[发明专利]一种基于学习超像素和QCNN的极化SAR地物识别方法

说明书

本发明公开了一种基于学习超像素和QCNN的极化SAR地物识别方法，包括：获取极化雷达数据；将极化雷达数据进行极化分解得到极化雷达伪彩色图像；基于像素的四元数卷积神经网络将极化雷达伪彩色图像分类得到分类结果；基于极化雷达伪彩色图像利用PAN网络生成多个超像素块；基于极化雷达伪彩色图像的分类结果及超像素块生成极化雷达数据的分类结果。本发明利用了颜色空间中的高层语义特征，能够得到比传统的超像素生成方法更好的局部区域分割。结合四元数卷积神经网络像素级分类和PAN超像素分割区域，得到了基于颜色特征的高精度极化SAR图像地物分类效果。

技术领域

本发明涉及雷达目标识别技术领域，具体涉及一种基于学习超像素和 QCNN(Quaternion Convolutional Neural Networks,四元数卷积神经网络)的极化SAR地 物识别方法。

背景技术

全极化合成孔径雷达(PolSAR)能够记录地物目标完整的极化散射信息。由于电磁波 极化对地物目标的形状、属性和物理结构都非常敏感，因此利用极化雷达信息可以大大提 高地物目标的分类精度。

现有技术中，针对颜色空间，常见的卷积神经网络的每个卷积核仅仅只是将每个颜色 通道的输出进行求和，忽略了通道之间的相互关系。另外简单的求和为卷积核的学习提供 了较大的自由度，可能导致过拟合。

此外，极化雷达图像的分类算法可以分为两类：基于像素的方法和基于区域的方法。 由于极化雷达图像不可避免地受到斑点噪声的影响，基于像素的分类方法多使用滤波器来 做预处理。但是滤波器并不能完全滤除斑噪，同时还会改变纹理、小区域的形状等重要特 性。基于区域的算法能够考虑局部区域像素点之间的关联性，与基于像素的分类方法相辅 相成。通常，考虑局部区域像素的相关性，可以有效提升地物分类精度。超像素利用纹理、 强度等信息将图像分成多个满足同质性和唯一性的不交叠区域，成为使用最广泛的基于区 域分类算法的辅助方法。常用的超像素生成方法有，Normalized-Cuts(Ncut)、Meanshift、 Turbopixel、简单线性迭代聚类(simple linear iteration clustering,SLIC)等。部 分研究人员利用极化和纹理信息，融合基于稀疏表示的分类器和超像素分类极化雷达图 像。部分研究人员在Pauli分解的基础上实现超像素分割，并用多层自编码网络预测像素 的类别。部分研究人员结合改进的SLIC和深度置信网络(DBN)对极化雷达图像进行分类， 从而实现基于像素和基于区域方法的融合。部分研究人员通过SLIC为极化雷达图像生成 超像素，并使用具有输入金字塔的深度卷积神经网络对超像素进行分类。然而，上述方法 中超像素分类方法多是基于统计特性，如果没有较强的边界用于判别，那么很难将各个目 标加以分开。这样，超像素分割的效果有时会有较大误差，从而影响最后的地物分类精度。

综上所述，本发明公开了一种基于学习超像素和QCNN的极化SAR地物识别方法，基于极化SAR伪彩色图像，运用四元数卷积神经网络学习颜色特征并进行分类。不同于现有技术中卷积神经网络独立处理每个颜色通道，最后简单累加各通道的特征。四元数卷积神经网络将伪彩色图像的三个颜色通道构造为四元数矩阵，以此作为网络的输入，从而充分考虑颜色通道时间的相互作用，提高了像素级的极化SAR图像地物分类效果。通过像素仿射实现了基于深度卷积网络的极化雷达伪彩色图像的超像素生成，这是一种监督的基于深度学习的极化SAR图像超像素生成方法。该方法利用了颜色空间中的高层语义特征，能够得到比传统的超像素生成方法更好的局部区域分割。结合四元数卷积神经网络像素级分类和PAN超像素分割区域，得到了基于颜色特征的高精度极化SAR图像地物分类效果。

发明内容