(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201811060915.6
(22)申请日 2018.09.12
(71)申请人 中国农业大学
地址 100193 北京市海淀区圆明园西路2号
(72)发明人 李俐 张迁迁 尤淑撑 魏海
孔庆玲 张超 朱德海 杨建宇
杨永侠
(74)专利代理机构 北京路浩知识产权代理有限
公司 11002
代理人 王文君 陈征
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/32(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)
(54)发明名称
基于SAR极化分解和卷积神经网络的两阶段
(57)摘要
本发明属于土地利用分类领域，涉及基于
SAR极化分解和卷积神经网络的两阶段盐碱地监
测方法，具体为：选作业区，获取遥感影像R2SLC
并将矢量多边形栅格化；划分子区，在每一个子
集；在每个子区进行感兴趣区ROI提取操作，得到
每个像素的多极化多特征数据集；使用数据过拟
合技术得到第一阶段均衡数据集；将75％的均衡
后数据用于训练,25％用于验证；在第二阶段设
计、优化CNN神经网络结构；以优化参数模型对未
知影像进行逐像素识别，提取出盐碱地土地类
型。本发明的方法对类型分布不平衡的待分类样
本可以有效改善其分类精度。权利要求书2页 说明书6页 附图3页CN 109145870 A 2019.01.04
C N 109145870
A
1.一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法，其特征在于，具体步骤如下：
S1、根据盐碱地监测的需求选定已知盐碱化作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2SLC，以及该作业区内待土地利用调查的样本数据，根据GPS坐标串形成封闭的矢量多边形并在GIS软件中展示；
S2、将采集的样本数据叠加到高分辨率的光学底图以及R2SLC上，目视解译同类样本区，得到更多土地利用标签LDS；同时将矢量格式的样本数据转为栅格格式Raster-LDS，令其空间分辨率与R2SLC数据保持一致；
S3、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据Yamaguchi极化分解原理，得到协方差矩阵的6个特征：C11，C12，C13，C22,C23,C33；并分别从每个影像数据按像素计算得到单次散射值f s、二面角f d、体散射f v、旋状体f c这4个特征；将所有的10个特征层进行逐层合并，得到多极化多特征数据集MPMIDS；
S4、在S3生成的每一个子区内，进行如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取的感兴趣区ROI逐像素的多极化多特征数据集；
S5、由于盐碱监测的作业需要，S4形成的数据集中，盐碱化土地类型远多于其他土地利用类型，采用过采样的方法对S4数据的类型进行类型均衡，得到均衡数据集；
S6、将S5的数据按照逐特征层进行最大最小值归一化，并以75％的数据用于训练，其余25％用于验证；
S7、使用TensorFlow深度学习框架，设计CNN神经网络结构；
S8、加载S7中设计的未训练模型和S6中数据到神经网络中进行自动学习、调参，优化模型参数；
S9、用优化参数模型对未知的覆盖区影像进行逐像素识别，只提取出盐碱地土地类型，指导盐碱地土
地改良或利用。
2.如权利要求1所述的方法，其特征在于，S3所述得到协方差矩阵的6个特征，其计算过程如下：
四极化SLC影像像素点表示为矩阵S：
定义k3L：
则有：
其中，理论条件下，S HV＝S VH，k是S矩阵一种矢量化，C矩阵元素表示为C ij(i＝1,2,3；j＝1,2,3)，具体选择相互独立的6个元素，*表示复数共轭转置，<·>表示按视数平均，协方差矩阵C为全极化SAR
SLC数据极化分解的基础。
3.如权利要求2所述的方法，其特征在于，S3所述数据按像素计算得到单次散射值fs、
二面角fd、体散射fv、旋状体fc这4个特征，其计算过程如下：
其中，Im()、Re()分别表示取复数的实部和虚部，且Re(C ij)≠0；
若Re(C13)>0，则
f s＝B (7)
若Re(C13)<0，则
f d＝A (8)
其中，A、B、C计算过程如下：
4.如权利要求1所述的方法，其特征在于，S3所述多极化多特征数据集在计算机中存储格式为多层TIFF合成的文件，数据类型Float。
5.如权利要求1所述的方法，其特征在于，S6所述将S5的数据按照逐特征层进行最大最小值归一化，将10个特征指标的值都归一化到区间[0,1]，并将其转CSV文本形式。
6.如权利要求1所述的方法，其特征在于，S8所述调参、优化，为使用训练好的模型对未知SAR每个像素的进行预测，每个像素预测结果是一个数值，每个数值关联一种土地类型，整个SAR在计算时是一个python数组。
7.如权利要求6所述的方法，其特征在于，S9所述空间化为使用GDAL将S8所得数组空间化。
8.权利要求1-7任一项所述一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法在指导盐碱地土地改良或利用中的应用。
基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法
技术领域
[0001]本发明涉及盐碱地监测领域，具体涉及一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法。
背景技术
[0002]盐碱化和土壤次生盐碱化是土地退化的主要类型和诱因之一，它严重影响着生态环境，甚至威胁到粮食安全。因此快速准确实现盐碱地监测对及时获取盐渍土的扩展变化信息、了解生态环境变化，
进而制定合理的盐碱地治理和环境改良方案具有重要意义。遥感技术的快速发展使得基于遥感技术的盐碱地大面积监测成为可能。
[0003]基于遥感技术的盐碱地监测研究兴起于上世纪70年代。随着遥感和卫星技术的发展，遥感数据源日趋丰富，更多波段更多时相的遥感数据被应用于土地盐碱化的监测中，监测方法也逐渐从人工目视解译向基于机器视觉的计算机自动分类过渡，监测的速度、精准性和广泛性不断提高。目前，通过遥感技术进行盐碱地监测的研究已有很大收获，然而，这些方法主要集中于光学遥感探测，存在以下几个方面的问题：1)主要基于盐碱土或盐生植被的光谱特征进行监测，盐渍未饱和析出时光谱特性与盐碱性相关性不强，同时易受地表覆盖遮挡，造成监测信息不准确；2)光学图像获取受到光照影响，在云雨地区获取不易。[0004]具有较强穿透性的微波，其后向散射系数与土壤盐渍化程度之间有良好的相关性，国内外已有研究表明采用雷达数据能很好地区分盐渍化土地和非盐渍化土地，效果并不理想。研究主要集中于采用多时相、多极化、多波段合成孔径雷达(Synthetic Aperture Radar，SAR)数据的后向散射值幅度信息提取盐碱地，也有研究利用了SAR数据与光学数据融合进行盐碱地提取的。这些研究主要利用不同时相/极化/波段的SAR数据后向散射幅度数据，组成不同提取指数，实现盐碱地监测。研究中较少利用SAR数据中复数信息的相位部分，另外混合像素点等造成的样本点不理想分布也会造成检测精度的降低。因此，利用多极化复数据提供的丰富信息并优化处理样本信息将更有利于盐碱地监测处理。
[0005]由于星载SAR覆盖范围广，获取周期短，适合大范围遥感监测。但是其地面分辨率低，故直接在图像上分割出盐碱地精度不高，大范围数据不能自动化提取盐碱地区。而盐碱地可视作土地利用一个类别，从而将盐碱地监测转化为土地利用分类问题，盐碱地与周边的土地利用类型密切相关，可以更好的进行土地利用监测。
[0006]以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习借鉴人脑的机制提供特征学习和分层特征高效提取，是计算机视觉领域最先进算法，能实现高性能的信息检测。目前，卷积神经网络在光学图像的处理、识别中成功应用。但是CNN及其变形网络对类别分布不均匀(Uneven or Imbanlaced Data)的训练数据无能为力。由于SAR成像的特点，SAR图像分辨率较低，获取分布合理的标签样本难度大，使得直接使用CNN对SAR 数据特征学习与监测效果不好。同时，对盐碱地监测，目前还未见基于深度学习的公开报道。因此，基于多极化雷达复数据极化分解，并采用过采样(Over-Sampling)对数据特征与标签分布进行优化，利用CNN深度学习这一先进技术，实现SAR训练数据准备与均衡和CNN学
习与预测两阶段盐碱地监测具有重要意义。
发明内容
[0007]为解决现有的技术下存在的如下问题：光学遥感盐碱地分布数据获取存在障碍，SAR遥感数据
精度不够，所供参考的地物标签少且分布不均匀，进而在大范围监测时精度低。本发明提供了一种基于极化分解的深度学习盐碱地监测方法，该方法可以充分利用SAR 复数据所提供的丰富信息，对样本数据进行均衡，实现高精度、高鲁棒性、大范围的盐碱地监测。
[0008]本发明提供一种基于SAR极化分解和卷积神经网络的两阶段盐碱地监测方法，其为：选作业区，获取遥感影像R2 SLC及矢量的GPS点位数据，将点数据生成封闭的多边形；目视解译得到更多土地利用矢量多边形，并将矢量多边形栅格化；划分子区，在每一个子区计算10个特征，合并得到多极化多特征数据集；在每个子区进行感兴趣区ROI提取操作，得到每个像素的多极化多特征数据集；使用数据过拟合技术得到第一阶段均衡数据集；将75％的均衡后数据用于训练,25％用于验证；在第二阶段设计、优化CNN神经网络结构；以优化参数模型对未知影像进行逐像素识别，提取出盐碱地土地类型。具体步骤如下：
[0009]S1、根据盐碱地监测的需求选定已知盐碱化作业区，获取作业区范围内不同时期的所有Radarsat-2卫星单视复数影像R2 SLC，以及该作业区内待土地利用调查的样本数据，根据GPS坐标串形成封闭的矢量多边形(Polygons)并在GIS软件中展示；
[0010]S2、将采集的样本数据叠加到高分辨率的光学底图以及R2 SLC上，目视解译同类样本区，得到更多土地利用标签(LabelDataset,LDS)；同时将矢量格式的样本数据转为栅格格式(Raster-LDS)，令其空间分辨率与R2 SLC数据保持一致；
[0011]S3、将作业区划分为不同的子区，保证每个子区内遥感数据尽可能全覆盖，如果某个数据无法全覆盖子区，则用NaN值填补；在每一个子区，有四极化SLC影像，根据Yamaguchi 极化分解原理，得到协方差矩阵(Covariance Matrix,C)的6个特征：C11，C12，C13，C22,C23, C33；并分别从每个影像数据按像素计算得到单次散射值f s、二面角f d、体散射f v、旋状体f c这4个特征；将所有的10个特征层进行逐层合并，得到多极化多特征数据集(M ul ti-Polarization and Multi-Indexs Dataset,MPMIDS)；
[0012]S4、在S3生成的每一个子区内，进行如下的操作：将MPMIDS和Raster-LDS的样本数据进行感兴趣区ROI提取操作，得到该子区提取的感兴趣区ROI逐像素的多极化多特征数据集；
[0013]S5、由于盐碱监测的作业需要，S4形成的数据集中，盐碱化土地类型远多于其他土地利用类型，采用过采样的方法对S4数据的类型进行类型均衡，得到均衡数据集(Balanced MPMIDS)；
[0014]S6、将S5的数据按照逐特征层进行最大最小值归一化，并以75％的数据用于训练(training)，其余25％用于验证(validation)；
[0015]S7、使用TensorFlow深度学习框架，设计CNN神经网络结构；
[0016]S8、加载S7中设计的未训练模型和S6中数据到神经网络中进行自动学习、调参(fine-tuning)，优化模型参数；
[0017]S9、用优化参数模型对未知的覆盖区影像进行逐像素识别，只提取出盐碱地土地
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议