全卷积神经网络的极化sar地物分类方法。
背景技术：
：极化合成孔径雷达作为当代遥感技术的一个热门研究领域，具有许多突出的优点，如不受时间的影响，可以24小时成像等。极化sar图像具有独特的优势和广泛的应用前景，目前已经成功应用于土地利用分类、变化检测、地表参数反演、土壤湿度及土壤水分反演、人造目标分类、建筑物提取等。陈军等综合比较了freeman分解、yamaguchi分解、pauli分解等极化目标分解方法得到的极化特征，并将其通过支持向量机法进行分类，结果表明采用pauli分解和支持向量机对全极化sar图像进行分类取得了较高的分类精度。随着全极化sar遥感技术的进一步发展和应用程度的不断深入，全极化sar图像分类领域依然存在一些问题，全极化sar图像受分辨率、噪声、滤波等影响，比如传统的卷积神经网络，网络参数比较多，训练时间长，在图像上选择一定数量的训练样本有难度，这势必影响分类精度和分类性能。怎样在训练样本较少的情况下进行精度有保证，运行速度比较快的分类是一个需要研究的问题。技术实现要素：为解决现有技术中存在的问题，本发明的目的在于提出一种基于全卷积神经网络的极化sar地物分类方法，通过该方法能够解决传统方法的分类时长和传统cnn网络参数多，分类时长的问题能够在保证较高精度的前提下，降低极化sar图像分类的处理时间。为实现如上目的，本发明采用如下技术方案：基于全卷积神经网络的极化sar地物分类方法，包括如下步骤：(1)对待分类极化散射矩阵s进行pauli分解，得到奇次散射系数、偶次散射系数和体散射系数，将奇次散射系数、偶次散射系数和体散射系数作为极化sar图像的三维图像特征f；(2)将步骤(1)得到的三维图像特征矩阵f转化成rgb图f1；(3)在rgb图f1上随机选取m×n的像素块作为训练样本，m和n均为正整数，整张rgb图f1作为测试样本；(4)构造全卷积神经网络模型为：输入层→第一卷积层→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→eltwise层→第三反卷积层→crop层→softmax分类器；(5)通过全卷积神经网络训练训练样本，得到训练好的模型；(6)通过训练好的模型对测试集进行分类，得到分类结果。所述步骤(1)中对待分类的极化散射矩阵s进行pauli分解，步骤如下：(1a)定义pauli基{s1,s2,s3}为公式<1>，公式<1>如下：其中，s1表示奇次散射，s2表示偶次散射，s3表示体散射；(1b)由pauli分解定义得到等式<2>，等式<2>如下：其中，a为奇次散射系数，b为偶次散射系数，c为体散射系数，shh为水平发射且水平接收的散射分量，svv为垂直发射且垂直接收的散射分量，shv为水平发射且垂直接收的散射分量；(1c)通过公式<1>和等式<2>得到奇次散射系数a、偶次散射系数b和体散射系数c：将奇次散射系数a、偶次散射系数b和体散射系数作为极化sar图像的三维图像特征矩阵f，所述步骤(1)中，所述将奇次散射系数、偶次散射系数和体散射系数作为极化sar图像的三维图像特征矩阵f的过程如下：先定义一个大小为m1×m2×3的特征矩阵f，再将奇次散射系数、偶次散射系数、体散射系数赋给特征矩阵f，其中，m1为待分类极化sar图像的长度，m2为待分类极化sar图像的宽度。所述步骤(2)中，将步骤(1)得到的三维特征矩阵转化为rgb伪彩图f1。所述步骤(3)的具体过程如下：(3a)将待分类极化sar地物分为5类，每一个像素点在待分类图像中都有对应的位置，首先得到5种像素点对应的位置第一类像素点的位置l1，第二类像素点的位置l2，第三类像素点的位置l3，第四类像素点的位置l4和第五类像素点的位置l5；(3b)再在rgb图f1上随机选取5％的像素点作为训练样本，再从步骤(3a)得到的第一类像素点的位置l1，第二类像素点的位置l2，第三类像素点的位置l3，第四类像素点的位置l4和第五类像素点的位置l5中分别随机选取n1个像素点作为训练样本块的中心像素点，从中心像素点向左和向上分别扩展m11个像素点，向右和向下分别扩展m21个像素点，得到选取的像素点在待分类图中的位置分别为第一类地物中选取为训练样本的像素点在待分类图中的位置s1，第二类地物中选取为训练样本的像素点在待分类图中的位置s2，第三类地物中选取为训练样本的像素点在待分类图中的位置s3，第四类地物中选取为训练样本的像素点在待分类图中的位置s4和第五类地物中选取为训练样本的像素点在待分类图中的位置s5，其中，其中m11为选取的中心像素点在待分类图像中向左和向上扩展的像素点的个数，m21为选取的中心像素点在待分类图像中向右和向下扩展的像素点的个数，m1为待分类极化sar图像的长度，m2为分类极化sar图像的宽度，n1为每一类选取的中心像素点的个数，n2为待分类极化sar的种类数，m1为选取为训练样本块的长度，m2为选取为训练样本块的宽度，p为选取样本的像素点占待分类像素点的百分比，n1、m11和m21均为正整数；(3c)再用rgb图f1作为测试样本。所述步骤(4)中，构造全卷积神经网络模型时，基于全卷积网络模型，参数如下：对于输入层，设置特征映射图数目为3；对于第一卷积层，设置特征映射图数目为32，滤波器尺寸为5，pad为2；对于第一池化层，设置下采样尺寸为2；对于第二卷积层，设置特征映射图数目为64，设置滤波器尺寸为5，pad为2；对于第二池化层，设置下采样尺寸为2；对于第三卷积层，设置特征映射图数目为96，设置滤波器尺寸为3，pad为1；对于第三池化层，设置下采样尺寸为2；对于第四卷积层，设置特征映射图数目为128，设置滤波器尺寸为3，pad为1；对于第四池化层，设置下采样尺寸为2；对于第五卷积层，设置特征映射图数目为128，设置滤波器尺寸为3，pad为1；对于第六卷积层，设置特征映射图数目为128，设置滤波器尺寸为1，pad为0；对于第七卷积层，设置特征映射图数目为5，设置滤波器尺寸为1，pad为0；对于第一反卷积层，设置特征映射图数目为5，设置滤波器尺寸为4，stride为2；对于第八卷积层，设置特征映射图数目为5，设置滤波器尺寸为1，pad为0；对于第二反卷积层，设置特征映射图数目为5，设置滤波器尺寸为4，stride为2；对于eltwise层，设置特征映射图数目为5，设置operation为sum；对于第三反卷积层，设置特征映射图数目为5，设置滤波器尺寸为16，stride为8；对于crop层，设置特征映射图数目为5，设置axis为2，offset为4；对于softmax分类器，设置特征映射图数目为5。本发明与本领域现有的技术相比具有以下优点：本发明的基于全卷积神经网络的极化sar地物分类方法通过将全卷积神经网络应用到极化sar地物分类中，实现了基于端到端与像素级的分类，本发明和传统cnn相比，本网络将传统cnn的全连接层转化成卷积层，减少了网络参数，提高了运行时间，而且加入了反卷积层，对卷积层进行上采样操作，恢复到和输入图像相同的尺寸，从而实现了端到端的分类；本发明由于对输入图片的尺寸没有限制，在测试阶段，可以拿整张图进行测试，避免了由块拼接所带来的边缘效应，提高了测试准确率和运行时间。【附图说明】图1是本发明的实现流程图；图2是本发明中对待分类图像的人工标记图；图3是用本发明对待分类图像的分类结果图。其中，1-海洋区域，2-森林区域，3-高密度城区区域，4-低密度城区区域，5-草地区域，6-背景区域。【具体实施方式】以下结合附图和实施例对本发明的实现步骤和实验效果作进一步详细描述：参照图1，本发明的具体实现步骤如下：步骤1，对极化散射矩阵s进行pauli分解，得到奇次散射系数、偶次散射系数和体散射系数，用将奇次散射系数、偶次散射系数和体散射系数作为极化sar图像的三维图像特征矩阵f，具体包括如下步骤：(1a)定义pauli基{s1,s2,s3}为公式<1>，公式<1>如下：其中s1表示奇次散射，s2表示偶次散射，s3表示体散射；(1b)由pauli分解定义得到等式<2>，等式<2>如下：其中a为奇次散射系数，b为偶次散射系数，c为体散射系数，shh为水平发射且水平接收的散射分量，svv为垂直发射且垂直接收的散射分量，shv为水平发射且垂直接收的散射分量；(1c)通过公式<1>和等式<2>得到奇次散射系数a、偶次散射系数b和体散射系数c：将奇次散射系数a、偶次散射系数b和体散射系数作为极化sar图像的三维图像特征矩阵f：(1d)定义一个大小为m1×m2×3的矩阵f，并将奇次散射系数a、偶次散射系数b、体散射系数c赋给矩阵f，得到基于像素点的特征矩阵f，其中m1为待分类极化sar图像的长度，m2为待分类极化sar图像的宽度；步骤2，将这三维特征转化成rgb伪彩图f1；步骤3，在图f1上随机选取m×n的像素块作为训练样本，整张图f1作为测试样本，具体过程如下：(3a)将待分类极化sar地物分为5类，每一个像素点在待分类图像中都有对应的位置，首先得到5种不同种类的像素点对应的位置l1，l2，l3，l4和l5，其中l1代表第一类像素点的位置，l2代表第二类像素点的位置，l3代表第三类像素点的位置，l4代表第四类像素点的位置，l5代表第五类像素点的位置；(3b)随机选取5％的像素点作为训练样本，从上述l1、l2、l3、l4和l5中分别随机选取n1个像素点作为训练样本块的中心像素点，从中心像素点向左和向上分别扩展m11个像素点，向右和向下分别扩展m21个像素点，得到选取的像素点在待分类图中的位置s1，s2，s3，s4和s5，其中s1代表第一类地物中选取为训练样本的像素点在待分类图中的位置，s2代表第二类地物中选取为训练样本的像素点在待分类图中的位置，s3代表第三类地物中选取为训练样本的像素点在待分类图中的位置，s4代表第四类地物中选取为训练样本的像素点在待分类图中的位置，s5代表第五类地物中选取为训练样本的像素点在待分类图中的位置，相关的计算公式如下：其中m11表示选取的中心像素点在待分类图像中向左和向上扩展的像素点的个数，m21表示选取的中心像素点在待分类图像中向右和向下扩展的像素点的个数，m1表示待分类极化sar图像的长度，m2表示分类极化sar图像的宽度，n1表示每一类选取的中心像素点的个数，n2表示待分类极化sar的种类数，m1表示选取为训练样本块的长度，m2表示选取为训练样本块的宽度，p表示选取样本的像素点占待分类像素点的百分比，n1、m11和m21均为正整数；(3c)用rgb图f1作为测试样本；步骤4，构造训练数据集ttrain的特征矩阵wtrain和测试数据集ttest的特征矩阵wtest；具体包括如下步骤：(4a)定义训练数据集ttrain的特征矩阵wtrain，生成训练样本集，并赋值给训练数据集ttrain的特征矩阵wtrain；wtrain＝{w1，w2，w3，...wi}i＝1，2，3，...n，其中，wi为第i个训练样本块的特征矩阵，n表示选取的训练样本块的个数；(4b)定义测试数据集ttest的特征矩阵wtest，将图f1的像素值赋值给测试数据集t的特征矩阵wtest；步骤5，构造基于全卷积神经网络的模型具体如下：(5a)构造全卷积神经网络模型为：输入层→第一卷积层→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→eltwise层→第三反卷积层→crop层→softmax分类器；每层的参数如下：对于输入层，设置特征映射图数目为3；对于第一卷积层，设置特征映射图数目为32，滤波器尺寸为5，pad为2；对于第一池化层，设置下采样尺寸为2；对于第二卷积层，设置特征映射图数目为64，设置滤波器尺寸为5，pad为2；对于第二池化层，设置下采样尺寸为2；对于第三卷积层，设置特征映射图数目为96，设置滤波器尺寸为3，pad为1；对于第三池化层，设置下采样尺寸为2；对于第四卷积层，设置特征映射图数目为128，设置滤波器尺寸为3，pad为1；对于第四池化层，设置下采样尺寸为2；对于第五卷积层，设置特征映射图数目为128，设置滤波器尺寸为3，pad为1；对于第六卷积层，设置特征映射图数目为128，设置滤波器尺寸为1，pad为0；对于第七卷积层，设置特征映射图数目为5，设置滤波器尺寸为1，pad为0；对于第一反卷积层，设置特征映射图数目为5，设置滤波器尺寸为4，步长为2；对于第八卷积层，设置特征映射图数目为5，设置滤波器尺寸为1，pad为0；对于第二反卷积层，设置特征映射图数目为5，设置滤波器尺寸为4，步长为2；对于eltwise层，设置特征映射图数目为5，设置operation为sum；对于第三反卷积层，设置特征映射图数目为5，设置滤波器尺寸为16，步长为8；对于crop层，设置特征映射图数目为5，设置axis为2，offset为4；对于softmax分类器，设置特征映射图数目为5。步骤6，用训练数据集训练网络模型，得到训练好的参数模型具体如下：将特征矩阵wi作为网络模型的输入，输出一个和特征矩阵wi相同维度的类别矩阵，通过求解上述类别与人工标记的正确类别之间的误差并对误差进行反向传播，来优化分类模型的网络参数，得到训练好的分类模型，人工标记的正确类标如图2所示；步骤7，加载训练好的模型，对测试集进行分类，得到分类结果，具体如下：将测试数据集ttest的特征矩阵wtest输入到测试网络，并用训练好的模型参数来初始化测试网络，得到测试分类结果。本发明的效果可以通过以下仿真实验进一步说明：仿真条件：硬件平台为：xeon(r)cpue5606@2.13ghz×8显卡：quadrok2200/pcie/sse2，2.40ghz*16内存为8g软件平台为：caffe，是一种深度学习框架之一，基于c++语言编写，并且具有licensedbsd,开放源码，提供了面向命令行，matlab和python接口，是一个清晰，可读性强，快速的深度学习框架本发明用全卷积神经网络对旧金山海湾地区极化sar图像分类，对比方法有：2层卷积流的传统cnn网络，支持向量机方法svm。仿真内容与结果：仿真1，用本发明方法在上述仿真条件下进行实验，即从极化sar数据pauli分解后的rgb伪彩图上随机选取5％有标记的像素点作为训练样本，整张伪彩图上所有的像素点作为测试样本，得到如图3的分类结果，从图3可以看出：海洋区域分类效果比较好，高密度城市区域和低密度城市区域部分有一些错点，森林区域和草地区域部分也有一些错点，但能识别主体部分，且保持了细节信息。根据分类结果和标记信息计算准确率为96.5605％，训练时间为195.7004秒，测试时间为50.6154秒。仿真2，用现有技术中的2层卷积流的传统cnn方法对旧金山海湾地区极化sar图像进行分类，获得分类结果，根据分类结果和标记信息计算准确率为96.7246％，训练时间为225.6592秒，测试时间为321.3895秒。仿真3，用现有技术中的svm方法对旧金山海湾地区极化sar图像进行分类，获得分类结果，根据分类结果和标记信息计算准确率为91.4376％，训练时间为10988.1022秒，测试时间为376.9558秒。本发明和对比实验都取5％的像素点作为训练样，上述三种仿真方法对旧金山海湾地区极化sar图像进行分类的准确率和运行时间如表1所示：表1方法准确率训练时间(秒)测试时间(秒)本发明fcn96.5605％195.700450.6154cnn96.7246％225.6592321.3895svm91.4376％10988.1022376.9558从表1可见，和传统cnn相比，本发明的测试数据集分类精度比传统cnn低了大约0.2个百分点，测试时间比cnn快了6倍以上本发明和svm方法比，准确率比svm高大约5个百分点，测试时间比svm快了7倍以上。综上，用本发明对极化sar图像分类，在保证较高准确率的情况下，缩短了极化sar图像的运行时间。当前第1页12