1、北大中文核心期刊国外电子测量技术 D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 3 5 4基于双通道特征融合编解码网络的极化S A R图像分类*王蒙蒙1,2 刘秀清1 张 衡1 王春乐1 贾小雪1(1.中国科学院空天信息创新研究院 北京 1 0 0 1 9 0;2.中国科学院大学电子电气与通信工程学院 北京 1 0 0 0 4 9)摘 要:图像分类是极化合成孔径雷达(P o l S A R)图像解译的关键。传统卷积神经网络(C NN)逐像素的分类,造成卷积的重复计算。P o l S A R图像存在丰富的信息,包括极化相干信息与极化分解信息,因此如何
2、融合信息实现高效分类至关重要。基于极化散射特征分析,以U_n e t网络模型为基础,提出了双通道特征融合编解码网络,该网络使用注意力机制特征融合模块将极化相干信息和极化分解特征整合到语义分割框架中,辅助深度C NN分类器训练,实现高精度像素级的标记,同时加入空间金字塔结构有效的提取多尺度特征。该网络结构避免了逐像素切片重复计算,有效提升计算效率。利用A I R S A R获取的旧金山地区P o l S A R数据和海南博鳌地区机载P o l S A R数据进行试验研究,试验结果两个地区总体分类精度(OA)分别达到9 7.1 1%与9 9.9 7%,验证了提出的分类方法的有效性与较好的应用价值。
3、关键词:P o l S A R;特征融合;地物分类;编解码;深度学习中图分类号:T P 7 5 3 文献标识码:A 国家标准学科分类代码:5 1 0.4 0 5 0 收稿日期:2 0 2 2-0 9-2 0*基金项目:国家自然科学基金(6 1 9 0 1 4 4 5)、北京市自然科学基金(4 1 9 2 0 6 5)项目资助P o l S A R i m a g e c l a s s i f i c a t i o n b a s e d o n d u a l-c h a n n e l f e a t u r e f u s i o n e n c o d e r-d e c o d e
4、 r n e t w o r kW a n g M e n g m e n g1,2 L i u X i u q i n g1 Z h a n g H e n g1 W a n g C h u n l e1 J i a X i a o x u e1(1.A e r o s p a c e I n f o r m a t i o n R e s e a r c h I n s t i t u t e,C h i n e s e A c a d e m y o f S c i e n c e s,B e i j i n g 1 0 0 1 9 0,C h i n a;2.S c h o o l o
5、 f E l e c t r o n i c,E l e c t r i c a l a n d C o mm u n i c a t i o n E n g i n e e r i n g,U n i v e r s i t y o f C h i n e s e A c a d e m y o f S c i e n c e s,B e i j i n g 1 0 0 0 4 9,C h i n a)A b s t r a c t:I m a g e c l a s s i f i c a t i o n i s a n i m p o r t a n t a p p l i c a t
6、i o n o f p o l a r i z e d s y n t h e t i c a p e r t u r e r a d a r(P o l S A R)i m a g e i n t e r p r e t a t i o n.T r a d i t i o n a l c o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)c l a s s i f i e s p i x e l-b y-p i x e l,r e s u l t i n g i n r e p e a t e d c o m p u t a t i
7、 o n o f c o n v o l u t i o n.P o l S A R i m a g e s h a v e r i c h i n f o r m a t i o n,i n c l u d i n g p o l a r i z a t i o n c o h e r e n c e f e a t u r e i n f o r m a t i o n a n d p o l a r i z a t i o n d e c o m p o s i t i o n f e a t u r e i n f o r m a t i o n,s o i t i s c r u c
8、 i a l t o f u s e t h e i n f o r m a t i o n t o a c h i e v e e f f i c i e n t c l a s s i f i c a t i o n.T h i s p a p e r p r o p o s e s d u a l-c h a n n e l f e a t u r e f u s i o n e n c o d e r-d e c o d e r n e t w o r k b a s e d o n p o l a r i z a t i o n s c a t t e r i n g f e a t
9、 u r e i n f o r m a t i o n a n a l y s i s a n d t h e U_n e t n e t w o r k m o d e l.T h e n e t w o r k u s e s a n a t t e n t i o n f e a t u r e f u s i o n m e c h a n i s m t o i n t e g r a t e p o l a r i z a t i o n c o h e r e n c e f e a t u r e i n f o r m a t i o n a n d p o l a r i
10、 z a t i o n d e c o m p o s i t i o n f e a t u r e i n f o r m a t i o n i n t o a s e m a n t i c s e g m e n t a t i o n f r a m e w o r k,a s s i s t s d e e p C NN c l a s s i f i e r t r a i n i n g t o a c h i e v e h i g h p r e c i s i o n p i x e l-l e v e l l a b e l i n g,a n d i n c o
11、r p o r a t e s a s p a t i a l p y r a m i d s t r u c t u r e t o e f f i c i e n t l y e x t r a c t m u l t i-s c a l e f e a t u r e s.T h e n e t w o r k s t r u c t u r e a v o i d s t h e r e p e t i t i v e c o m p u t a t i o n o f p i x e l-b y-p i x e l c l a s s i f i c a t i o n a n d
12、e f f e c t i v e l y i m p r o v e s t h e c o m p u t a t i o n a l e f f i c i e n c y.W e u s e t h e P o l S A R d a t a a c q u i r e d b y A I R S A R i n S a n F r a n c i s c o a r e a a n d t h e a i r b o r n e P o l S A R d a t a i n B o a o a r e a o f H a i n a n f o r e x p e r i m e
13、n t a l s t u d y,a n d t h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e o v e r a l l a c c u r a c y(OA)o f t h e t w o a r e a s i s 9 7.1 1%a n d 9 9.9 7%r e s p e c t i v e l y,w h i c h v e r i f i e s t h e e f f e c t i v e n e s s a n d b e t t e r a p p l i c a t i o n v a
14、 l u e o f t h e c l a s s i f i c a t i o n m e t h o d.K e y w o r d s:P o l S A R;f e a t u r e f u s i o n;c l a s s i f i c a t i o n;e n c o d e r-d e c o d e r;d e e p l e a r n i n g781 国外电子测量技术北大中文核心期刊0 引 言 极化合成孔径雷达(P o l S A R)1-2系统通过发射和接收不同组合形式的极化波获取回波数据,提供不同极化方式(HH、HV、VH、VV)丰 富 的 目 标 后 向
15、 散 射 信 息,为 S A R 图像解译提供了充足的数据基础3。近几十年来,极化 S A R 地物分类任务得到学者持续广泛的关注,涌现出大量优秀的地物分类算法。地物分类算法可以大致分为监督分类和无监督分类,如文献4 使用的W i s h a r t无监督分类方法,该方法是一个可广泛用于极化 S A R 影像协方差矩阵的无监督分类器,这类方法的缺陷是迭代分类后各个类别丢失了其物理散射机制类型。文献5 提出了一个适用于全极化S A R图像非监督分类的多分量散射模型分解-W i s h a r t算法,利用极化目标分解和统计分布理论来挖掘数据中的潜在信息,但是无监督分类效果相对于采用一定数量标签做
16、训练的监督分类效果较差,只适用于简单的地物分类。因此监督分类也被引入P o l S A R图像分类领域,C h e n等6提出了结合目标散射机制解释和极化特征挖掘的专家知识来辅助深度卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k s,C NN)分类器训练进行P o l S A R图像分类,形成了极化特征驱动的深度卷积神经网 络。Y a n g等7基 于R e s n e t和 去 噪 自 动 编 码 器(d e n o i s i n g a u t o e n c o d e r,D A E),提出一种基于切片和像素的混合分类方法,结果表明该方法分类结果可以保持良好轮廓及精度,但以上方法为切片预测,切片分类结果为该切片中心像素点的类别,会造导致分类效率较低。全卷积神经网络(f u l l y c o n v o l u t i o n a l n e t w o r k s,F C N)8的提出实现了输出与输入相同分辨率的类别预测,它将全连接层改为卷积层,实现了端到端的分类。但以上方法虽然解决了像素到像素的问题,仍