本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，具體涉及一種極化sar圖像分類方法，可用于變化檢測、目標(biāo)識別。
背景技術(shù)：
：合成孔徑雷達是一種高分辨率成像雷達。由于微波具有穿透特性，不受光線強度的影響，因此具有全天時、全天候的工作能力。與其他傳感器相比，它能呈現(xiàn)更多的細(xì)節(jié)，可以更好的區(qū)分臨近目標(biāo)的特性。作為一種重要的遙感圖像獲取手段，有著廣泛的應(yīng)用。極化合成孔徑雷達(極化sar)通過發(fā)射和接收極化雷達波來描述觀察到的土地覆蓋物和目標(biāo)，可以得到更豐富的目標(biāo)信息，在軍事、農(nóng)林業(yè)、海洋、水文學(xué)和地質(zhì)學(xué)等方面具有廣泛的應(yīng)用和研究價值。相比于傳統(tǒng)的單極化sar，多極化sar有利于提供更為豐富的目標(biāo)信息，有利于確定和理解散射機制，提高目標(biāo)檢測和分類識別能力，因此極化sar數(shù)據(jù)適合于圖像解譯。極化sar圖像分類的關(guān)鍵是對極化sar圖像的目標(biāo)特征提取，現(xiàn)有的基于散射特性的極化sar圖像目標(biāo)特征提取方法，包括cameron分解、freeman分解，卷積神經(jīng)網(wǎng)絡(luò)等。1996年，cameron基于雷達目標(biāo)的兩個基本特性——互易性和對稱性提出了cameron分解方法，它將極化散射矩陣分解成對應(yīng)于非互易、不對稱以及對稱散射體的部分。不同地物所包含的散射體類型不同，特別是人工地物和自然地物之間，這種差異更加明顯。在檢測人工目標(biāo)和自然目標(biāo)是特別有用。但是由于極化sar圖像的斑點噪聲非常大，而cameron分解又是基于單個像元的操作，因此所獲得的結(jié)果不一定可靠。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(jié)果易受freeman分解性能的影響，對不同波段的極化數(shù)據(jù)該算法的普適性差。1998年，yannlecun提出lenet-5卷積神經(jīng)網(wǎng)絡(luò)，采用局部感受野和權(quán)值共享的思路進行圖像分類，提出一種新的特征提取的辦法，但是這種方法仍然會造成特征損失而影響分類結(jié)果的問題。這些特征提取方法會導(dǎo)致比較強烈的圖像特征損失，因而對背景復(fù)雜的極化sar圖像難以得到較高的分類精度。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于針對上述問題，提供一種基于pauli分解和深度殘差網(wǎng)的極化sar圖像分類方法，能夠有效提高背景復(fù)雜的極化sar圖像提取的分類精度。為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是，一種基于pauli分解和深度殘差網(wǎng)的極化sar影像分類方法，包括：(1)輸入待分類的極化sar圖像，對極化sar圖像的極化散射矩陣s進行pauli分解，得到奇次散射、偶次散射和體散射系數(shù)，用這三個系數(shù)作為極化sar圖像的三維圖像特征，構(gòu)成基于像素點的特征矩陣f；(2)用特征矩陣f中每個元素取周圍28×28的塊代表原來的元素值，構(gòu)成基于圖像塊的特征矩陣；(3)構(gòu)造訓(xùn)練數(shù)據(jù)集d；(4)對步驟1中pauli分解之后的圖像進行超像素處理，構(gòu)造數(shù)據(jù)集t1；(5)構(gòu)造基于深度殘差網(wǎng)的分類模型：選擇一個由輸入層→卷積層→殘差塊→殘差塊→殘差塊→殘差塊→殘差塊→歸一化層→池化層→全連接softmax分類器組成的32層卷積神經(jīng)網(wǎng)絡(luò)；(6)用步驟3中構(gòu)造的訓(xùn)練數(shù)據(jù)集d對分類模型進行訓(xùn)練，得到訓(xùn)練好的模型；(7)將步驟4中構(gòu)造的數(shù)據(jù)集t1送入訓(xùn)練好的模型進行分類并得到整張圖的預(yù)測類標(biāo)矩陣t2，即為分類結(jié)果。步驟(1)具體步驟如下：(1a)定義pauli基{s1,s2,s3}，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分解定義得到如下等式：其中a為奇次散射系數(shù)，b為偶次散射系數(shù)，c為體散射系數(shù)；(1c)求解式<2>，代入式<1>求得的shh、svv、shv，得到3個散射系數(shù)a、b、c：(1d)定義一個大小為h×w×3的矩陣f，并將奇次散射系數(shù)a、偶次散射系數(shù)b和體散射系數(shù)c賦給矩陣f，得到基于像素點的特征矩陣f，其中h為待分類極化sar圖像的長，w為待分類極化sar圖像的寬。步驟(3)中構(gòu)造訓(xùn)練數(shù)據(jù)集d的具體步驟如下：(3a)將極化sar圖像地物分為5類，以中心像素點類標(biāo)作為圖像塊的類標(biāo)，其周圍28×28的塊代表此像素點，分別存入對應(yīng)類別a1、a2、a3、a4、a5當(dāng)中；(3b)從上述a1、a2、a3、a4、a5中隨機選取4％的元素，生成5種對應(yīng)不同類地物被選做訓(xùn)練數(shù)據(jù)集的圖像塊b1、b2、b3、b4、b5，其中b1為對應(yīng)第1類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b2為對應(yīng)第2類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b3為對應(yīng)第3類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b4為對應(yīng)第4類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b5為對應(yīng)第5類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊。步驟(4)中構(gòu)造數(shù)據(jù)集t的具體步驟如下：(4a)設(shè)定期望分割的超像素數(shù)目k，首先生成k個種子點，然后在每個種子點的周圍空間里搜索距離該種子點最近的若干像素，將他們歸為與該種子點一類，直到所有像素點都?xì)w類完畢；然后計算這k個超像素里所有像素點的平均向量值，重新得到k個聚類中心，然后再以這k個中心去搜索其周圍與其最為相似的若干像素，所有像素都?xì)w類完后重新得到k個超像素，更新聚類中心，再次迭代，如此反復(fù)直到收斂；(4b)計算每個像素塊的大小，并對得到的像素塊數(shù)值進行開方求得像素塊邊長；(4c)以步驟(4b)得到的邊長重新劃分原圖，得到n個超像素塊，n即為最終的超像素塊個數(shù)，記錄這些超像素塊的中心像素點的位置；(4d)以步驟(4c)得到的中心像素點為中心，取其周圍28×28的塊，得到一共n個圖像塊的數(shù)據(jù)集t。步驟(4b)中，對求得的像素塊的邊長向上取整數(shù)。步驟(5)構(gòu)造基于深度殘差網(wǎng)的分類模型的具體步驟如下：(5a)選擇一個由輸入層→卷積層→殘差塊→殘差塊→殘差塊→殘差塊→殘差塊→歸一化層→池化層→全連接softmax分類器組成的32層卷積神經(jīng)網(wǎng)絡(luò)；(5b)隨機初始化的濾波器，得到基于深度殘差網(wǎng)分類模型為：輸入層→卷積層→殘差塊→殘差塊→殘差塊→殘差塊→殘差塊→歸一化層→池化層→全連接softmax分類器這32層結(jié)構(gòu)。步驟(5b)中32層結(jié)構(gòu)的參數(shù)如下：對于第1層輸入層，設(shè)置特征映射圖數(shù)目為3；對于第2層卷積層，設(shè)置特征映射圖數(shù)目為64；對于第3層第一個殘差塊9層，設(shè)置特征映射圖數(shù)目為64；對于第4層第二個殘差塊3層，設(shè)置特征映射圖數(shù)目為128，進行快捷連接；對于第5層第三個殘差塊6層，設(shè)置特征映射圖數(shù)目為128；對于第6層第四個殘差塊3層，設(shè)置特征映射圖數(shù)目為256，進行快捷連接；對于第7層第五個殘差塊6層，設(shè)置特征映射圖數(shù)目為256；對于第8層歸一化層，設(shè)置為批量歸一化方式；對于第9層池化層，設(shè)置特征映射圖數(shù)目為256；對于第10層全連接softmax分類器，設(shè)置特征映射圖數(shù)目為6。與現(xiàn)有技術(shù)相比，本發(fā)明至少具有以下優(yōu)點：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，進而為后面神經(jīng)網(wǎng)絡(luò)更加充分的提取并學(xué)習(xí)圖像的信息提供了更大的信息量；應(yīng)用深度殘差網(wǎng)更完備的得到圖像特征，大大提高其對極化sar圖像的學(xué)習(xí)能力，增強了模型本身的泛化能力，使得在訓(xùn)練樣本較少的情況下仍可以達到很高的分類精度，有效提高背景復(fù)雜的極化sar圖像提取的分類精度。附圖說明圖1是本發(fā)明的實現(xiàn)流程圖；圖2是本發(fā)明中對待分類圖像的人工標(biāo)記圖；圖3是用本發(fā)明對待分類圖像的分類結(jié)果圖。具體實施方式以下結(jié)合附圖對本發(fā)明的實現(xiàn)步驟和實驗效果作進一步詳細(xì)描述：參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：步驟1，輸入待分類的極化sar圖像，對極化散射矩陣s(極化散射矩陣s用于描述極化sar圖像屬性)進行pauli分解，得到奇次散射、偶次散射、體散射系數(shù)，用這3個系數(shù)作為極化sar圖像的3維圖像特征，構(gòu)成基于像素點的特征矩陣f：(1a)定義pauli基{s1,s2,s3}的公式如下：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分解定義得到如下等式：其中a為奇次散射系數(shù)，b為偶次散射系數(shù)，c為體散射系數(shù)；(1c)求解式<2>，代入式<1>求得的shh、svv、shv，得到3個散射系數(shù)a、b、c：(1d)定義一個大小為h×w×3的矩陣f，并將奇次散射系數(shù)a、偶次散射系數(shù)b、體散射系數(shù)c賦給矩陣f，得到基于像素點的特征矩陣f，其中h為待分類極化sar圖像的長，w為待分類極化sar圖像的寬。步驟2，用特征矩陣f中每個元素取周圍28×28的塊代表原來的元素值，構(gòu)成基于圖像塊的特征矩陣。步驟3，構(gòu)造訓(xùn)練數(shù)據(jù)集d。(3a)將極化sar圖像地物分為5類，以中心像素點類標(biāo)作為圖像塊的類標(biāo)，其周圍28×28的塊代表此像素點，分別存入對應(yīng)類別a1、a2、a3、a4、a5當(dāng)中；(3b)從上述a1、a2、a3、a4、a5中隨機選取4％的元素，生成5種對應(yīng)不同類地物被選做訓(xùn)練數(shù)據(jù)集的圖像塊b1、b2、b3、b4、b5、其中b1為對應(yīng)第1類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b2為對應(yīng)第2類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b3為對應(yīng)第3類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，其中b4為對應(yīng)第4類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊，b5為對應(yīng)第5類地物中被選作訓(xùn)練數(shù)據(jù)集的中心像素點對應(yīng)的圖像塊。步驟4，對pauli分解之后的圖像進行超像素處理，構(gòu)造數(shù)據(jù)集t。(4a)設(shè)定期望分割的超像素數(shù)目k＝80000，首先生成k個種子點，然后在每個種子點的周圍空間里搜索距離該種子點最近的若干像素，將他們歸為與該種子點一類，直到所有像素點都?xì)w類完畢。然后計算這k個超像素里所有像素點的平均向量值，重新得到k個聚類中心，然后再以這k個中心去搜索其周圍與其最為相似的若干像素，所有像素都?xì)w類完后重新得到k個超像素，更新聚類中心，再次迭代，如此反復(fù)直到收斂；(4b)計算每個像素塊的大小為(1800×1380)÷80000，像素塊的邊長向上取整為6；(4c)以邊長為6重新劃分原圖，則有(1800×1380)÷36＝69000個超像素塊，這就是最終的超像素塊個數(shù)，記錄這些超像素塊的中心像素點的位置；(4d)以(4c)得到的中心像素點為中心，取其周圍28*28的塊，得到一共69000個圖像塊的數(shù)據(jù)集t；在步驟4中，期望分割的超像素數(shù)目k由原圖像素大小和預(yù)期分割后的像素塊的大小(即像素塊邊長的平方)決定，在本發(fā)明的優(yōu)選實施例中，像素塊的邊長取值范圍為5～7。步驟5，構(gòu)造基于深度殘差網(wǎng)的分類模型。(5a)選擇一個由輸入層→卷積層→殘差塊→殘差塊→殘差塊→殘差塊→殘差塊→歸一化層→池化層→全連接softmax分類器組成的32層卷積神經(jīng)網(wǎng)絡(luò)；(5b)隨機初始化的濾波器，得到基于深度殘差網(wǎng)分類模型為：輸入層→卷積層→殘差塊→殘差塊→殘差塊→殘差塊→殘差塊→歸一化層→池化層→全連接softmax分類器這32層結(jié)構(gòu)，每層的參數(shù)如下：對于第1層輸入層，設(shè)置特征映射圖數(shù)目為3；對于第2層卷積層，設(shè)置特征映射圖數(shù)目為64；對于第3層第一個殘差塊9層，設(shè)置特征映射圖數(shù)目為64；對于第4層第二個殘差塊3層，設(shè)置特征映射圖數(shù)目為128，進行快捷連接；對于第5層第三個殘差塊6層，設(shè)置特征映射圖數(shù)目為128；對于第6層第四個殘差塊3層，設(shè)置特征映射圖數(shù)目為256，進行快捷連接；對于第7層第五個殘差塊6層，設(shè)置特征映射圖數(shù)目為256；對于第8層歸一化層，設(shè)置為批量歸一化方式；對于第9層池化層，設(shè)置特征映射圖數(shù)目為256；對于第10層全連接softmax分類器，設(shè)置特征映射圖數(shù)目為6。步驟6，用訓(xùn)練數(shù)據(jù)集對分類模型進行訓(xùn)練，得到訓(xùn)練好的分類模型。將訓(xùn)練數(shù)據(jù)集d作為分類模型的輸入，訓(xùn)練數(shù)據(jù)集d中每個圖像塊的類別作為分類模型的輸出，通過求解上述類別與人工標(biāo)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(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的分類模型，人工標(biāo)記的正確類標(biāo)如圖2所示。步驟7，將數(shù)據(jù)集t1送入訓(xùn)練好的模型進行分類并得到整張圖的預(yù)測類標(biāo)矩陣t2。將數(shù)據(jù)集t1輸入訓(xùn)練好的分類模型，訓(xùn)練好的分類模型的輸出為對整張圖中每個像素點進行分類得到的分類類別。步驟8，t2矩陣除去訓(xùn)練數(shù)據(jù)集中的像素點，然后計算準(zhǔn)確率。本發(fā)明的效果可以通過以下仿真實驗進一步說明：1.仿真條件：硬件平臺為：hpz840軟件平臺為：tensorflow。2.仿真內(nèi)容與結(jié)果：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(shù)據(jù)的每個類別中隨機選取4％有標(biāo)記的像素點作為訓(xùn)練樣本，其余有標(biāo)記的像素點作為測試樣本，得到如圖3的分類結(jié)果。從圖3可以看出：分類結(jié)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(xì)節(jié)信息，與圖2對比可以看出，差距的錯分點較少，說明本發(fā)明的分類方法良好。再依次減少訓(xùn)練樣本，使訓(xùn)練樣本占樣本總數(shù)的3％、2％，將本發(fā)明與卷積神經(jīng)網(wǎng)絡(luò)的測試數(shù)據(jù)集分類精度進行對比，結(jié)果如表1所示：表1訓(xùn)練樣本所占比例卷積神經(jīng)網(wǎng)絡(luò)本發(fā)明4％95.273％95.887％3％94.386％95.429％2％92.819％95.213％從表1可見，訓(xùn)練樣本占樣本總數(shù)的4％、3％、2％時，本發(fā)明的測試數(shù)據(jù)集分類精度均高于卷積神經(jīng)網(wǎng)絡(luò)。綜上，本發(fā)明通過應(yīng)用深度殘差網(wǎng)，并采用超像素的辦法，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(xùn)練樣本較少的情況下仍可以達到很高的分類精度。當(dāng)前第1頁12