(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 202111650372.5 (22)申请日 2021.12.3 0 (71)申请人 西安邮电大 学 地址 710000 陕西省西安市长安 南路563号 (72)发明人 滑文强　张聪　王欣雷　谢雯　 金小敏　路龙宾　张璐　邓万宇　 (74)专利代理 机构 西安鼎迈知识产权代理事务 所(普通合伙) 6126 3 代理人 刘喜保 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 20/10(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 基于注意力机制和残差关系网络的SAR图像 分类方法 (57)摘要 本发明公开了基于注意力机制和残差关系 网络的SAR图像分类方法， 包括： 构建分类模型， 分类模型为基于注意力机制的3D残差关系网络 模型； 选取训练集； 采用训练集对分类模型进行 训练， 获得训练好的分类模型； 获取待分类的极 化合成孔径雷达图像； 将待分类的极化合成孔径 雷达图像中每个像素的原始输入信息输入训练 好的分类模型， 获得分类结果。 本发明是针对极 化SAR图像分类中的小样本问题， 对深度学习方 法在极化SAR图像应用上的改进， 并结合 极化SAR 数据的空间邻域信息， 有效的实现了深度学习在 小样本下极化SAR图像分类 。 权利要求书1页 说明书7页 附图3页 CN 114372521 A 2022.04.19 CN 114372521 A 1.基于注意力机制和残差关系网络的SAR图像分类方法， 其特 征在于， 包括： 构建分类模型， 所述分类模型为基于注意力机制的3D残差关系网络模型； 选取训练集； 采用所述训练集对所述分类模型进行训练， 获得训练好的分类模型； 获取待分类的极化 合成孔径雷达图像； 选取以所述极化 合成孔径雷达图像中每 个像素为中心的像素块； 提取所述像素块中每个像素的特征信 息， 以所述像素块中各像素对应的特征信 息作为 中心像素的原 始输入信息； 将所述极化合成孔径雷达图像中每个像素的原始输入信 息输入训练好的分类模型， 获 得分类结果。 2.根据权利要求1所述的基于注意力 机制和残差关系网络的SAR图像分类方法， 其特征 在于， 采用三基色上色法对所述分类结果上色， 获得 上色后的分类结果。 3.根据权利要求1所述的基于注意力 机制和残差关系网络的SAR图像分类方法， 其特征 在于， 所述选取训练集， 包括： 根据真实地物标记， 选取多个有标记的数据作为训练样本； 在所述分类模型每次进行训练迭代时， 均将所述训练样本转化为回合集， 所述回合集 包括支持集和查询集， 所有的所述回合 集组成所述训练集。 4.根据权利要求3所述的基于注意力 机制和残差关系网络的SAR图像分类方法， 其特征 在于， 在每次训练迭代时， 将所述训练样本转 化为回合集后， 还包括： 对所述支持集和查询集进行 卷积处理， 获得卷积结果； 对所述卷积结果进行平均池化处 理， 获得池化结果； 对所述池化结果进行两次全连接处理， 将输出范围限制在[0,1]范围内， 获得全连接结 果； 将所述卷积结果和全连接结果做 乘积处理， 获得所述支持集和查询集的特 征数据。 5.根据权利要求3所述的基于注意力 机制和残差关系网络的SAR图像分类方法， 其特征 在于， 所述在所述分类模型每次进行训练迭代时， 均将所述训练样本转 化为回合集， 包括： 按照分类 类别选取 所述训练样本中标签不 为零的样本； 对选取的所述样本进行扩充， 获得扩充样本集； 在所述扩充样本集中进行采样， 每次采样获得一个所述支持集和查询集， 所述支持集 和查询集组成所述回合 集。 6.根据权利要求1所述的基于注意力 机制和残差关系网络的SAR图像分类方法， 其特征 在于， 在完成对所述分类模型的训练后， 还使用测试样本对训练好的分类模型进行测试。 7.根据权利要求1所述的基于注意力 机制和残差关系网络的SAR图像分类方法， 其特征 在于， 在选取以所述极化 合成孔径雷达图像中每 个像素为中心的像素块之前， 还 包括： 对所述极化 合成孔径雷达图像进行 滤波处理； 对滤波处 理后的极化 合成孔径雷达图像进行Paul i分解， 获得相应的伪彩色图； 获得所述伪彩色图后， 选取以所述伪彩色图中每 个像素为中心的像素块。权　利　要　求　书 1/1 页 2 CN 114372521 A 2基于注意力机制和残差关系网 络的SAR图像分类方 法 技术领域 [0001]本发明涉及图像处理技术领域， 特别涉及基于注意力机制和残差关系网络的SAR 图像分类方法。 背景技术 [0002]合成孔径雷达(Synthet ic Aperture  Radar， SAR)是一种相干成像雷达， 其工作在 微波波段， 是一种主动式遥感传感器， 因为它能够全天时全天候对地面 目标进行大地规模 成像， 在遥感领域有着相当重要的地位。 单频、 单极化状态的SAR图像已经能够弥补光学遥 感的不足， 能够排除云雾植被 以及树叶的干扰， 对地表具有一定的穿透能力， 在测绘和军 事、 环境监测、 灾害监测、 海洋监测等方面具有得天独厚的优势。 [0003]传统的极化SAR图像地物分类方法主要有全监督学习和半监督学习方法。 前者需 要对所有样本 建立标签， 对样本的要求比较高。 而后者则只需要一部 分样本含有标签， 另一 部分不含标签。 对于这两种方法， 特征提取和分类技术是两个基本要素。 极化SAR图像分类 的性能在很大程度上依赖 于特征提取。 [0004]经典的极化SAR分类方法包括： Jiao等人提出了将 Wishart分布和网络相结合的方 法， 实现了极化SAR图像的快速分类和深度学习在极化SAR分类领域的扩展。 Adam  Santoro 等提出了基于长 短时记忆网络(LSTM)的记忆增强网络。 记忆增强网络将数据当作序列来训 练， 上一次的标签也作为网络输入， 并且添加了外部存储来存储上一次的输入。 这使得下一 次输入后进行方向传播时， 可以让标签和输入建立联系， 以便之后的输入能够通过外部记 忆获取相关图像进 行对比， 实现更好的预测。 Zhou等提出了一种基于CNN的以像素邻域为基 本分类单元的极化SAR图像分类方法。 以上方法均基于有监督的学习， 因此存在一些缺陷： 监督学习需要大量的标注样本， 而极化SAR图像的标注需要具有丰富的经验和专业知识才 能完成， 完成高质量的标注需要花费大量的精力和物力。 发明内容 [0005]本发明实施例提供了基于注意力机制和残差关系网络的SAR图像分类方法， 用以 解决现有技 术中基于有监 督的分类方法对样本要求高， 耗费精力和物力的问题。 [0006]一方面， 本发明实施例提供了基于注意力机制和残差关系网络的SAR图像分类方 法， 包括： [0007]构建分类模型， 分类模型为基于注意力机制的3D残差关系网络模型； [0008]选取训练集； [0009]采用训练集对分类模型进行训练， 获得训练好的分类模型； [0010]获取待分类的极化 合成孔径雷达图像； [0011]选取以极化 合成孔径雷达图像中每 个像素为中心的像素块； [0012]提取像素块中每个像素的特征信息， 以像素块中各像素对应的特征信息作为中心 像素的原 始输入信息；说　明　书 1/7 页 3 CN 114372521 A 3