一种基于稀疏散射全卷积的极化SAR图像分类方法与流程

本发明属于极化sar图像处理技术领域，具体涉及一种基于稀疏散射全卷积的极化sar图像分类方法，可用于对极化sar影像进行特征提取和地物分类。

背景技术：

极化sar是一种高分辨主动式相干多通道微波遥感成像雷达，它是sar的一个重要组成部分，具有全天候、全天时、分辨率高、可侧视成像等优点，可广泛应用于军事、农业、导航、土地利用，地理监视等诸多领域。极化sar能够获得更加丰富的目标信息，在遥感领域受到高度重视，极化sar图像分类作为解译的一个重要手段，已成为极化sar信息处理的一个热点研究方向。

现有的极化sar图像分类方法可以分为两个阶段：特征提取阶段和分类器设计阶段。特征提取阶段经典的特征提取算法有基于相干目标分解和非相干目标分解。相干目标分解算法包括pauli分解，sphere-diplane-helix(sdh)分解，cameron分解等。非相干目标分解算法有huynen分解，freemandurden分解，yamguchifour-component分解，cloudepottier分解等。分类器设计阶段主要分为无监督分类算法和有监督分类算，无监督分类算法主要包括h/α-wishart算法，k-means算法。有监督算法主要包括神经网络算法，支持向量机算法等。最近也有一批学者提出的半监督分类算法。

技术实现要素：

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于稀疏散射全卷积网络的极化sar影像地物分类方法，双重利用图像的空间相结构信息，对原始数据空间更好的表示和学习，提取更有效的特征进行分类，提高了分类精度。

本发明采用以下技术方案：

一种基于稀疏散射全卷积的极化sar图像分类方法，先输入待分类的原始极化sar图像数据；然后将数据转换成极化散射矩阵；再对极化散射矩阵进行稀疏散射编码；将稀疏散射编码得到的矩阵输入到全卷积网络，初始化并训练网络，对图像的原始数据进行特征学习，最后进行分类，得到分类结果。

进一步的，具体步骤如下：

s1、输入待分类的极化sar影像原始数据，编码成极化散射矩阵s；

s2、对极化散射矩阵进行稀疏散射编码，得到稀疏散射矩阵

s3、根据极化sar图像的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合；

s4、同时初始化全卷积经网络的相关参数；

s5、将选取的训练样本分批次并归一化到[0.1,0.9]后训练fcn网络；

s6、重复步骤s5，直至满足终止条件，本方法中最大迭代次数2000次，得到fcn的模型参数；

s7、利用训练好的网络预测分类；

s8、输出图像并计算分类精度。

进一步的，步骤s1中，所述极化散射矩阵s具体为：

其中，a、b、c、d、e、f、g、h表示通道值，shh＝a+bi、shv＝c+di、svh＝e+fi、svv＝g+hi，i表示复数单位。

进一步的，步骤s2中，所述稀疏散射矩阵具体为：

其中，a、b、c、d、e、f、g、h表示通道值。

进一步的，为上述编码操作：

其中，x表示实部，y表示虚部，i表示复数单位。

进一步的，步骤s3中，采样得到的每类训练样本数目为512个。

进一步的，步骤s5具体包括以下步骤：

s501、在训练过程中，确定目标函数关于第l层的神经元z^(l)的梯度δ^(l)为：

其中，j表示损失，w表示权重，b表示偏置，x表示输入数据，y表示标签；

s502、设定卷积层为l层，子采样层为l+1层，确定目标函数关于第l层的第k个特征映射的偏置b^(l)的梯度为：

s503、设定子采样层为l层，l+1层为卷积层，确定目标函数关于第l层的第k个特征映射的神经元滤波器的梯度为：

其中，x表示输入数据，y表示标签，w表示权重，b表示偏置，down表示下采样，·表示点乘，p表示通道。

进一步的，步骤s7中，将待分类的极化sar影像原始的测试数据进行稀疏散射编码归一化到[0.1,0.9]后，输入已经训练好的网络，对待分类的极化sar图像进行分类，得到每个像素点的类别。

进一步的，步骤s8具体为：

s801、利用分类器预测分类的像素类别，将红色r、绿色g、蓝色b作为三基色，按照三基色上色法进行上色，得到上色后的极化sar图像，然后将其输出；

s802、将极化sar图像得到的像素类别与真实地物类别进行比较，将类别一致的像素个数与全部像素个数的比值作为极化sar图像的分类精度。

与现有技术相比，本发明至少具有以下有益效果：

本发明基于稀疏散射全卷积网络的地物分类方法，首先对原始极化sar影像数据转换到散射矩阵，其次，对散射矩阵进行系数散射编码；然后，初始化并训练网络，对图像的原始数据进行更好的特征学习，训练网络；最后，并预测分类以及计算分类精度，能够明显地保持图像的空间结构信息，去除了分类噪声，从而提高对图像的分类结果。

进一步的，本发明提出了针对极化sar数据专用的稀疏散射编码方式，并结合稀疏散射编码设计了对应的特征提取和分类算法，将特征提出和分类设计相结合提出了一种基于稀疏散射全卷积网络的极化sar影像地物分类，实验结果表明具有良好的分类性能。

进一步的，将选取的训练样本分批次并归一化到[0.1,0.9]后训练fcn网络是为了加快网络收敛速度，从而快速达到最优解。

进一步的，利用训练好的网络预测分类属于前向传播，无需求导，计算速度快，效率高，从而更好地检测算法性能。

进一步的，利用分类器预测分类的像素类别，将类别一致的像素个数与全部像素个数的比值作为极化sar图像的分类精度将分类结果数值化和量化，从而更好判断分类结果。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的流程图；

图2为极化sar数据生成的伪彩图；

图3为真实地物分布参考图；

图4为wishart分类器方法分类结果图；

图5为基于cloude分解和freeman分解和卷积神经网络分类的结果图；

图6为本发明的分类结果图。

具体实施方式

本发明提供了一种基于稀疏散射全卷积的极化sar图像分类方法，先输入待分类的原始极化sar图像数据；然后将数据转换成极化散射矩阵；再对极化散射矩阵进行稀疏散射编码；将稀疏散射编码得到的矩阵输入到全卷积网络，进行分类，得到分类结果。本发明与现有的一些方法相比，同时考虑了图像的全部特征和空间结构特征，明显地提高了极化sar影像地物分类精度，解决现有极化sar影像地物分类方法中特征提取不完备和图像空间结构得不到保持的问题。

请参阅图1，本发明一种基于稀疏散射全卷积的极化sar图像分类方法的具体步骤如下：

s1、输入待分类的极化sar影像原始数据，编码成极化散射矩阵；

原始的极化sar影像数据共八个通道，我们假设考虑一个像素的八个通道值，分别记为a-g，同时假设极化散射矩阵为s，就有如下公式

其中复数矩阵元素可表示为：

其中，i表示复数单位，这样就可以得到极化散射矩阵s。

s2、对极化散射矩阵进行稀疏散射编码，得到稀疏散射矩阵；

本文提出的稀疏散射编码，可以先假设如下编码操作：

其示意式如下：

其中，第一行表示正数的位置，第二行表示复数的位置，但如果是复试就取绝对值。第一列位置用来存放复数的实部，第二列存放虚部。那么整个映射可以表示如下，其中，为上述编码操作：

那么对于散射矩阵s，其稀疏散射编码过程可表示如下：

s3、根据极化sar图像的地物分布参考图中已标注的信息，随机选择每类的训练样本，得到训练样本集合：

本发明中采样得到的每类训练样本的数目为512个；

s4、同时初始化全卷积经网络(fullyconvolutionalnetwork，fcn)的相关参数；

s5、将选取的训练样本分批次并归一化到[0.1,0.9]后训练fcn网络；

s501、在训练过程中，目标函数关于第l层的神经元z^(l)的梯度为：

s502、卷积层的梯度，我们假定卷积层为l层，子采样层为l+1层。

因为子采样层是下采样操作，l+1层的一个神经元的误差δ对应于卷基层(上一层)的相应特征映射的一个区域。l层的第k个特征映射中的每个神经元都有一条边和l+1层的第k个特征映射中的一个神经元相连。根据链式法则，第l层的一个特征映射的误差项δ^(l,k)，只需要将l+1层对应特征映射的误差项δ^(l+1,k)进行上采样操作，再和l层特征的激活值偏导数逐元素相乘，再乘上权重w^(l+1,k)，就得到了δ^(l,k)。

第l层的第k个特征映射的误差项δ^(l,^k)的具体推导过程如下：

其中，z表示上层输出，x表示输入数据，y表示标签，j表示损失，b表示偏置，w表示权重。

在得到第l层的第k个特征映射的误差项δ^(l,k)，目标函数关于第l层的第k个特征映射神经元滤波器梯度

其中，z表示上层输出，x表示输入数据，y表示标签，wt表示核的宽度，b表示偏置，w表示权重，r,j表示权重对应索引，ht表示核的高度，p表示通道，s-i+u,t-j+v表示位置，s表示行索引，t表示列索引。

目标函数关于第l层的第k个特征映射的偏置b^(l)的梯度可以写为：

s503、子采样层的梯度，我们假定子采样层为l层，l+1层为卷积层。因为子采样层是下采样操作，l+1层的一个神经元的误差项δ对应于卷积层(上一层)的相应特侦映射的一个区域。

从而得到目标函数关于第l层的第k个特征映射的神经元滤波器的梯度可以写为：

其中，x表示输入数据，y表示标签，w表示权重，b表示偏置，down表示下采样，·表示点乘，p表示通道。

s6、重复步骤s5，直至满足终止条件，本方法中最大迭代次数2000次，得到fcn的模型参数：

s7、利用训练好的网络预测分类：

将待分类的极化sar影像原始的测试数据进行稀疏散射编码归一化到[0.1,0.9]后，输入已经训练好的网络，得到隐藏层的特征进行联合表示，然后利用这些特征输入到训练好的分类器对待分类的极化sar图像进行分类，得到每个像素点的类别；

s8、输出图像并计算分类精度。

s801、利用分类器预测分类的像素类别，将r(红色)、g(绿色)、b(蓝色)作为三基色，按照三基色上色法进行上色，得到上色后的极化sar图像，然后将其输出；

s802、将极化sar图像得到的像素类别与真实地物类别进行比较，将类别一致的像素个数与全部像素个数的比值作为极化sar图像的分类精度。

实施例

1、实验条件与方法

硬件平台为：titanx16gb、64gbram；

软件平台为：ubuntu16.04.2，tensorflow；

实验方法：分别为本发明和现有的wishart分类器的方法以及基于cloude分解和freeman分解提取特征，再利用卷积神经网络分类，其中现有的这两种方法都是极化sar图像分类中经典的方法。

2、仿真内容与结果

仿真实验中，图2是极化sar数据生成的伪彩图，可以看出真实地物分布效果。图3是人工标注的的地物分布参考图，用于训练和测试算法性能和效果。根据图3随机选取每类512个训练样本，剩下样本作为测试集计算精度，得到各类分类精度和总分类精度作为评价指标。

评价结果如表1所示，其中，m1是wishart分类器的方法，m2是基于cloude分解和freeman分解提取特征，再利用卷积神经网络分类的方法，m3是本发明的方法。

表1为本发明和两种对比方法在仿真实验中得到的各类分类精度和总分类精度

实验结果分析

图4为对比算法wishart分类器方法得到的分类结果、图5为基于cloude分解和freeman分解和卷积神经网分类的方法得到的分类结果图5，图6为本发明得到的分类结果，结果统计如表1所示，明显可以看出图6所示对比其他两种方法得到了较好的实验结果，图6结果区域比较均匀，噪音较少，每类分类精度都高于两种对比方法，总分类精度明显地提高；图4所示的wishart分类器方法得到的分类结果虽然区域边缘划分相对平滑，有严重的错分现象，杂散点较多；图5所示的基于cloude分解和freeman分解和卷积神经网络的方法结果有所提升，丢失了图像的部分细节信息。

综上所述，本发明提出的基于稀疏散射全卷积网络的极化sar影像地物分类方法能够明显地保持图像的空间结构信息，去除了分类噪声，从而提高对图像的分类结果。