基於全卷積神經網絡的極化SAR地物分類方法與流程

2023-10-31 05:13:02 1

【
技術領域：
】本發明屬於圖像處理
技術領域：
，具體涉及一種極化sar圖像分類方法，可用於極化sar圖像地物分類和目標識別，具體是基於全卷積神經網絡的極化sar地物分類方法。
背景技術：
：極化合成孔徑雷達作為當代遙感技術的一個熱門研究領域，具有許多突出的優點，如不受時間的影響，可以24小時成像等。極化sar圖像具有獨特的優勢和廣泛的應用前景，目前已經成功應用於土地利用分類、變化檢測、地表參數反演、土壤溼度及土壤水分反演、人造目標分類、建築物提取等。陳軍等綜合比較了freeman分解、yamaguchi分解、pauli分解等極化目標分解方法得到的極化特徵，並將其通過支持向量機法進行分類，結果表明採用pauli分解和支持向量機對全極化sar圖像進行分類取得了較高的分類精度。隨著全極化sar遙感技術的進一步發展和應用程度的不斷深入，全極化sar圖像分類領域依然存在一些問題，全極化sar圖像受解析度、噪聲、濾波等影響，比如傳統的卷積神經網絡，網絡參數比較多，訓練時間長，在圖像上選擇一定數量的訓練樣本有難度，這勢必影響分類精度和分類性能。怎樣在訓練樣本較少的情況下進行精度有保證，運行速度比較快的分類是一個需要研究的問題。技術實現要素：為解決現有技術中存在的問題，本發明的目的在於提出一種基於全卷積神經網絡的極化sar地物分類方法，通過該方法能夠解決傳統方法的分類時長和傳統cnn網絡參數多，分類時長的問題能夠在保證較高精度的前提下，降低極化sar圖像分類的處理時間。為實現如上目的，本發明採用如下技術方案：基於全卷積神經網絡的極化sar地物分類方法，包括如下步驟：(1)對待分類極化散射矩陣s進行pauli分解，得到奇次散射係數、偶次散射係數和體散射係數，將奇次散射係數、偶次散射係數和體散射係數作為極化sar圖像的三維圖像特徵f；(2)將步驟(1)得到的三維圖像特徵矩陣f轉化成rgb圖f1；(3)在rgb圖f1上隨機選取m×n的像素塊作為訓練樣本，m和n均為正整數，整張rgb圖f1作為測試樣本；(4)構造全卷積神經網絡模型為：輸入層→第一卷積層→第一池化層→第二卷積層→第二池化層→第三卷積層→第三池化層→第四卷積層→第四池化層→第五卷積層→第六卷積層→第七卷積層→第一反卷積層→第八卷積層→第二反卷積層→eltwise層→第三反卷積層→crop層→softmax分類器；(5)通過全卷積神經網絡訓練訓練樣本，得到訓練好的模型；(6)通過訓練好的模型對測試集進行分類，得到分類結果。所述步驟(1)中對待分類的極化散射矩陣s進行pauli分解，步驟如下：(1a)定義pauli基{s1,s2,s3}為公式，公式如下：其中，s1表示奇次散射，s2表示偶次散射，s3表示體散射；(1b)由pauli分解定義得到等式，等式如下：其中，a為奇次散射係數，b為偶次散射係數，c為體散射係數，shh為水平發射且水平接收的散射分量，svv為垂直發射且垂直接收的散射分量，shv為水平發射且垂直接收的散射分量；(1c)通過公式和等式得到奇次散射係數a、偶次散射係數b和體散射係數c：將奇次散射係數a、偶次散射係數b和體散射係數作為極化sar圖像的三維圖像特徵矩陣f，所述步驟(1)中，所述將奇次散射係數、偶次散射係數和體散射係數作為極化sar圖像的三維圖像特徵矩陣f的過程如下：先定義一個大小為m1×m2×3的特徵矩陣f，再將奇次散射係數、偶次散射係數、體散射係數賦給特徵矩陣f，其中，m1為待分類極化sar圖像的長度，m2為待分類極化sar圖像的寬度。所述步驟(2)中，將步驟(1)得到的三維特徵矩陣轉化為rgb偽彩圖f1。所述步驟(3)的具體過程如下：(3a)將待分類極化sar地物分為5類，每一個像素點在待分類圖像中都有對應的位置，首先得到5種像素點對應的位置第一類像素點的位置l1，第二類像素點的位置l2，第三類像素點的位置l3，第四類像素點的位置l4和第五類像素點的位置l5；(3b)再在rgb圖f1上隨機選取5％的像素點作為訓練樣本，再從步驟(3a)得到的第一類像素點的位置l1，第二類像素點的位置l2，第三類像素點的位置l3，第四類像素點的位置l4和第五類像素點的位置l5中分別隨機選取n1個像素點作為訓練樣本塊的中心像素點，從中心像素點向左和向上分別擴展m11個像素點，向右和向下分別擴展m21個像素點，得到選取的像素點在待分類圖中的位置分別為第一類地物中選取為訓練樣本的像素點在待分類圖中的位置s1，第二類地物中選取為訓練樣本的像素點在待分類圖中的位置s2，第三類地物中選取為訓練樣本的像素點在待分類圖中的位置s3，第四類地物中選取為訓練樣本的像素點在待分類圖中的位置s4和第五類地物中選取為訓練樣本的像素點在待分類圖中的位置s5，其中，其中m11為選取的中心像素點在待分類圖像中向左和向上擴展的像素點的個數，m21為選取的中心像素點在待分類圖像中向右和向下擴展的像素點的個數，m1為待分類極化sar圖像的長度，m2為分類極化sar圖像的寬度，n1為每一類選取的中心像素點的個數，n2為待分類極化sar的種類數，m1為選取為訓練樣本塊的長度，m2為選取為訓練樣本塊的寬度，p為選取樣本的像素點佔待分類像素點的百分比，n1、m11和m21均為正整數；(3c)再用rgb圖f1作為測試樣本。所述步驟(4)中，構造全卷積神經網絡模型時，基於全卷積網絡模型，參數如下：對於輸入層，設置特徵映射圖數目為3；對於第一卷積層，設置特徵映射圖數目為32，濾波器尺寸為5，pad為2；對於第一池化層，設置下採樣尺寸為2；對於第二卷積層，設置特徵映射圖數目為64，設置濾波器尺寸為5，pad為2；對於第二池化層，設置下採樣尺寸為2；對於第三卷積層，設置特徵映射圖數目為96，設置濾波器尺寸為3，pad為1；對於第三池化層，設置下採樣尺寸為2；對於第四卷積層，設置特徵映射圖數目為128，設置濾波器尺寸為3，pad為1；對於第四池化層，設置下採樣尺寸為2；對於第五卷積層，設置特徵映射圖數目為128，設置濾波器尺寸為3，pad為1；對於第六卷積層，設置特徵映射圖數目為128，設置濾波器尺寸為1，pad為0；對於第七卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為1，pad為0；對於第一反卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為4，stride為2；對於第八卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為1，pad為0；對於第二反卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為4，stride為2；對於eltwise層，設置特徵映射圖數目為5，設置operation為sum；對於第三反卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為16，stride為8；對於crop層，設置特徵映射圖數目為5，設置axis為2，offset為4；對於softmax分類器，設置特徵映射圖數目為5。本發明與本領域現有的技術相比具有以下優點：本發明的基於全卷積神經網絡的極化sar地物分類方法通過將全卷積神經網絡應用到極化sar地物分類中，實現了基於端到端與像素級的分類，本發明和傳統cnn相比，本網絡將傳統cnn的全連接層轉化成卷積層，減少了網絡參數，提高了運行時間，而且加入了反卷積層，對卷積層進行上採樣操作，恢復到和輸入圖像相同的尺寸，從而實現了端到端的分類；本發明由於對輸入圖片的尺寸沒有限制，在測試階段，可以拿整張圖進行測試，避免了由塊拼接所帶來的邊緣效應，提高了測試準確率和運行時間。【附圖說明】圖1是本發明的實現流程圖；圖2是本發明中對待分類圖像的人工標記圖；圖3是用本發明對待分類圖像的分類結果圖。其中，1-海洋區域，2-森林區域，3-高密度城區區域，4-低密度城區區域，5-草地區域，6-背景區域。【具體實施方式】以下結合附圖和實施例對本發明的實現步驟和實驗效果作進一步詳細描述：參照圖1，本發明的具體實現步驟如下：步驟1，對極化散射矩陣s進行pauli分解，得到奇次散射係數、偶次散射係數和體散射係數，用將奇次散射係數、偶次散射係數和體散射係數作為極化sar圖像的三維圖像特徵矩陣f，具體包括如下步驟：(1a)定義pauli基{s1,s2,s3}為公式，公式如下：其中s1表示奇次散射，s2表示偶次散射，s3表示體散射；(1b)由pauli分解定義得到等式，等式如下：其中a為奇次散射係數，b為偶次散射係數，c為體散射係數，shh為水平發射且水平接收的散射分量，svv為垂直發射且垂直接收的散射分量，shv為水平發射且垂直接收的散射分量；(1c)通過公式和等式得到奇次散射係數a、偶次散射係數b和體散射係數c：將奇次散射係數a、偶次散射係數b和體散射係數作為極化sar圖像的三維圖像特徵矩陣f：(1d)定義一個大小為m1×m2×3的矩陣f，並將奇次散射係數a、偶次散射係數b、體散射係數c賦給矩陣f，得到基於像素點的特徵矩陣f，其中m1為待分類極化sar圖像的長度，m2為待分類極化sar圖像的寬度；步驟2，將這三維特徵轉化成rgb偽彩圖f1；步驟3，在圖f1上隨機選取m×n的像素塊作為訓練樣本，整張圖f1作為測試樣本，具體過程如下：(3a)將待分類極化sar地物分為5類，每一個像素點在待分類圖像中都有對應的位置，首先得到5種不同種類的像素點對應的位置l1，l2，l3，l4和l5，其中l1代表第一類像素點的位置，l2代表第二類像素點的位置，l3代表第三類像素點的位置，l4代表第四類像素點的位置，l5代表第五類像素點的位置；(3b)隨機選取5％的像素點作為訓練樣本，從上述l1、l2、l3、l4和l5中分別隨機選取n1個像素點作為訓練樣本塊的中心像素點，從中心像素點向左和向上分別擴展m11個像素點，向右和向下分別擴展m21個像素點，得到選取的像素點在待分類圖中的位置s1，s2，s3，s4和s5，其中s1代表第一類地物中選取為訓練樣本的像素點在待分類圖中的位置，s2代表第二類地物中選取為訓練樣本的像素點在待分類圖中的位置，s3代表第三類地物中選取為訓練樣本的像素點在待分類圖中的位置，s4代表第四類地物中選取為訓練樣本的像素點在待分類圖中的位置，s5代表第五類地物中選取為訓練樣本的像素點在待分類圖中的位置，相關的計算公式如下：其中m11表示選取的中心像素點在待分類圖像中向左和向上擴展的像素點的個數，m21表示選取的中心像素點在待分類圖像中向右和向下擴展的像素點的個數，m1表示待分類極化sar圖像的長度，m2表示分類極化sar圖像的寬度，n1表示每一類選取的中心像素點的個數，n2表示待分類極化sar的種類數，m1表示選取為訓練樣本塊的長度，m2表示選取為訓練樣本塊的寬度，p表示選取樣本的像素點佔待分類像素點的百分比，n1、m11和m21均為正整數；(3c)用rgb圖f1作為測試樣本；步驟4，構造訓練數據集ttrain的特徵矩陣wtrain和測試數據集ttest的特徵矩陣wtest；具體包括如下步驟：(4a)定義訓練數據集ttrain的特徵矩陣wtrain，生成訓練樣本集，並賦值給訓練數據集ttrain的特徵矩陣wtrain；wtrain＝{w1，w2，w3，...wi}i＝1，2，3，...n，其中，wi為第i個訓練樣本塊的特徵矩陣，n表示選取的訓練樣本塊的個數；(4b)定義測試數據集ttest的特徵矩陣wtest，將圖f1的像素值賦值給測試數據集t的特徵矩陣wtest；步驟5，構造基於全卷積神經網絡的模型具體如下：(5a)構造全卷積神經網絡模型為：輸入層→第一卷積層→第一池化層→第二卷積層→第二池化層→第三卷積層→第三池化層→第四卷積層→第四池化層→第五卷積層→第六卷積層→第七卷積層→第一反卷積層→第八卷積層→第二反卷積層→eltwise層→第三反卷積層→crop層→softmax分類器；每層的參數如下：對於輸入層，設置特徵映射圖數目為3；對於第一卷積層，設置特徵映射圖數目為32，濾波器尺寸為5，pad為2；對於第一池化層，設置下採樣尺寸為2；對於第二卷積層，設置特徵映射圖數目為64，設置濾波器尺寸為5，pad為2；對於第二池化層，設置下採樣尺寸為2；對於第三卷積層，設置特徵映射圖數目為96，設置濾波器尺寸為3，pad為1；對於第三池化層，設置下採樣尺寸為2；對於第四卷積層，設置特徵映射圖數目為128，設置濾波器尺寸為3，pad為1；對於第四池化層，設置下採樣尺寸為2；對於第五卷積層，設置特徵映射圖數目為128，設置濾波器尺寸為3，pad為1；對於第六卷積層，設置特徵映射圖數目為128，設置濾波器尺寸為1，pad為0；對於第七卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為1，pad為0；對於第一反卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為4，步長為2；對於第八卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為1，pad為0；對於第二反卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為4，步長為2；對於eltwise層，設置特徵映射圖數目為5，設置operation為sum；對於第三反卷積層，設置特徵映射圖數目為5，設置濾波器尺寸為16，步長為8；對於crop層，設置特徵映射圖數目為5，設置axis為2，offset為4；對於softmax分類器，設置特徵映射圖數目為5。步驟6，用訓練數據集訓練網絡模型，得到訓練好的參數模型具體如下：將特徵矩陣wi作為網絡模型的輸入，輸出一個和特徵矩陣wi相同維度的類別矩陣，通過求解上述類別與人工標記的正確類別之間的誤差並對誤差進行反向傳播，來優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；步驟7，加載訓練好的模型，對測試集進行分類，得到分類結果，具體如下：將測試數據集ttest的特徵矩陣wtest輸入到測試網絡，並用訓練好的模型參數來初始化測試網絡，得到測試分類結果。本發明的效果可以通過以下仿真實驗進一步說明：仿真條件：硬體平臺為：xeon(r)[email protected]×8顯卡：quadrok2200/pcie/sse2，2.40ghz*16內存為8g軟體平臺為：caffe，是一種深度學習框架之一，基於c++語言編寫，並且具有licensedbsd,開放源碼，提供了面向命令行，matlab和python接口，是一個清晰，可讀性強，快速的深度學習框架本發明用全卷積神經網絡對舊金山海灣地區極化sar圖像分類，對比方法有：2層卷積流的傳統cnn網絡，支持向量機方法svm。仿真內容與結果：仿真1，用本發明方法在上述仿真條件下進行實驗，即從極化sar數據pauli分解後的rgb偽彩圖上隨機選取5％有標記的像素點作為訓練樣本，整張偽彩圖上所有的像素點作為測試樣本，得到如圖3的分類結果，從圖3可以看出：海洋區域分類效果比較好，高密度城市區域和低密度城市區域部分有一些錯點，森林區域和草地區域部分也有一些錯點，但能識別主體部分，且保持了細節信息。根據分類結果和標記信息計算準確率為96.5605％，訓練時間為195.7004秒，測試時間為50.6154秒。仿真2，用現有技術中的2層卷積流的傳統cnn方法對舊金山海灣地區極化sar圖像進行分類，獲得分類結果，根據分類結果和標記信息計算準確率為96.7246％，訓練時間為225.6592秒，測試時間為321.3895秒。仿真3，用現有技術中的svm方法對舊金山海灣地區極化sar圖像進行分類，獲得分類結果，根據分類結果和標記信息計算準確率為91.4376％，訓練時間為10988.1022秒，測試時間為376.9558秒。本發明和對比實驗都取5％的像素點作為訓練樣，上述三種仿真方法對舊金山海灣地區極化sar圖像進行分類的準確率和運行時間如表1所示：表1方法準確率訓練時間(秒)測試時間(秒)本發明fcn96.5605％195.700450.6154cnn96.7246％225.6592321.3895svm91.4376％10988.1022376.9558從表1可見，和傳統cnn相比，本發明的測試數據集分類精度比傳統cnn低了大約0.2個百分點，測試時間比cnn快了6倍以上本發明和svm方法比，準確率比svm高大約5個百分點，測試時間比svm快了7倍以上。綜上，用本發明對極化sar圖像分類，在保證較高準確率的情況下，縮短了極化sar圖像的運行時間。當前第1頁12