[发明专利]基于深度双向LSTM孪生网络的极化SAR分类方法

说明书

本发明公开一种基于深度卷积双向LSTM孪生网络的极化SAR分类方法，主要解决现有方法中由于极化SAR数据标记样本较少造成分类精度低的问题。其实现步骤为：1)输入待分类极化SAR图像与其真实地物标记，并进行Lee滤波；2)从滤波后的数据中提取时序特征向量并划分训练集和测试集；3)对训练集中的样本两两组合得到样本对训练集；4)搭建深度卷积双向LSTM孪生网络并用训练集和样本对训练集对其进行训练；5)用训练好的网络对测试集样本进行分类，获得地物类别。本发明在孪生架构下扩充训练集、提取差异化特征，于小样本标记条件下更为合理且充分的利用空间邻域信息进行双向时序建模，使模型分类准确率大幅度提高。

技术领域

本发明属于图像处理技术领域，进一步涉及极化SAR数据地物分类方法，具体为一种基于深度卷积双向LSTM孪生网络的极化SAR分类方法，可用于图像分类、地物分类以及目标识别。

背景技术

极化SAR是一种能够对目标进行全极化测量的新型雷达技术，在全极化方式下，通过交替发射并同时接收水平极化与垂直极化的两种电磁波可以获得HH、HV、VH、VV四种不同的极化散射回波信息，组成目标的极化散射矩阵。该极化散射矩阵包含了被测地物目标完整的电磁散射特性，能够对目标进行全面的表达和描述，对地物的识别和区分能力较好。通过对极化散射矩阵的分析与变换，可以获得被测目标的全部极化散射特性和极化信息，为后续地物目标的识别、分类以及检测等提供全面、准确的信息。因此，极化SAR在目标检测、目标识别以及地物分类等应用领域具有十分突出的优势，被广泛应用于军事、农业和导航等众多领域。

近些年，经过众多专家学者的研究与探索，极化SAR数据地物分类方法获得了快速发展，并被广泛应用。其中，基于极化统计分布与目标分解的方法和基于深度学习的方法逐渐成为极化SAR数据地物分类的研究重点。

西安电子科技大学在其申请的专利文献“基于空间信息和深度学习的极化SAR图像分类方法”(专利申请号：CN201710311299.6，公开号：CN107145860A)中提出了一种基于空间信息和深度学习的极化SAR图像分类方法。该方法首先对待分类的极化SAR数据的极化相干矩阵进行滤波，再通过对滤波之后的极化相干矩阵进行特征值分解和Freeman分解来计算H/A/alpha和Freeman分解参数等极化SAR图像的空间信息，并将空间信息与相干矩阵的向量化结果进行融合得到多维极化特征向量，然后用极化SAR图像的多维极化特征向量训练深度置信网络，最后用训练好的深度置信网络完成分类。该方法虽然充分利用了极化SAR数据的目标分解特性，但该方法仍然存在的不足之处在于特征的人工设计和提取复杂，对极化SAR专业知识要求较高。

西安电子科技大学在其申请的专利文献“基于RBM和SVM的极化SAR图像分类方法”(专利申请号：CN201410597098.3，公开号：CN104331706A)中提出了一种基于RBM和SVM的极化SAR图像分类方法。该方法首先对待分类的极化SAR图像数据进行Lee滤波，去除相干斑噪声，得到滤波后的极化SAR图像，再利用极化相干矩阵和协方差矩阵以及Cloude分解提取特征，结合空间邻域信息构造输入特征向量并做归一化，然后训练RBM网络提取极化SAR数据特征，最后利用SVM对RBM所提取的特征进行分类完成未知标签数据的预测。该方法虽然充分利用了极化SAR数据的有标记样本的监督信息，提高了分类准确率，但该方法对于空间邻域信息只做了简单线性连接，其利用方式并不合理，容易引入数据冗余和噪声干扰，从而对数据分类造成干扰。

发明内容

本发明的目的在于针对上述已有技术的弊端和不足，提出一种基于深度卷积双向Bi-LSTM孪生网络的小样本极化SAR地物分类方法，以在小样本标记条件下更为合理且充分的利用空间邻域信息，在降低标记成本的同时极大地提高分类精度。

实现本发明的技术方案包括如下：

(1)输入待分类极化SAR图像及该极化SAR图像所对应的真实地物标签信息；