一种基于混合模型与边界增强的极化雷达图像分类方法

本发明属于雷达图像分类领域，特别涉及一种基于混合模型与边界增强的极化雷达图像分类方法。

背景技术：

1、极化合成孔径雷达(polarimetric synthetic aperture radar,pol sar)是一种主动式微波遥感观测技术，具有全天时、全天候的成像特点。由于其多通道、多极化的工作特性，极化雷达图像蕴含丰富的目标散射信息。极化雷达图像解译技术目前已经广泛应用于军事探测、灾害分析、城市规划等多个领域。

2、近年来，基于卷积神经网络(convolutional neural network,cnn)的深度学习方法由于其对大规模数据优越的特征学习能力，在极化雷达图像解译任务中取得了巨大的成功。极化雷达图像由于其复杂的成像机制以及不可避免受到相干斑噪声影响，部分图像中目标边缘及内部存在类别模糊和特征信息不可靠问题。根据文献“ni j,xiang d,lin z,etal.dnn-based pol雷达image classification on noisy labels[j].ieee journal ofselected topics in applied earth observations and remote sensing,2022,15:3697-3713”，极化雷达样本标记工作大多数是通过人工完成，很可能因为人工标注错误、自动标注辅助技术误差等因素引入错误标记样本。cnn的优越分类性能依赖于数量充足的高质量标记样本，在存在标签噪声的训练集中训练时，由于其强大的拟合能力甚至会学习到噪声的特征，出现过拟合的现象，导致分类性能下降。现有的多数极化雷达图像分类方法都是在理想的训练集中完成模型训练，很少有考虑标签噪声问题。因此研究对标签噪声的极化雷达图像分类方法具有重要的价值与意义。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于有限混合模型理论建立噪声标签和准确标签混杂下的损失分布模型，获取极化雷达图像中噪声标签的分布估计，并通过结合极化伪彩图边缘信息提取方法的极化雷达图像分类方法，本发明能够实现标签噪声下极化雷达目标分类精度提升。

2、本发明的目的是通过以下技术方案来实现的：一种基于混合模型与边界增强的极化雷达图像分类方法，具体步骤如下：

3、s1、采集原始极化雷达图像数据样本并进行数据预处理；极化雷达图像包含丰富的目标散射信息，其每个像素的信息使用极化相干矩阵t表示，该矩阵大小为3×3，具备半正定hermitain特性，如下式所示：

4、

5、使用一维的特征向量表示每个像素，如下所示：

6、x＝[t11，t22，t33，re(t12)，re(t13)，re(t23)，im(t12)，im(t13)，im(t23)]    (2)

7、其中，re(·)与im(·)分别表示取实部与取虚部运算；

8、采用大小为15×15窗口对极化雷达图像进行样本截取，窗口内的图像作为中心像素的样本表示，即每个样本使用大小为9×15×15的特征向量表示；

9、s2、构建特征提取与分类网络：使用特征提取器从极化雷达样本中提取低维特征图，通过深度卷积网络实现特征提取器，深度卷积网络由卷积层、relu函数运算和最大池化层交叉排列，网络最后是3个全连接层，并通过softmax函数将提取到的特征向量转换为对应的类别概率向量，实现目标分类流程；

10、s3、样本交叉熵损失函数计算：训练样本前向传播，基于交叉熵损失函数计算样本标记类别与模型预测类别之间的损失值；交叉熵损失函数计算如下所示：

11、

12、其中，n表示训练集样本数量，xi表示输入的单个样本，p(xi)表示真实值分布one-hot编码向量，q(xi)表示模型预测类别概率向量；

13、s4、使用贝塔混合模型拟合损失分布；噪声样本与纯净样本损失概率密度函数表示为：

14、p(l)＝λc·p(l|clean)+λn·p(l|noisy)     (4)

15、其中，λc和λn表示纯净/噪声样本权重系数；p(l|clean)与p(l|noisy)分别表示纯净/噪声样本损失分布，具体表示为：

16、

17、其中，αc，βc＞0表示纯净样本损失分布的形状参数，γ(·)表示伽马函数；

18、使用em算法实现混合模型的参数更新迭代；首先，在e步中，固定混合系数，结合公式(4)，损失值l的后验概率基于贝叶斯规则进行更新，即：

19、

20、其中，k∈{0，1}表示纯净/噪声两种类别，qk(l)表示损失值l属于k类别的后验概率，j＝0(1)表示干净/噪声类别；然后，在m步中，基于更新的qk(l)，通过加权版本的矩方法估计αk和βk；获得更新后的参数集θ之后，基于后验概率计算公式，到的样本损失值l对应的噪声概率ω，具体如下所示：

21、

22、s5、进行puali伪彩图膨胀边界提取；

23、s6、构建动态自学习损失函数：基于标准交叉熵损失函数，引入模型预测类别作为均衡项，并综合样本噪声概率动态调整地面真值标签与均衡项之间的权重，结合膨胀边界增强系数，构建自学习损失函数，利用损失函数进行反向传播，对s2中的特征提取与分类网络进行参数优化训练，当网络分类结果收敛时结束优化训练，保存模型参数。

24、所述步骤s5包括以下子步骤：

25、s51、puali伪彩图获取：通过pauli基对极化雷达散射矩阵进行目标分解，得到反映地物目标奇次散射、偶次散射和偶次散射的散射分量，并作为图像的r、g、b通道，构成pauli伪彩图；

26、s52、膨胀边界提取：对pauli彩图进行sobel算子卷积和展开运算，生成距离边界d以内的掩膜像素，并将其作为辅助边界损失的目标；对于输入的图像i(x，y)，sobel算子使用两个3×3的卷积和与输入图像进行卷积操作，分别计算垂直和水平垂直梯度近似；这两个卷积核如下所示：

27、

28、其中，kx和ky分别表示水平和垂直方向的卷积核；卷积操作的结果分别用gx和gy表示，其计算过程如下：

29、

30、其中，i(x+i，y+j)表示图像位于(x+i，y+j)处像素点灰度值，kx/y(i，j)表示卷积核kx/y索引为(i，j)处的值，表示卷积操作；

31、通过sobel算子提取到pauli彩图边界后，为了增强对边界区域的细节感知，通过对边界以距离d进行展开操作，得到膨胀的掩膜边界定义膨胀边界加权系数ki，具体表示为：

32、

33、其中，w1，w2表示超参数，k表示权重系数超参数。

34、所述步骤s6中，损失函数表达式为：

35、

36、其中，n表示样本数量，ki表示膨胀边界加权系数，yi与zi分别表示样本标签值与分类模型预测值，ωi为bmm的噪声概率估计输出。

37、本发明的有益效果是：本发明基于有限混合模型理论，建立了噪声标签和准确标签混杂下的损失分布模型，获取极化雷达图像中噪声标签的分布估计，并通过结合极化伪彩图边缘信息提取方法，使分类模型利用边缘知识增强识别性能，最终实现标签噪声下极化雷达目标分类精度提升。

技术特征：

1.一种基于混合模型与边界增强的极化雷达图像分类方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的一种基于混合模型与边界增强的极化雷达图像分类方法，其特征在于，所述步骤s5包括以下子步骤：

3.根据权利要求1所述的一种基于混合模型与边界增强的极化雷达图像分类方法，其特征在于，所述步骤s6中，损失函数表达式为：

技术总结
本发明公开了一种基于混合模型与边界增强的极化雷达图像分类方法，具体步骤如下：S1、采集原始极化雷达图像数据样本并进行数据预处理；S2、使用特征提取器从极化雷达样本中提取低维特征图；S3、样本交叉熵损失函数计算；S4、使用贝塔混合模型拟合损失分布；S5、进行Puali伪彩图膨胀边界提取；S6、构建动态自学习损失函数，利用损失函数对特征提取与分类网络进行优化训练，完成模型的目标分类流程。本发明基于有限混合模型理论建立损失分布模型，获取极化雷达图像中噪声标签的分布估计，并通过结合极化伪彩图边缘信息提取方法，使分类模型利用边缘知识增强识别性能，最终实现标签噪声下极化雷达目标分类精度提升。

技术研发人员：罗曦,张寅,林小惟,陆语纯,马彦晶,黄钰林,焦璐,裴季方,霍伟博,杨建宇
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/9/23