基于多尺度深度滤波器的极化sar图像分类方法
【专利摘要】本发明公开了一种基于多尺度深度滤波器的极化SAR图像分类方法，主要解决现有技术分类精度低的问题，其方案是：输入待分类的极化SAR图像，由极化相干矩阵T求得极化散射矩阵S；对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F；对F归一化，并对归一化后的特征矩阵F1中的每个元素取块，构成基于图像块的特征矩阵F2；根据F2得到训练数据集的特征矩阵W1和测试数据集的特征矩阵W2；构造基于多尺度深度滤波器的分类模型；用训练数据集的特征矩阵W1对分类模型进行训练；利用训练好的分类模型对测试数据集的特征矩阵W2分类。本发明引入多尺度深度滤波器，提高了极化SAR图像的分类精度，可用于目标识别。
【专利说明】
基于多尺度深度滤波器的极化SAR图像分类方法
技术领域
[0001] 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，可用于目标 识别。
【背景技术】
[0002] 极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分 辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像分类的目的是利用机 载或者星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别，在农业、林业、 军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。
[0003] 极化SAR图像分类的关键是对极化SAR图像的目标特征提取，现有的基于散射特性 的极化SAR图像目标特征提取方法，包括Cloude分解、Freeman分解等。
[0004] 1997年，Cloude等人提出了 Cloude分解，对Η/α平面进行划分，通过Η和α两个表征 极化数据的特征值把各像素化为相应区域的类别。Η/α分类存在的一个缺陷是区域的划分 过于武断，当同一类的数据分布在两类或几类的边界时，分类器性能将变差，另一个不足之 处是，当同一个区域里共存几种不同的地物时，将不能有效区分；
[0005] 2004年，Lee等人提出了一种基于Freeman分解的特征提取方法，该方法能够保持 各类的极化散射特性，但分类结果易受Freeman分解性能的影响，对不同波段的极化数据该 算法的普适性差。
[0006] 这些特征提取方法由于均没有考虑到极化SAR图像的多尺度、多方向、多分辨特 性，因而对背景复杂的极化SAR图像难以得到较高的分类精度。
【发明内容】
[0007] 本发明的目的在于针对上述问题，提出一种基于多尺度深度滤波器的极化SAR图 像分类方法，以提高分类精度。
[0008] 本发明的技术核心是在卷积神经网络中引入多尺度深度滤波器提取特征，其技术 方案包括如下：
[0009] (1)输入待分类的极化SAR图像，由该极化SAR图像的极化相干矩阵T求得极化散射 矩阵S;
[0010] (2)对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这 3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F;
[0011] (3)将基于像素点的特征矩阵F中的元素值归一化到[0，1]之间，记作F1;
[0012] (4)用归一化后的特征矩阵F1中每个元素取周围22X22的块代表原来的元素值， 构成基于图像块的特征矩阵F2;
[0013] (5)构造训练数据集D的特征矩阵W1和测试数据集T的特征矩阵W2;
[0014] (6)构造基于多尺度深度滤波器的分类模型：
[0015] (6a)选择一个由输入层-卷积层-池化层-卷积层-池化层-全连接层-全连 接层-softmax分类器组成的8层卷积神经网络，给定各层的特征映射图，并确定卷积层的 滤波器尺寸并随机初始化滤波器；
[0016] (6b)用Gabor滤波器和非下采样轮廓波变换中的尺度滤波器构造多尺度深度滤波 器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的 分类模型为:输入层-多尺度深度滤波器层-池化层-卷积层-池化层-全连接层-全连 接层-softmax分类器这8层结构；
[0017] (7)用训练数据集对分类模型进行训练，得到训练好的模型；
[0018] (8)利用训练好的模型对测试数据集进行分类，得到测试数据集中每个像素点的 类别。
[0019] 本发明与现有的技术相比具有以下优点：
[0020] 1.本发明由于将像素级特征扩展成图像块特征，可同时获取谱段信息和空间信 息；
[0021] 2.本发明由于在卷积神经网络中引入多尺度深度滤波器，能得到具有多尺度、多 方向、多分辨特性的图像特征，增强了模型的泛化能力，使得在训练样本较少的情况下仍可 以达到很高的分类精度。
【附图说明】
[0022]图1是本发明的实现流程图；
[0023]图2是本发明中对待分类图像的人工标记图；
[0024]图3是用本发明对待分类图像的分类结果图。
【具体实施方式】
[0025] 以下结合附图对本发明的实现步骤和实验效果作进一步详细描述：
[0026] 参照图1，本发明的具体实现步骤如下：
[0027] 步骤1，输入待分类的极化SAR图像，由该极化SAR图像的极化相干矩阵T求得极化 散射矩阵S。
[0028] 待分类的极化SAR图像选用德国DLR的ESAR传感器在德国慕尼黑附近的 Oberpfaffenhofen小镇获取的L波段全极化数据，图像大小为1300X1200。
[0029] (la)已知待分类图像的极化相干矩阵T，由该极化相干矩阵T得到其对角线上的三 个元素!'11、1'22、1'33，即极化相干矩阵1'第1行第1列的元素、极化相干矩阵1'第2行第2列的元 素、极化相干矩阵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；
[0033] (lc)根据步骤(lb)得到的5冊^^^组成极化散射矩阵5:
[0035]步骤2,对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数， 用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F。
[0036] (2a)定义 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表不体散射；
[0039] (2b)由Pauli分解定义得到如下等式：
[0041 ]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；
[0042] (2c)求解式〈4>，代入式〈1>求得的SHH、Sw、S HV，得到3个散射系数a、b、c:
[0044] (2d)定义一个大小为Ml XM2X 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Ml为待分类极化SAR图像的长，M2 为待分类极化SAR图像的宽。
[0045] 步骤3，对基于像素点的特征矩阵F归一化。
[0046] 常用的归一化方法有:特征线性缩放法、特征标准化和特征白化。
[0047]本实例采用特征线性缩放法，即先求出基于像素点的特征矩阵F的最大值max(F); 再将基于像素点的特征矩阵F中的每个元素均除以最大值max(F)，得到归一化后的特征矩 阵F1。
[0048]步骤4,用归一化后的特征矩阵F1中每个元素取周围22X22的块代表原来的元素 值，构成基于图像块的特征矩阵F2。
[0049]步骤5,构造训练数据集D的特征矩阵W1和测试数据集T的特征矩阵W2。
[0050] (5a)将极化SAR图像地物分为3类，记录每个类别对应的像素点在待分类图像中的 位置，生成3种对应不同类地物像素点的位置41)2^3，其中41对应第1类地物像素点在待 分类图像中的位置，A2对应第2类地物像素点在待分类图像中的位置，A3对应第3类地物像 素点在待分类图像中的位置；
[0051] (5b)从所述A1、A2、A3中随机选取5%的元素，生成3种对应不同类地物被选作训练 数据集的像素点的位置B1、B2、B3，其中B1为对应第1类地物中被选作训练数据集的像素点 在待分类图像中的位置，B2为对应第2类地物中被选作训练数据集的像素点在待分类图像 中的位置，B3为对应第3类地物中被选作训练数据集的像素点在待分类图像中的位置，并将 B1、B2、B3中的元素合并组成训练数据集的所有像素点在待分类图像中的位置L1;
[0052] (5c)用所述A1、A2、A3中其余95%的元素生成3种对应不同类地物被选作测试数据 集的像素点的位置(：1丄2、03，其中(：1为对应第1类地物中被选作测试数据集的像素点在待 分类图像中的位置，C2为对应第2类地物中被选作测试数据集的像素点在待分类图像中的 位置，C3为对应第3类地物中被选作测试数据集的像素点在待分类图像中的位置，并将C1、 C2、C3中的元素合并组成测试数据集的所有像素点在待分类图像中的位置L2;
[0053] (5d)定义训练数据集D的特征矩阵W1，在基于图像块的特征矩阵F2中依据L1取对 应位置上的值，并赋值给训练数据集D的特征矩阵W1;
[0054] (5e)定义测试数据集T的特征矩阵W2,在基于图像块的特征矩阵F2中依据L2取对 应位置上的值，并赋值给测试数据集T的特征矩阵W2。
[0055] 步骤6，构造基于多尺度深度滤波器的分类模型。
[0056] (6a)选择一个由输入层-卷积层-池化层-卷积层-池化层-全连接层-全连 接层-softmax分类器组成的8层卷积神经网络，给定各层的特征映射图，确定卷积层的滤 波器尺寸并随机初始化滤波器；
[0057] (6b)用Gabor滤波器和非下采样轮廓波变换中的尺度滤波器构造多尺度深度滤波 器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的 分类模型为:输入层-多尺度深度滤波器层-池化层-卷积层-池化层-全连接层-全连 接层-softmax分类器这8层结构，每层的参数如下：
[0058]对于第1层输入层，设置特征映射图数目为3;
[0059] 对于第2层多尺度深度滤波器层，设置特征映射图数目为9;
[0060] 对于第3层池化层，设置下采样尺寸为2;
[0061]对于第4层卷积层，设置特征映射图数目为20,设置滤波器尺寸为4;
[0062] 对于第5层池化层，设置下采样尺寸为2;
[0063] 对于第6层全连接层，设置特征映射图数目为100;
[0064]对于第7层全连接层，设置特征映射图数目为64;
[0065]对于第8层softmax分类器，设置特征映射图数目为3。
[0066] 步骤7，用训练数据集对分类模型进行训练，得到训练好的分类模型。
[0067] 将训练数据集D的特征矩阵W1作为分类模型的输入，训练数据集D中每个像素点的 类别作为分类模型的输出，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。
[0068] 步骤8,利用训练好的分类模型对测试数据集进行分类。
[0069] 将测试数据集T的特征矩阵W2作为训练好的分类模型的输入，训练好的分类模型 的输出为对测试数据集中每个像素点进行分类得到的分类类别。
[0070] 本发明的效果可以通过以下仿真实验进一步说明：
[0071] U方真条件：
[0072] 硬件平台为：Intel(R)Xeon(R)CPUE5-2630,2·40GHz*16，内存为64G。
[0073] 软件平台为:Keras。
[0074] 2.仿真内容与结果：
[0075]用本发明方法在上述仿真条件下进行实验，即分别从极化SAR数据的每个类别中 随机选取5%有标记的像素点作为训练样本，其余有标记的像素点作为测试样本，得到如图 3的分类结果。
[0076] 从图3可以看出：分类结果的区域一致性较好，不同区域划分后的边缘也非常清 晰，且保持了细节信息。
[0077] 再依次减少训练样本，使训练样本占样本总数的4%、3 %、2%，将本发明与卷积神 经网络的测试数据集分类精度进行对比，结果如表1所示：
[0078] 表 1
[0080] 从表1可见，训练样本占样本总数的5%、4%、3%、2%时，本发明的测试数据集分 类精度均高于卷积神经网络。
[0081] 综上，本发明通过在卷积神经网络中引入多尺度深度滤波器，有效提高了图像特 征的表达能力，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的 分类精度。
【主权项】
1. 一种基于多尺度深度滤波器的极化SAR图像分类方法，包括： (1) 输入待分类的极化SAR图像，由该极化SAR图像的极化相干矩阵T求得极化散射矩阵 S； (2) 对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个 系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F; (3) 将基于像素点的特征矩阵F中的元素值归一化到[0，1]之间，记作F1; (4) 用归一化后的特征矩阵F1中每个元素取周围22X22的块代表原来的元素值，构成 基于图像块的特征矩阵F2; (5) 构造训练数据集D的特征矩阵W1和测试数据集T的特征矩阵W2; (6) 构造基于多尺度深度滤波器的分类模型： (6a)选择一个由输入层-卷积层-池化层-卷积层-池化层-全连接层-全连接层 -softmax分类器组成的8层卷积神经网络，给定各层的特征映射图，并确定卷积层的滤波 器尺寸并随机初始化滤波器； (6b)用Gabor滤波器和非下采样轮廓波变换中的尺度滤波器构造多尺度深度滤波器， 并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的分类 模型为:输入层-多尺度深度滤波器层-池化层-卷积层-池化层-全连接层-全连接层 -softmax分类器这8层结构； (7) 用训练数据集对分类模型进行训练，得到训练好的模型； (8) 利用训练好的模型对测试数据集进行分类，得到测试数据集中每个像素点的类别。2. 根据权利要求1所述的基于多尺度深度滤波器的极化SAR图像分类方法，其中步骤 (1) 中由极化SAR图像的极化相干矩阵T求得极化散射矩阵S，按如下步骤进行： (2a)已知极化相干矩阵T，根据式〈1 >可求出Shh、Sw、Shv :<1> 其中，Tn、T22、T33为极化相干矩阵T的对角线上元素，Shh为水平发射且水平接收的散射 分量、Sw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； (2b)根据步骤(2a)得到的5^、5^、5^组成极化散射矩阵5:歡3. 根据权利要求1所述的基于多尺度深度滤波器的极化SAR图像分类方法，其中步骤 (2) 中对极化散射矩阵S进行Paul i分解，步骤如下： (3a)定义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表不体散射； (3b)由Paul i分解审々得至丨丨如下等式：<4> 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； (3c)求解式〈4>，代入式〈1 >求得的Shh、Sw、Shv，得到3个散射系数a、b、c:<5>。4. 根据权利要求1所述的基于多尺度深度滤波器的极化SAR图像分类方法，其中步骤 (2) 中构成基于像素点的特征矩阵F，是先定义一个大小为Ml XM2 X 3的特征矩阵F，再将奇 次散射系数a、偶次散射系数b、体散射系数c赋给特征矩阵F，其中Ml为待分类极化SAR图像 的长，M2为待分类极化SAR图像的宽。5. 根据权利要求1所述的基于多尺度深度滤波器的极化SAR图像分类方法，其中步骤 (3) 中对基于像素点的特征矩阵F归一化，采用特征线性缩放法，即先求出基于像素点的特 征矩阵F的最大值max(F);再将基于像素点的特征矩阵F中的每个元素均除以最大值max (F)，得到归一化后的特征矩阵F1。6. 根据权利要求1所述的基于多尺度深度滤波器的极化SAR图像分类方法，其中步骤 (6b)中基于多尺度深度滤波器的分类模型，参数如下： 对于第1层输入层，设置特征映射图数目为3; 对于第2层多尺度深度滤波器层，设置特征映射图数目为9; 对于第3层池化层，设置下采样尺寸为2; 对于第4层卷积层，设置特征映射图数目为20，设置滤波器尺寸为4; 对于第5层池化层，设置下采样尺寸为2; 对于第6层全连接层，设置特征映射图数目为100; 对于第7层全连接层，设置特征映射图数目为64; 对于第8层softmax分类器，设置特征映射图数目为3 〇
【文档编号】G06K9/62GK105868793SQ201610237878
【公开日】2016年8月17日
【申请日】2016年4月18日
【发明人】焦李成, 马文萍, 马丽媛, 张丹, 马晶晶, 杨淑媛, 侯彪, 尚荣华, 王爽
【申请人】西安电子科技大学