申请/专利权人：合肥工业大学

申请日：2021-11-09

公开（公告）日：2024-02-13

公开（公告）号：CN114037896B

主分类号：G06V20/10

分类号：G06V20/10;G06V10/764;G06V10/82;G06N3/0464;G06N3/0455;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2022.03.01#实质审查的生效;2022.02.11#公开

摘要：本发明公开了一种基于多指标卷积自编码器的PolSAR地物精细分类方法，包括：1.对PolSAR数据进行预处理和切片操作；2.通过卷积和池化操作提取PolSAR图像的特征图，将得到的特征图输入MI‑SE模块来计算多指标，获得输入特征图各维度的权重；3.根据分配给输入特征图的权重对特征图的重要性进行加权得到最终特征；4.将最终特征输入分类器得到预测结果，并与真实结果对比，完成模型的训练过程；5.将待分类的PolSAR图像输入训练好的多指标卷积自编码器模型，得到分类结果。本发明能提高PolSAR地物特征表征的完整性和细腻性，获得更高的分类精度和分类效率，具有较好的工程应用价值。

主权项：1.一种基于多指标卷积自编码器的PolSAR地物精细分类方法，其特征是包括如下步骤：步骤1：PolSAR数据的预处理以及裁剪操作：步骤1.1：将PolSAR数据中任意一个最小分辨单元的散射特性使用一个极化散射矩阵S表示；根据互易原理和Pauli分解原理，将PolSAR数据中任意一个极化散射矩阵S转换为矢量其中，SHH表示发射极化方式为水平极化，接收极化方式为水平极化时的复散射系数，SVV表示发射极化方式为垂直极化，接收极化方式为垂直极化时的复散射系数，SHV表示发射极化方式为垂直极化，接收极化方式为水平极化时的复散射系数；步骤1.2：根据失量K，利用式1得到极化相干矩阵T： 式1中，·H表示共轭转置，Tij表示极化相干矩阵T的第i行第j列的元素；且i，j＝1,2,3；步骤1.3：利用式2从所述极化相干矩阵T中提取六维特征向量F＝[A,B,C,D,E,F]： 式2中，Span表示所有极化通道的总散射功率，且Span＝T11+T22+T33，A代表总散射功率Span的分贝形式，B和C分别表示第2行第2列元素T22和第3行第3列元素T33的标准化功率比，D，E和F代表三个相对相关系数；步骤1.4：对六维特征向量F进行归一化操作，得到归一化后的六维特征向量F′，从而由所有最小分辨单元的归一化后的六维特征向量构成预处理后的PolSAR数据；步骤1.5：将预处理后的PolSAR数据裁剪成尺寸为L×L×6的切片，从而得到PolSAR数据的切片集合{s1,...,sn,...,sN}，其中，sn表示第n个切片，N表示切片总数；n∈[1,N]；步骤2：构建基于多指标卷积自编码器的分类网络，包括：编码器、解码器以及分类器；并将所述切片集合{s1,...,sn,...,sN}输入所述分类网络中；步骤2.1：所述编码器由m个卷积层、m个池化层、m个MI-SE模块、m个加权模块以及一个全连接层组成；所述第n个切片sn输入到所述编码器中，并经过第一个卷积层和池化层的处理后，得到尺度为H×W×D的特征图U，其中，H和W分别代表特征图U的高和宽，D表示特征图U的通道数；所述特征图U输入第一个MI-SE模块中，并利用式3计算多指标，包括：一阶矩S1、二阶中心矩S2和变异系数S3： 式3中，Ua,b,:代表特征图U的第a行和第b列所有元素；将所述一阶矩S1、二阶中心矩S2和变异系数S3拼接为尺寸为3×D的多指标矩阵V，所述多指标矩阵V再经过所述第一个MI-SE模块中的卷积层和全连接层的处理后，得到1×D的权重矩阵Y；第一个加权模块将所述权重矩阵Y与特征图U相乘后，得到一个尺寸为H×W×D的加权后的特征图U′；所述加权后的特征图U′再依次经过所述编码器的其余m-1个卷积层、池化层、MI-SE模块和加权模块的操作后，最后输出的特征再经过一个全连接层后，得到所述编码器输出的特征向量α；步骤2.2：所述解码器由k个卷积层和k个上采样层依次交错连接组成；所述特征向量α输入解码器中并得到第n个切片sn的重建切片再使用式4建立反向传播的损失函数LMSE： 式4中，MSE表示最小均方差；P为每个切片的元素个数，为第n个切片sn经过解码器后重建的切片中的第c个元素，为第n个切片sn中的第c个元素；利用反向传播对所述编码器和解码器进行训练，当所述损失函数LMSE取最小值时，停止训练，从而得到由训练后的编码器输出最优特征向量α*；步骤2.3：所述分类器由t个全连接层和一个softmax层组成；所述最优特征向量α*输入分类器中，先经过t个全连接层进行降维，再将降维后的特征向量输入softmax层中，计算出第n个切片sn的中心元素对应于每个类别的后验概率，选取其中最大的后验概率对应的类别作为第n个切片sn的预测类别；步骤2.4：按照步骤2.1-步骤2.3的方式得到N个切片的预测类别，并与对应的真实类别进行对比，再通过反向传播对所述分类器进行优化，从而完成所述的编码器、解码器以及分类器的训练，得到训练好的多指标卷积自编码器模型，用于对待分类的PolSAR数据进行分类。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于多指标卷积自编码器的PolSAR地物精细分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD