基于深度学习和层次语义模型的极化sar分类-石俊飞.pdf

《基于深度学习和层次语义模型的极化sar分类-石俊飞.pdf》由会员分享，可在线阅读，更多相关《基于深度学习和层次语义模型的极化sar分类-石俊飞.pdf（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第43卷第2期 自动化学报Vbl43，No22017年2月 ACTA AUTOMATICA SINICA Fbbruary，2017基于深度学习和层次语义模型的极化SAR分类石俊飞，。，。 刘芳，。 林耀海。，a 刘璐2，s摘要 针对复杂场景的极化合成孔径雷达(Synthetic aperture radar，SAR)图像，堆叠自编码模型能够自动学习高层特性，有效表示城区、森林等复杂地物的结构，然而，却难以保持图像的边界和细节为了克服该缺点，本文结合深度自编码器和极化层次语义模型(Pol甜imetric hierarchical semantic model，PHSM)，提出了新的无监督的极化

2、SAR图像分类算法该方法根据极化层次语义模型，将复杂的极化SAR图像划分为聚集、匀质和结构三大区域对聚集区域，采用堆叠自编码模型进行高层特征表示，并构造字典得到稀疏特征进行分类；对匀质区域，采用层次模型进行分类；对于结构区域，进行线目标保留和边界定位实验结果表明，该算法通过不同的分类策略优势互补，能够得到区域一致性好且边界保持的分类结果关键词 叠自编码器，极化层次语义模型，极化SAR分类，区域划分，层次分割引用格式石俊飞，刘芳，林耀海，刘璐基于深度学习和层次语义模型的极化SAR分类自动化学报，2017，43(2)：215226DoI 1016383jaas2017c150660Polarime

3、tric SAR Image Classi6cation Based on Deep Learning andHierarchical Semantic ModelSHI JunFeil，2，3 LIU Fhn91，3 LIN YaoHai3，4 LIU Lu2，3Abstract Stacked autoencoder model can e行ectively represent the complex terrain structures，such as the urban andthe forest，by automatically learning highlevel features

4、However，it has dimculty in preserving details and edgesIn orderto oVercome this shortcoming，a new unsupervised polarimetric synthetic aperture radar(PolSAR)classification methodis proposed by combining the deep learning and the polarimetric hierarchical semantic model(PHsM)According to thePHSM，a Pol

5、SAR image is partitioned into aggregated，homogeneous and structural regionsFor aggregated regions，astacked autoencoder model is applied to learn highlevel f色atures，and fhrther the sparse representation and classificatjoIlis constructed by learning a dictionary with highleVel f色aturesFbr homogeneous

6、regions，hierarchical segmentation andclassifica七ion is appliedIn addition，edges are located and line objects are preserved fbr structural regionsExperimental results demonstrate that the proposed method can obtain good perf6rmance in both region homogeneity and edgepreservationKey、Vords stacked auto

7、encoder，polarimetric hierarchical semantic model(PHSM)，polarimetric synthetic apertureradar(SAR)image classification，region partition，hierarchical segmentationCitation Shi Jun-Fei，Liu Fang，Lin Yao-Hai，Liu Lu Polarimetric SAR image classi6cation based on deep learningand hierarchical semantic modelAc

8、a Auomajca sjnjca，2017，43(2)：215226收稿日期201510-21 录用日期20160418Manuscript received October 21，2015；accepted April 18，2016国家重点基础研究发展计划(973计划)(2013cB329402)，国家自然科学基金(61573267，61571342，61572383)，国家自然科学基金青年科学基金项目(31300473)，教育部“长江学者和创新团队发展计划”(IRTll70)，高等学校学科创新引智计划(B07048)，福建省自然科学基金(2014J01073)资助Supported b

9、y National Basic Research Program of China(973 Program)(2013CB329402)，Natural Science Fbundation ofChina(61573267，61571342，61572383)，1uth Fund of NationalNatural Science Fbundation of China(31300473)，the Programfor Cheung Kong Scholars and Innovative Research 11eam inuniversity(IRTll70)，the Fllnd fo

10、r Foreign Scholars in Unive卜sity Research and 7I、eaching Programs(B07048)，Natural ScienceFbundation of Fujian Province f2014J010731本文责任编委柯登峰Recommended by Associate Editor KE DengFbng1西安电子科技大学计算机学院西安710071 2西安理工大学计算机科学与工程学院西安710048 3西安电子科技大学智能感知与图像理解教育部重点实验室西安710071 4福建农林大学计算机与信息学院福州3500021 CoUege o

11、f Computer Science andrbchnology，Xidian Uni极化合成孔径雷达(Synthetic aperture radar，SAR)图像是电磁波在水平和垂直极化方式下进行的地物成像，因此含有更多的极化信息近期，随着雷达技术的发展，极化SAR图像的处理已经成为研究的热点极化SAR地物分类是图像处理的关键步骤，是人们进行图像理解和解译的前提传统的极化SAR图像分类方法主要通过目标分解和统计分布来实现极化数据的目标分解方法有很多，如C10ude分解【1J、Freeman分解2统计分布模型主要有Wishart分布【3J、K分布【圳、G0分布【5】及KummerU分布16j

12、结合目标分解和分布模型提出ver8ity，Xi7an 71007l 2 School of Computer Science andTechnology，xi7an Univers耐of Technolo盯，xi7an 710048 3Key Laboratory of IntelligeIlt Perception and Image Understanding of Ministry of Education of China，Xidian Universit yXi7an710071 4Sch001 of Computer Science and 7rbchn0109v，FuiianAg

13、riculture and Forest University，Fuzhou 350002万方数据216 自 动 化 学 报 43卷了经典H一wishart分类方法【7】1该方法根据Cloude分解进行初始分类，并用Wishart分类器进行迭代调整，能够对图像进行精确的分类然而，由于没有考虑图像的空间关系，这些方法容易受噪声影响，得到椒盐噪声式的分类结果近来，一些加入空间信息的图像处理方法l 6)8_11】用来对极化SAR图像进行分类，如基于Mean shift(MS)和Markov random field(MRF)8】的方法，该方法在Mean shift分割的基础上加入MRF空间邻域信息，

14、能够得到区域一致性好的结果另外，基于层次分割的方法【6】通过定义距离测度进行区域合并，得到较一致的区域同时，Ersahin等【1 0提出了两阶段谱聚类方法，该算法利用轮廓特征进行初始划分，再依据Wishart测度进行进一步的分类这些算法能够有效地抑制斑点噪声，提高了分类的区域一致性然而，极化SAR图像地物繁多、场景复杂、尺度不一由于没有考虑语义信息，这些方法很难将聚集地物分为语义一致的区域聚集地物是指由同类目标聚集在一起形成的地物，如森林、城区等这种地物的特点为目标和地面的散射回波形成强烈的亮暗变化，且这种变化重复出现由于聚集地物内部强烈的亮暗变化和地物散射特性的较大差异，各种底层特征都难以将

15、其合并为语义一致的区域针对这种复杂地物，Liu等【12J提出了极化SAR的层次语义模型，该模型能够将极化SAR图像划分为聚集、结构和匀质三种区域这样，根据地物的特性，不同的分类方法可以自适应地对不同区域进行分类对于匀质区域，由于结构比较单一，传统的分割和分类方法6，9-111能够很好地分类对于结构区域，主要是边界定位和线目标保持对于聚集区域，一幅极化SAR图像，可能存在多种聚集地物类型，如何区分不同聚集地物，并对聚集区域赋予类标，是本文研究的重点对于聚集区域，同一区域内应该含有相同的地物结构，而不同区域之间的地物结构可能不同因此，问题的关键是如何表示各种聚集区域的地物结构，并进行分类深度学习【

16、13-14能够学习图像的结构，得到高层的特征，对复杂地物能够很好地表示，因此，在自然图像处理中得到广泛的应用深度模型有很多，自编码模型【15】、卷积神经网络16J、限制玻尔兹曼机【17、反卷积网络18l等然而，对于极化SAR图像分类，深度学习方法的应用还很少另外，由于极化SAR图像缺乏训练样本，本文选用深度自编码器作为无监督的特征学习方法自编码器通过自身的重构进行权值学习，得到更加抽象的特征然而，深度学习方法由于不断地概括抽象，难以保持边界细节本文采用层次语义模型，只对聚集区域进行深度特征学习，而对结构和匀质区域进行精细分割，避免了深度学习的缺点本文首次将深度学习和层次语义模型结合，应用在极化

17、SAR图像的分类上，提出了一种新的无监督的深度学习方法该算法不仅克服了深度学习的缺点，同时根据不同区域的特点进行分类，得到区域一致性好且边界精准的分类结果该方法有三个创新点：首先，深度学习能够学到图像高层结构特征，然而，难以精确定位边界为了克服该缺点，本文结合深度学习和层次语义模型，将极化SAR图像分为聚集、结构和匀质三种区域类型其次，对聚集区域，由于地物结构复杂，本文采用深度自编码对地物结构进行特征学习，并构建字典得到区域的稀疏特征表示，再用谱聚类方法|loJ进行分类最后，对匀质区域，本文采用层次分割方法进行合并，得到一致的区域和精准的边界对结构区域，进行边界定位和线目标保持三幅真实的极化S

18、AR图像用来进行实验，实验结果表明该方法不仅能够得到一致的区域，同时能够保持边界本文的内容安排如下：第1节主要介绍深度自编码模型；第2节介绍极化层次语义模型；第3节详细给出了本文提出的方法；实验结果和分析在第4节；最后一节总结了本文提出的算法1深度自编码模型人类的视觉具有层次认知功能，能够有效捕捉不同地物的复杂结构当人眼看一幅图像时，信号传人大脑，负责视觉的V1区域通过对图像进行边角检测的稀疏表示之后传人V2区域，V2区域通过对稀疏特征进行概念抽象，得到更高层轮廓和结构特征19】近年来，深度学习方法能够部分模拟大脑的V1和V2区的层次认知功能20-21I，因此得到广泛的应用深度学习源于人工神经

19、网络，通过多层神经网络进行学习，得到图像的结构特征堆叠自动编码器【22J是由多个自动编码器堆叠形成的深度网络，可以进行无监督的特征学习自编码器通过编码和解码操作能够自适应地学习网络权值，主要用于特征的学习和降维由于缺乏标记样本，无监督的分类方法更适合于极化SAR图像，因此本文选择堆叠自编码进行特征学习图1所示为单层自动编码器的网络结构，该网络包含输入层一隐层一输出层自编码网络通过要求输出和输入相等来训练调节网络权值，通过自学习的方法来进行无监督的特征学习层2即为层1的一种特征表示，层3为重构数据，无监督的学习过程是通过最小化重构误差得到网络权重当多个自编码堆叠在一起，就形成了堆叠自编码器堆叠自

20、编码器的学习是每层单独训练的，每层代表图像的一万方数据2期 石俊飞等：基于深度学习和层次语义模型的极化SAR分类 217种表示，且每层学习的特征作为下层的输入，高层是低层的更抽象表示，通过维数不断减少得到输入数据的最主要成分因此，它是一个降维的过程，学习的-高层特征可以进一步对图像进行分类和识别图1单层自动编码器的网络结构Fig1 Network structure of sin91eleVel auto-encoder2极化层次语义模型极化层次语义模型【12j是图像在语义层面上的稀疏表示基于Marr的视觉计算理论【23j，Liu等提出了极化层次语义模型，该模型是在初始素描模型【24的基础上发

21、展得到的，包含两层语义：第一层是一幅素描图，它刻画了一幅极化SAR图像的结构信息，将图像变化的部分用素描线勾勒出来，素描图是由有方向和长度特性的素捕线段构成其获得过a)San FrancIsco地区极化sAR蚓像(a)PolSAR lmages of SanFfanciscO area【d)Onawa地医极化SAR罔像d)poISAR lmages orOna、a area程如下：首先，由极化边缘检测算子得到极化SAR图像的变化部分；然后，使用线段匹配追踪算法得到素描线段，同时，去掉噪声引起的伪线段，得到极化素描图第二层为区域图，它是在素描图的基础上进一步提取得到的区域图将一幅极化SAR图像划

22、分为聚集区域、匀质区域和结构区域具体过程如下：聚集地物形成的线段比较聚集，而边界和线目标的线段比较稀疏，因此，根据线段的拓扑结构和语义含义，将线段划分为聚集线段和孤立线段其中，聚集线段表示聚集地物的结构变化孤立线段表示线目标和地物边界然后，对不同线段类型提取其所在的地物区域，进而将图像划分为聚集、结构和匀质区域聚集区域是具有聚集地物结构的区域，例如城区、森林等这些区域由地物目标聚集在一起而形成，而传统的极化SAR分类方法很难将其分为语义上一致的区域匀质区域一般是匀质地物对应的区域，例如农田、水域、裸地等而结构区域一般对应于边界或者线目标所在区域，这些区域有强烈的明暗变化，会形成素描线极化层次语

23、义模型对进一步的图像分割、分类和识别有重要的指导作用图2为层次语义模型的示例图2(a)和(d)为San nancisco部分地区和Ottawa地区的全极化图像，以Pauli基1日日一yyI、1日日+yyI和1日y1一(c1中层语义区域I划c)Middle1evel semantic aregion map(f1中层诰义：区域陶n MiddleIe、esemantjc：8region rnap黧脚蒋挲篓脚栅万方数据218 自 动 化 学 报 43卷为RGB颜色通道显示而成图2(b)和(e)为对应的初层语义：极化素描图可以看出素描线段所在位置为图像变化的部分，能够有效地刻画图像的结构信息，是图像的

24、稀疏表示图2(c)和(f)为对应的区域图，区域图将图像划分为三个区域，其中，灰色为聚集区域，白色为匀质区域，黑色为结构区域区域图是极化SAR图像在语义上的划分，是更稀疏的图像表示极化SAR图像层次语义模型聚集区域工边界修正。_-。_：Il：一深度自编码特征学习工区域特征表示工谱聚类匀质区域l I结构区域线目标提取超像素分割层次分割空间极化分类器最终分类结果Wihsan分类图3本文算法示意图F遮3 Algori乞hm framework of the proposed method3本文算法基于极化层次语义模型，本文提出一种新的基于深度学习的极化SAR分类方法如图3所示，基于区域图，极化SAR图

25、像被分为聚集、匀质和结构三类区域，对不同区域采用不同的分类方式：1)对聚集区域，本文采用深度自编码进行特征学习，得到区域的特征表示，并用谱聚类算法得到区域类别；2)对于匀质区域，本文采用基于Wishart最大似然的层次分割方法，并迸一步和极化分类结果进行融合分类；3)对于结构区域，本文首先进行线目标和边界定位，对边界两边的超像素和相邻匀质区域进行合并31 聚集区域的深度自编码模型根据区域图我们发现，图像的边界或线目标主要存在于结构区域，而对于聚集区域，主要的难点是如何判别不同区域的类别是否一致相同的地物类型应该具有相似的结构，而不同的地物类型结构差异较大，如城区和森林的结构具有很大差异，而两个

26、不同位置的城区则结构相似因此，对聚集地物的结构表示能够较好地刻画聚集区域深度学习是一种有效的特征学习方法，能够很好地学习地物的结构，因此，本文对每个区域进行深度学习，得到的高层特征可以表示该区域的特征不同地物类型的结构差异大，得到的特征具有可分性311区域边界修正聚集区域能够将复杂地物的亮暗变化分为一致区域，然而，由于聚集区域是通过对聚集线段进行形态学操作得到，因此，其边界并不精准，不代表地物真实的边界相反，图像的过分割方法会将聚集地物分为很多过分割的区域，然而由于精细分割，却能够得到精准的边界因此，融合聚集区域和过分割结果能够进一步修正聚集区域边界初始分割：极化功率图(SPAN)为三个极化通

27、道的功率之和，用来进行初始分割初始分割将SPAN图划分为一些小区域，这些区域称为超像素每个区域的类别被认为是一致的常用的超像素提取方法有很多，如分水岭、均值漂移、水平集等本文选择均值漂移算法25，因为该方法能够得到精细的边界，同时减少了超像素个数边界修正：为了进一步修正聚集区域的边界，本文将聚集区域和均值漂移分割结果进行融合，使用最大投票策略得到聚集区域的精准边界首先，将聚集区域投影到过分割图上，对聚集区域内部的超像素直接合并，对聚集区域边界的超像素，如果聚集区域覆盖超像素过半数目，则将该超像素合并在聚集区域中，扩充边界；如果覆盖数目较少，则将超像素从聚集区域中去掉，缩回边界通过边界融合，得到

28、较为精确的聚集区域边界312区域特征学习采样：每个聚集区域内部属于同一类，因此，对所有像素点进行学习是耗时和无用的，选一些代表点进行学习既可以刻画聚集地物的结构，又可以减少计算量另外，聚集区域的结构具有稀疏性，以城区为例，建筑物和地面会形成亮暗变化的散射特性，并且这种变化重复出现，构成城区因此，本文通过隔点采样方式对每个聚集区域进行采样，得到样本进行学习这些样本的类别即代表区域的类别因为聚集区域大小不一，像素个数不同，本文采用最小区域像素个数u作为采样数太小的区域难以包含聚集结构，这里，首先去掉小区域，保留较大区域进行采样通过采样方式使得原本上百万的输入样本减少至上万甚至上千，大大减少了计算复

29、杂度特征提取：堆叠自编码模型可以学习图像结构，万方数据2期 石俊飞等：基于深度学习和层次语义模型的极化SAR分类 219输入特征应为每个像素点所在的图像块本文对每个像素点选取一个的图像块，把图像块作为输入来进行深度学习，最后把学到的该图像块的特征作为中心像素特征窗口大小应该能够包含聚集区域的变化结构，如城区或森林对于中低分辨的极化SAR图像，聚集区域的结构基元较小，因此，本文采用1313的窗口对于极化SAR数据，每个像素点用T矩阵的9维特征向量来表示如下：y=T1l，222，T33，real(212)，imag(2112)，real(T13)，imag(丁13)，real(丁23)，imag(

30、T23)(1)其中，real()和imag(-)分别为求实部和虚部操作子则图像块的特征为图像块内所有像素点特征的列向量即为9维的输入特征这样，极化散射特征能够得到充分利用区域稀疏表示：训练好网络后，最后一层的高层特征表示该像素的特征对一个聚集区域，每个像素的特征不尽相同，然而，每个聚集区域作为同一类，应该使用一个统一的特征进行表示，因此，本文采用词袋模型26J的思想，构造视觉字典，每个聚集区域向视觉字典进行投影，能够得到字典上的稀疏表示具体过程如下：对所有像素点进行Kmeans聚类，得到M个聚类中心，这些聚类中心即为视觉字，为了得到完备的视觉字典，M要远远大于区域数每个区域的像素特征向字典上投

31、影，得到的直方图统计特征作为区域的稀疏特征表示根据学到的字典，同类区域向字典投影相似性越大，而不同类型区域的投影差异越大313区域谱聚类谱聚类算法是一种图划分方法，包括结点和边上的权重，权值为结点之间的相似性，该算法能够将一幅图划分为几个子图，使得子图内部尽可能相似，子图之间距离尽可能远本文将每个聚集区域看作一个结点，区域间的相似性作为结点问的权值谱聚类的关键为定义相似性矩阵由于区域为稀疏表示，(a)Ottawa地区极化SAR图像(a)P01sAR inlages of Ottawa area特征维数较高，采用巴氏(Bhattacharyya)系数f27】用来度量区域P和区域Q之间的相似性，定

32、义为_p(PQ)=，昌 (2)u=1其中，P和，o分别为区域P和Q的归一化的特征u为，P的第钆个元素巴氏系数的几何含义为向量，P和，o夹角的余弦值根据相似性矩阵，得到Laplacian矩阵，进行特征值分解，将得到的特征向量进行Kmeans聚类如图4所示，图4(a)为0ttaWa地区的极化SAR图像图4(b)为区域图，灰色部分表示聚集区域，左上角为城区，右下角有一些小片的树丛通过对聚集区域边界修正和深层自编码聚类，得到图4(c)的聚类结果可以看出，这些聚集区域被分为两类，大片区域为城区，小块区域为树丛位置不相邻的小片树丛也能够分为一类32结构区域边界定位结构区域的线段有两种含义，边界和线目标，对

33、于线目标，我们希望能够保留而不被合并对于边界，需要精确定位线目标的特点为垂直于线段方向的灰度值具有两次突变，根据这个特点，将满足条件的线段划分为线目标同时，对于大于3个像素宽的线目标，将检测出平行的两条线段，因此，距离相近且平行的线段也认为是线目标对于代表边界的结构区域，本文通过极化边缘检测方法12得到精细的边界，将边界两侧的区域进行超像素分割，将这些超像素与相邻的匀质区域进行合并33匀质区域的层次分割和分类331 层次分割深度学习通过学习复杂图像的空间结构，能够得到区域一致性良好的分类效果然而，图像边界却很难保持对于匀质区域，区域内部结构比较单一，(b)区域图(b)A re刨onlap：c)

34、边界修正后的聚集区域分类结果图(c)CIaSsification of aggregatedregions a托er edge re6nenlent万方数据自 动 化 学 报 43卷底层的特征能够将其较好地表示，分割的重点是不同区域之间的边界，因此，本文对匀质区域采用层次分割方法【4 J进行分割首先，采用均值漂移方法对匀质区域进行过分割得到超像素，然后，用层次分割对超像素进行迭代合并因为极化SAR协方差矩阵C满足Wishart分布，本文采用最大似然的合并策略，对于超像素Si和Sj，该测度定义如下sG，j=MLL(S)+MLL(马)一MLL(S u岛)=L(m。+mJ)ln IC&us，I一三m

35、i 1n IG：IL啊ln IG，I(3)其中，三是视数，mt是超像素S内的像素个数，C吼是&的平均协方差矩阵，G，u&为si u sj的平均协方差矩阵，其中，u为并操作M三L(&)为超像素&的最大似然，ln为求自然对数操作，II为求行列式操作每次迭代时，层次分割算法将测度值最小的两个超像素块进行合并此外，匀质区域合并阀值为达到区域个数U332空间极化分类器在相干斑一致性假设下，极化数据满足Wishart分布，Wishart分类器【7J通过考虑极化统计特性进行分类，得到广泛的应用本文对极化数据进行Kmeans初始分类，并使用Wishart进行迭代优化，得到精细的分类结果由于没有考虑空间信息，该

36、算法容易受噪声影响，分类结果的区域一致性较差匀质区域通过层次分割得到区域一致性好的分割结果，然而，不相邻区域的类别赋予是个难题空间极化分类器【28J能够融合分割和分类结果，得到区域一致性好且边界精准的分类结果层次分割得到一致的区域，而Wishart分类得到精细的类别，因此，空间极化分类器根据最大投票策略，对匀质区域中的每个超像素，赋予对应的分类图中的数目最多的类别这样得到的分类结果区域一致性好，且不相邻区域的类别也能准确标记空间极化分类过程如图5所示，给定分割图和基于像素的分类图，分割图有4个超像素区域，基于像素点的分类结果有三类，将分割图映射到分类图上，对每个分割区域中的类别使用最大投票策略

37、，最大数目的类别赋给这个超像素区域，得到区域一致的分类结果4实验结果和分析41实验数据和设置实验数据：为了验证本文算法的有效性，对几幅真实的极化SAR数据进行实验，这些数据来自不同波段不同卫星第一幅是NASAJPL AIRSA卫星拍摄的L波段San Francisco地区的4视全极化SAR数据，大小为900700；第二幅为Convair Ottawa地区的单视全极化SAR数据，大小为2223 429；第三幅为RadarSAT一2 C波段西安地区极化SAR图像大小为512512分辨率为8 m分割图4个区域融合分割和分类结果每个区域内类别最大投筹 露j投票后结聚图5空间极化分类过程示意图Fig5

38、Procedure of spatialpolarimetric classification对比算法：为了验证本文算法的优势，三个相关的算法用来进行对比：1)wishart分类算法7该算法在初始聚类后，根据Wishart测度进行迭代优化，得到最终分类结果；2)Wishart MRF(Markov random fleld)方法【29J，该算法在Wishart分类中加入MRF邻域先验项，引入空间信息，获得空间一致的分类结果；3)堆叠自编码器(Stacked aut0-encoder，SAE)分类方法【22j通过堆叠白编码器无监督地进行特征学习，对特征进行稀疏表示后进行Kmeans聚类该算法用来

39、验证结合深度学习和层次语义模型的有效性网络结构设计：网络的层数与数据样本个数和数据复杂度有关，深度学习处理非常复杂的数据时，层数会较多，达到10层以上对于普通数据量，48层网络就能对原始数据进行很好的拟合对于复杂极化SAR图像，根据图像的稀疏特性，采样方式使得输入样本大大减少，因此，网络层数设置为5每层的学习是对原始数据的不断抽象，维数也不断减少，图像块选取为1313，那么，对于13139的输入维数，如图6所示，本文将5层的网络节点分别设置为1 089，729，441，225和81，分别代表不同窗口下的抽象特征另外，字典个数设定为M=107，为聚集区域个数为了避免欠分割，匀质区域合并阈值U=S

40、2其中，S为均值漂移得到的超像素个数所有实验在硬件配置为Intel Core i3 320 GHz处芟_I一矗_斗叶4万方数据2期 石俊飞等：基于深度学习和层次语义模型的极化SAR分类理器和4 GB内存的计算机上运行输入 层1 层2 层3 层4 层5521 】08q 72q 441 225 8图6网络结构设计示意图Fig6 Example of the network structure42合成图像实验结果和分析图7(a)为合成的极化SAR图像，该图像由城区、海洋和森林三类地物构成图7(b)为对应的标准类标图，该图像是由San nancisco地区极化SAR图像的三类地物合成得到，San Fr

41、ancisco地区图像如图8(a)所示图7(c)一(f)分别为Wishart、Wishart MRF、SAE和本文算法的分类结果图从图7中可以看出，本文算法能够得到更好的区域一致性和边界保持结果Wishart分类能够得到精细的结果，然而城(a)合成极化SAR图像(a)Synthetic PolSAR iInage区和森林两类被混淆Wishart MRF方法中森林出现大部分错分在图7(e)中，由于SAE学到的是高层的空间结构特征，对边界部分难以精确定位，因此，圆形边界出现错分，森林边界也难以保持本文提出的算法在城区和森林都能够得到较为一致的分类结果，圆形边界也能够较好的保持，由于Wishart分

42、类很难精确地分类森林边界，文中算法对森林边界也难以完全保持，但与其他算法相比，本文算法能够得到更好的分类结果表1展示了本文算法和三个对比算法在合成图像的分类结果统计其中计算了三类地物的分类精度、平均精度和Kappa系数从表1中可以看出，文中算法在分类精度达到9605，和其他三类算法相比，分别提高了1242、1264和087另表1 不同算法的分类结果统计()rIhble 1 Classification accuracies fordi髓rent algorithms()(b)标准图 (c)wishart分类结果图(b)Gdtruth 。)a葛黜=赫byh- (d)wishart MRF分类结果

43、图 (e)SAE分类结果图 (f)本文算法分类结果图(d)claLss墒cation map by the(e)Classmcation map by the(f)ClaSsiflcation map by theWishart MRF method SAE method proposed metllod图7合成极化SAR图像分类结果图Fig7 C1assiflcation maps of svnthetic PolSAR image万方数据自 动 化 学 报 43卷外，Kappa系数也高达9430，比其他算法分别高出1582，1755和966文中算法的混淆矩阵如表2所示，从表2中可以看出，主

44、要的错分来自于城区和森林的昆淆另外，表3给出了各类算法的运行时间可以看出，文中算法和SAE方法使用的时间较长，因为深度网络的学习比较耗时，但文中算法比SAE时间短且能够得到更优的分类结果表2文中算法的混淆矩阵()Table 2 Confusion matrix for the proposed method()表3不同算法的运行时间(s)rable 3 Running time for di丑圣rent algorithms(s)(a)Sall Frallcisco地区极化SAR图像(a)PolSAR image ofSan Frallcisco aread1 Wisllart MRF分类结果

45、图(d)Classi6catioll map bythe Wishart hIRF method43 San nancisco数据实验结果和分析图8(a)显示了San Francisco地区的极化SAR图像伪彩图从图8中可以看出，这幅图像较为复杂，含有多种地物类型，左上角为山脉，山脉周围为海洋，海洋上的桥梁为金门大桥，桥下面为山地，其中有个高尔夫球场右下部分为城区，城区中间有草地，一些道路和人工目标也出现在城区中对这些复杂的场景进行精确的分类是具有挑战性的因为缺乏标记图，为了便于理解，图8(b)给出了对应的Google Earth光学图像三个对比算法和本文提出的方法的实验结果显示在图8(c)一

46、(f)其中，图8(c)一(e)分别为Wishart、Wishart MRF和SAE算法分类结果，图8(f)为本文算法的结果从图8(f)中可以看出，与图8(c)和(d)相比，本文算法能够得到更加一致的区域，能够将城区划分为语义上一致的区域，同时，不相邻的几块城区也能够正确标记Wishart分类结果虽然能够得到精细的分类，但由于噪声的影响，分类结果的区域一致性较差，城区被分为多类的混合然而，为了进一步的图像理解，城区应该被分为(b)Google Earth光学图像(b)Optical image fromGoogle Earth(e)SAE分类结果图(e)Cla_Ssi矗cati011 map b

47、ythe SAE method(c)wishart分类结果图(c)classmcation map b)the Wishart 1nethod(f)本文算法分类结果图(f)Classification map b)the proposed nlethod图8 San Francisco地区极化SAR图像分类结果图Fig8 Classincation maps of the PolSAR iInage on San Francisco area万方数据2期 石俊飞等：基于深度学习和层次语义模型的极化SAR分类 223语义上一致的区域图8(d)加入了MRF后，空间一致性得到改善，但城区、山地等仍然

48、有很多过分割的小块图8(e)通过深度学习自动学习高层特征，能够得到区域一致性较好的结果，但由于高层特征不能精确定位边界，使得边界模糊泛化与图8(e)相比，本文得到更加准确的边界因此，本文算法通过结合深度学习和层次语义模型，使优势共存，避免了单个算法的缺点，得到区域一致性好且边界保持的分类结果44 ottawa地区实验结果和分析Ottawa地区的单视极化SAR数据在方位方向进行10视处理，得到222342的10视极化SAR数据，处理后的0ttawa地区伪彩图如图9(a)所示，该图像左上角为城区，城区下方有一条铁路，右侧为裸地，其中有一些道路和小树丛图9(b)一(e)分别为Wishart、WishartMRF、SAE和本文算法的分类结果图从图9(b)和(c)中可以看出，城区被分为很多混杂的类或部分丢失从图9(d)中可以看出，深度学习区域一致性好，但丢失了一些线目标，同时泛化了道路和边界图9(e)能够将城区划分为一致的类别，同时，将聚集区域中的城区和树丛分为不同的类另外，道