【技术实现步骤摘要】
本专利技术属于极化sar图像处理，具体涉及一种结合极化旋转角与空间自注意力的极化sar影像分类方法。
技术介绍
1、合成孔径雷达(sar)系统通过发射并接收电磁波脉冲，记录雷达信号返回的强度和时间差，从而生成二维影像。sar的成像特点包括：全天候成像、具有一定穿透能力等优点。极化合成孔径雷达(polsar)是sar技术的拓展，通过不同的极化方式(如水平和垂直极化)获取地物的多维信息。这些极化信息能够区分不同的地物类型，例如水体、植被、建筑物等。因此，polsar图像广泛应用于环境监测、农业调查和城市规划等领域。然而，现有的极化sar影像处理技术，仅仅采用固定的极化基获取极化信息，未能充分挖掘极化数据的潜力。
2、随着深度学习的快速发展，polsar图像解译朝着智能化、自动化方向发展。卷积神经网络(cnn)在图像分类和特征提取中表现出色，能够有效捕捉图像中的局部特征。transformer则以其自注意力机制著称，能够从全局角度理解数据关系。这两种技术的结合有助于提升影像处理的效果，但在极化sar影像处理中，由于信息维度不同等原因，它们的优势尚未充分发挥。
技术实现思路
1、针对基于深度学习的极化sar影像处理过程中，对极化sar影像极化信息利用不充分，且与空间信息结合不充分的问题，本专利技术提出了一种结合极化旋转角与空间自注意力的极化sar影像分类方法，该方法通过旋转极化基，丰富极化sar影像的极化信息；综合transformer与卷积神经网络的优点，解决因极化旋转角特征
2、本专利技术所采用的技术方案为：
3、按照本专利技术的第一方面，提供了一种结合极化旋转角与空间自注意力的极化sar影像分类方法，该方法包括：
4、获取极化sar影像的极化相干矩阵序列，并从中提取待分类像素的邻域窗口四维数据；
5、将待分类像素的邻域窗口四维数据输入至两个3d卷积块，利用两个3d卷积块提取极化sar影像的低级特征表示，生成四维局部初步特征图z；
6、建立极化角局部特征提取网络，将四维局部初步特征图z输入至极化角局部特征提取网络，得到极化角局部特征图xl_3d；建立空间局部特征提取网络，将四维局部初步特征图z合并为三维局部特征图z′并输入至空间局部特征提取网络，得到空间局部特征图xl_2d；
7、以transformer编码层为基础架构，建立极化角与空间全局特征提取及融合网络架构：
8、将极化角局部特征图xl_3d与空间局部特征图xl_2d分别输入至transformer编码层中的多头自注意力机制，以分别学习极化角与空间的全局特征；
9、将空间的全局特征进行格式转换，以并联的方式与极化角的全局特征相加，之后输入至transformer编码层的多层感知机mlp，进行全局特征融合，得到全局特征融合图z″；
10、将全局特征融合图z″输入至3d池化层与3d卷积块，利用3d池化层与3d卷积块的组合对全局特征融合图z″进行下采样与高级特征提取，得到特征向量；
11、将特征向量映射到分类器进行极化sar影像类别分类并输出该待分类像素的分类结果。
12、上述方案中，获取极化sar影像的极化相干矩阵序列，包括：
13、基于pauli分解，并通过极化散射矩阵来构建极化sar影像的相干矩阵；其中，极化散射矩阵包含hh、hv、vh、vv四个极化通道的信息，具体公式如下：
14、
15、式中，t3为极化sar影像的相干矩阵；h和v分别表示水平和垂直极化，shh、shv、svh、svv分别是不同极化通道的散射系数；*表示复共轭；
16、通过旋转极化基，计算不同旋转角度下的极化相干矩阵，获取极化sar影像的极化相干矩阵序列；其中，极化相干矩阵t(θ)公式如下所示：
17、
18、式中，r3(θ)表示极化旋转矩阵，表示转置；其中，极化旋转矩阵r3(θ)定义如下：
19、
20、式中，θ表示极化方向角poa。
21、上述方案中，使用角度范围为步长为9个不同的极化方向角poa来生成极化相干矩阵序列，并基于patch的分类策略，从极化相干矩阵序列中提取每个待分类像素的邻域窗口四维数据；其中，极化相干矩阵序列数对应不同的极化方向角poa数。
22、上述方案中，两个3d卷积块均包含一个3d卷积层、一个3d批量归一化bn和一个sigmoid加权线性单元silu激活层；其中，silu是一种非线性激活函数；
23、将极化sar影像的极化相干矩阵序列输入至两个3d卷积块，3d卷积块中的卷积核在输入数据的局部区域进行滑动，计算加权和，提取极化sar影像多维空间中的几何和局部特征，并生成四维局部初步特征图z。
24、上述方案中，极化角局部特征提取网络包括一3d卷积层；将四维局部初步特征图z输入至3d卷积层，利用3d卷积层学习极化角的局部特征，得到极化角局部特征图xl_3d；
25、空间局部特征提取网络包括一2d卷积层；四维局部初步特征图z的维度表示为c×d×h×w，c表示通道数，d表示旋转域邻域窗口数据的数量，h和w表示邻域窗口的高度和宽度；在c和d维度下，将四维局部初步特征图z合并为三维局部特征图z′，其维度为c′×h×w，其中c′＝c×d；将三维局部特征图z′输入至2d卷积层，利用2d卷积层学习空间的局部特征，得到空间局部特征图xl_2d∈rc′×h×w。
26、上述方案中，将极化角局部特征图xl_2d与空间局部特征图xl_2d分别输入至transformer编码层中的多头自注意力机制，以分别学习极化角与空间的全局特征，包括：
27、构建极化角与空间全局特征提取网络，将极化角局部特征图xl_3d在高度h和宽度w两个维度上展开，并对展开后的特征向量进行归一化处理，确保特征的尺度一致，之后利用多头注意力机制来处理归一化后的特征，生成的极化角全局特征图记作xm_3d；将空间局部特征图xl_2d分割成k个小的扁平斑块xu_2d，其中每个斑块的维度为p×k×c′，p是每个补丁中的像素数，即p＝w′×h′，其中w′和h′分别是补丁的宽度和高度，k是补丁的数量，即k＝hw/p，之后对扁平斑块进行归一化，并利用多头注意力机制捕捉空间全局特征的关系，得到的空间全局特征图为xm_2d，其维度为p×n×c′，其中n是特征维度的数量。
28、上述方案中，将空间的全局特征进行格式转换，以并联的方式与极化角的全局特征相加，之后输入至transformer编码层的多层感知机mlp，进行全局特征融合，得到全局特征融合图z″，包括：
29、构建极化角与空间全局特征融合网络，将极化角全局特征图xm_3d和空间全局特征图xm_2d进行特征融本文档来自技高网...
【技术保护点】
1.一种结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，该方法包括：
2.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，获取极化SAR影像的极化相干矩阵序列，包括：
3.根据权利要求2所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，使用角度范围为步长为9个不同的极化方向角POA来生成极化相干矩阵序列，并基于patch的分类策略，从极化相干矩阵序列中提取每个待分类像素的邻域窗口四维数据；其中，极化相干矩阵序列数对应不同的极化方向角POA数。
4.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，两个3D卷积块均包含一个3D卷积层、一个3D批量归一化BN和一个sigmoid加权线性单元SiLU激活层；其中，SiLU是一种非线性激活函数；
5.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，极化角局部特征提取网络包括一3D卷积层；将四维局部初步特征图z输入至3D卷积层，利用3D卷积层学
6.根据权利要求5所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，将极化角局部特征图Xl_3d与空间局部特征图Xl_2d分别输入至transformer编码层中的多头自注意力机制，以分别学习极化角与空间的全局特征，包括：
7.根据权利要求6所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，将空间的全局特征进行格式转换，以并联的方式与极化角的全局特征相加，之后输入至transformer编码层的多层感知机MLP，进行全局特征融合，得到全局特征融合图z″，包括：
8.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，3D池化层对特征图进行全局最大池化操作，以将高维特征映射到低维空间；池化操作将特征图的空间维度缩小为一个特征向量。
9.根据权利要求1所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法，其特征在于，分类器包括两个线性层和以及中间的ReLU&Dropout层，分类器输出是logits，即类别预测的原始分数，再通过Softmax函数将logits映射到一个概率分布，表示每个类别的预测概率。
10.一种极化合成孔径雷达，其特征在于，该极化合成孔径雷达采用权利要求1至9中任意一项所述的结合极化旋转角与空间自注意力的极化SAR影像分类方法的步骤。
...【技术特征摘要】
1.一种结合极化旋转角与空间自注意力的极化sar影像分类方法，其特征在于，该方法包括：
2.根据权利要求1所述的结合极化旋转角与空间自注意力的极化sar影像分类方法，其特征在于，获取极化sar影像的极化相干矩阵序列，包括：
3.根据权利要求2所述的结合极化旋转角与空间自注意力的极化sar影像分类方法，其特征在于，使用角度范围为步长为9个不同的极化方向角poa来生成极化相干矩阵序列，并基于patch的分类策略，从极化相干矩阵序列中提取每个待分类像素的邻域窗口四维数据；其中，极化相干矩阵序列数对应不同的极化方向角poa数。
4.根据权利要求1所述的结合极化旋转角与空间自注意力的极化sar影像分类方法，其特征在于，两个3d卷积块均包含一个3d卷积层、一个3d批量归一化bn和一个sigmoid加权线性单元silu激活层；其中，silu是一种非线性激活函数；
5.根据权利要求1所述的结合极化旋转角与空间自注意力的极化sar影像分类方法，其特征在于，极化角局部特征提取网络包括一3d卷积层；将四维局部初步特征图z输入至3d卷积层，利用3d卷积层学习极化角的局部特征，得到极化角局部特征图xl_3d；
6.根据权利要求5所述的结合极化旋转角与空间自注意力的极化sar影像分类方...
【专利技术属性】
技术研发人员：王磊，朱升辉，洪汉玉，时愈，马雷，彭令目，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。