CN114202674B 一种基于散射机制用于简缩极化sar的交互cnn分类方法 （北京化工大学）

号一种基于散射机制用于简缩极化SAR的交互本发明公开了一种基于散射机制用于简缩极化SAR的交互CNN分类方法，提取斯托克斯矢斯托克斯矢量用于获取不同地物目标的散射机制；获取散射机制：计算极化度m和相对相位差δ,作为目标分解的基本参数，通过m-δ分解区计算各地物的混淆矩阵，得到各地物的分类精2m-δ分解区分不同地物目标的散射机制；步骤(3)：对测试样本进行分类：引入权重共享和通道交互在步骤(1)中，对简缩极化SAR图像提取斯托克斯矢量；斯托克斯利用功率测量值定义电磁波极化状态的方法，琼斯矢量E与其共轭转置矢量的外积得到一03如式(6)所示通过变换极化基，任意收发极化组合的极化散射矩阵都由全极化散射矩0极化度m和相对相位差δ作为目标分解的两个基本参数，极化度m反映地物散射的随机4在步骤(3)中，对测试样本进行分类：引入权重共享和通道交互的17层卷积神经网络首先构建一个基于多种散射机制的多通道宽幅神经网络WidenC进行信息交互，得到了基于散射机制用于简缩极化SAR分类的交互卷积神经网络Cross该交互卷积神经网络是由一层交互层和三个结构相同的卷积将每一个通道的特征图进行级联以构建混合散射模型，并使用每个到归一化后的混淆矩阵中的各个元素就表示了该分类结果在该实际56[0004]简缩极化的思想就是针对现有星载极化SAR体制的设计问题而提出，是在全极化取的极化特征对POLSAR图像进行分类。在简缩极化m-δ分解方法中得到的极化特征分别与7[0007]本发明的主要目的是提供一种基于散射机制的交互卷积神经网络分类方法[0011]步骤(2)获取散射机制：利用步骤(1)中所提取的斯托克斯矢量计算SAR分类过程征引入权重共享和通道交互的17层卷积神经网络(CrossCNN)中，经过多轮训练获得分类定义方法是利用功率测量值定义电磁波极化状态的方法，琼斯矢量E与其共轭转置矢量E*T8[0028]目前的全极化系统普遍是基于水平/垂直极化基的，如式(6)所示通过变换极化[0029]S=USO.PUZ(6)和U2分别是发射端和接收端的极化基变化矩阵。9[0043]在所述的步骤(2)中，利用步骤(1)中所提取的斯托克斯矢量计算SAR分类过程中[0045]极化度m反映地物散射的随机程度，是部分极化波最重要的特征之一，随机性越[0049]极化度m和相对相位差δ可以作为目标分解的两个基本参数，极化度m反映地物散和通道交互的17层卷积神经网络(CrossCNN)中，经过多轮训练获得分类结果。在本发明将训练特征样本按照散射机制(表面散射，二面角散射和体散射)划分输入到三个通道中，所示的基于散射机制用于简缩极化SAR的交互CNN分[0055]该交互卷积神经网络是由一层交互层和三个结构相同的[0056]对于单通道的卷积神经网络(CNN)的卷积层，输入的第i个极化特征和输出的第j个特征图FY"之间的关系可以定义为：和第j层的输出特征图y"之间的关系可以定义为：[0067]整体实验网络结构表1所示，我们将每一个通道的特征图进行级联以构建混合散一化处理后，得到归一化后的混淆矩阵中的各个元素就表示了该分类结果在该实际类别种有代表性的分类方法(1D-CNN,2D-CNN)进行实验并对比实验结果，结合图3中的[0088]结合图3中的Flevoland的分类判决决策树和本实验的各个类别的分类精度进行地物目标也取得了较好的分类精度，证明我们的模型能够对于复杂的地物类型进行分类。根据步骤(4)