買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜北京化工大學申請的專利一種基于散射機制用于簡縮極化SAR的交互CNN分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114202674B 。

龍圖騰網通過國家知識產權局官網在2025-05-30發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111540134.9，技術領域涉及：G06V10/764；該發明授權一種基于散射機制用于簡縮極化SAR的交互CNN分類方法是由尹嬙;黃譯;張帆;周勇勝設計研發完成，并于2021-12-15向國家知識產權局提交的專利申請。

本一種基于散射機制用于簡縮極化SAR的交互CNN分類方法在說明書摘要公布了：本發明公開了一種基于散射機制用于簡縮極化SAR的交互CNN分類方法，提取斯托克斯矢量：提取簡縮極化SAR數據的散射矩陣[S]，提取斯托克斯矢量用于獲取不同地物目標的散射機制；獲取散射機制：計算極化度m和相對相位差δ，作為目標分解的基本參數，通過m?δ分解區分不同地物目標的散射機制；對測試樣本進行分類，計算分類結果的混淆矩陣，通過建立的神經網絡模型，對簡縮極化SAR的圖像信息進行分類，計算各地物的混淆矩陣，得到各地物的分類精度。本發明在簡縮極化SAR領域使用了權值共享、交互通道機制的多通道卷積神經網絡方法，提升了分類精度。

本發明授權一種基于散射機制用于簡縮極化SAR的交互CNN分類方法在權利要求書中公布了：1.一種基于散射機制用于簡縮極化SAR的交互CNN分類方法，其特征在于：該方法的步驟包括，步驟1：提取斯托克斯矢量：提取簡縮極化SAR數據的散射矩陣[S]，提取斯托克斯矢量用于獲取不同地物目標的散射機制；步驟2：獲取散射機制：計算極化度m和相對相位差δ，作為目標分解的基本參數，通過m-δ分解區分不同地物目標的散射機制；步驟3：對測試樣本進行分類：引入權重共享和通道交互的17層卷積神經網絡CrossCNN，從目標的散射機制中提取極化特征用于地物分類；步驟4：計算分類結果的混淆矩陣：通過建立的神經網絡模型，對簡縮極化SAR的圖像信息進行分類，計算各地物的混淆矩陣，得到各地物的分類精度；在步驟1中，對簡縮極化SAR圖像提取斯托克斯矢量；斯托克斯矢量特征定義方法是利用功率測量值定義電磁波極化狀態的方法，瓊斯矢量E與其共軛轉置矢量的外積得到一個2×2的埃米爾特矩陣： 其中，x,y表示水平方向和垂直方向，*表示共軛矩陣；將Pauli矩陣群{σ0,σ1,σ2,σ3}代入式1，將式1分解為： 其中，式2中，{g0,g1,g2,g3}是斯托克斯參數，根據式2可得： 其中，g為斯托克斯矢量；對于簡縮極化SAR模式，是通過發射右旋圓極化波、接收水平垂直極化波的CTLR模式，在該CTLR模式下計算斯托克斯矢量，需首先獲取極化散射矩陣：極化散射矩陣又稱為Sinclair矩陣，用來描述目標的電磁散射現象，令 其中，S表示極化散射矩陣，矩陣中Sij為其復散射參數，矩陣對角元素成為同極化分量，代表入射波和散射波極化狀態相同，矩陣反對角元素成為交叉極化分量，代表入射波和散射波極化狀態正交；在簡縮極化SAR模式下，將式4變化為： 其中，Sh,v表示水平垂直極化基散射矩陣，H,V分別表示水平極化方式、垂直極化方式；如式6所示通過變換極化基，任意收發極化組合的極化散射矩陣都由全極化散射矩陣得到；因為和全極化相比，接收端的極化模式不變，因此接收端的極化基保持不變，發射端極化基為CTLR模式下的極化基： 其中，U1和U2分別是發射端和接收端的極化基變化矩陣；發射圓極化的全極化散射矩陣表示為： 而發射右旋圓極化的簡縮極化散射矢量SRCL表示為： 得到水平方向電勢矢量EH、水平方向電勢矢量EV： 將式10、11代入式3得： 在步驟2中，要獲取簡縮極化的地物散射機制，計算極化度m和相對相位差δ，將它們作為目標分解的基本參數，通過m-δ分解區分不同地物目標的散射機制；極化度m反映地物散射的隨機程度，是部分極化波最重要的特征之一，隨機性越高，極化度越低，反之，極化度越高； 其中，{g0,g1,g2,g3}是斯托克斯參數；極化度m和相對相位差δ作為目標分解的兩個基本參數，極化度m反映地物散射的隨機程度，相位差δ區分偶次散射和奇次散射機理；由m、δ得到偶次散射、體散射、奇次散射的權重； 其中，Pdbl指偶次散射機制、Podd指奇次散射機制、Pdep指體散射分量；在步驟3中，對測試樣本進行分類：引入權重共享和通道交互的17層卷積神經網絡CrossCNN，從目標的散射機制中提取極化特征用于地物分類；首先構建一個基于多種散射機制的多通道寬幅神經網絡WidenCNN，并將訓練特征樣本按照散射機制劃分輸入到三個通道中，將第一層的卷積核進行權值共享，并且和全部通道進行信息交互，得到了基于散射機制用于簡縮極化SAR分類的交互卷積神經網絡CrossCNN；該交互卷積神經網絡是由一層交互層和三個結構相同的卷積神經網絡拼接而成，保證每一個通道對最終分類的貢獻相同；每一個通道內都是n×n×1的塊，權值共享層是由3個3×3×64、步長為1的卷積層組成，后面每一個通道內，均是由1個3×3×128、步長為1的卷積層和1個3×3×256、步長為1的卷積層以及一個2×2大小，步長為2的最大池化層構成；每一個卷積層后面都跟著一個ReLU激活函數；將每一個通道的特征圖進行級聯以構建混合散射模型，并使用每個通道的特征圖作為最終特征輸出來將混合散射模型進行級聯；特征圖會經過兩個1024和512的全連接層，并在第二個完全連接層上執行0.2的dropout，以防止網絡過度擬合；在網絡末端使用Softmax分類器來獲取分類結果；在步驟4中，通過建立的神經網絡模型，對簡縮極化SAR的圖像信息進行分類，計算各地物的混淆矩陣，得到各地物的分類精度；在測試樣本的分類結果和標記樣本中，統計分類結果中各類別的樣本點數量以及標記樣本中各類別的樣本點數量，并計算得到混淆矩陣C： 混淆矩陣的行表示實際的類別，列表示劃分的類別；對角線元素C11、C22…Cii行和列相等，表示正確分類的樣本點數量，非對角線元素cij表示第i類地物的樣本錯分到第j類中的數目；混淆矩陣中每行總和為該類樣本總數，對混淆矩陣按行的方向做歸一化處理后，得到歸一化后的混淆矩陣中的各個元素就表示了該分類結果在該實際類別中所占的比例；

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京化工大學，其通訊地址為：100029 北京市朝陽區北三環東路15號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。