买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京化工大学申请的专利一种基于散射机制用于简缩极化SAR的交互CNN分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114202674B 。

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111540134.9，技术领域涉及：G06V10/764；该发明授权一种基于散射机制用于简缩极化SAR的交互CNN分类方法是由尹嫱;黄译;张帆;周勇胜设计研发完成，并于2021-12-15向国家知识产权局提交的专利申请。

本一种基于散射机制用于简缩极化SAR的交互CNN分类方法在说明书摘要公布了：本发明公开了一种基于散射机制用于简缩极化SAR的交互CNN分类方法，提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m‑δ分解区分不同地物目标的散射机制；对测试样本进行分类，计算分类结果的混淆矩阵，通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度。本发明在简缩极化SAR领域使用了权值共享、交互通道机制的多通道卷积神经网络方法，提升了分类精度。

本发明授权一种基于散射机制用于简缩极化SAR的交互CNN分类方法在权利要求书中公布了：1.一种基于散射机制用于简缩极化SAR的交互CNN分类方法，其特征在于：该方法的步骤包括，步骤1：提取斯托克斯矢量：提取简缩极化SAR数据的散射矩阵[S]，提取斯托克斯矢量用于获取不同地物目标的散射机制；步骤2：获取散射机制：计算极化度m和相对相位差δ，作为目标分解的基本参数，通过m-δ分解区分不同地物目标的散射机制；步骤3：对测试样本进行分类：引入权重共享和通道交互的17层卷积神经网络CrossCNN，从目标的散射机制中提取极化特征用于地物分类；步骤4：计算分类结果的混淆矩阵：通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度；在步骤1中，对简缩极化SAR图像提取斯托克斯矢量；斯托克斯矢量特征定义方法是利用功率测量值定义电磁波极化状态的方法，琼斯矢量E与其共轭转置矢量的外积得到一个2×2的埃米尔特矩阵： 其中，x,y表示水平方向和垂直方向，*表示共轭矩阵；将Pauli矩阵群{σ0,σ1,σ2,σ3}代入式1，将式1分解为： 其中，式2中，{g0,g1,g2,g3}是斯托克斯参数，根据式2可得： 其中，g为斯托克斯矢量；对于简缩极化SAR模式，是通过发射右旋圆极化波、接收水平垂直极化波的CTLR模式，在该CTLR模式下计算斯托克斯矢量，需首先获取极化散射矩阵：极化散射矩阵又称为Sinclair矩阵，用来描述目标的电磁散射现象，令 其中，S表示极化散射矩阵，矩阵中Sij为其复散射参数，矩阵对角元素成为同极化分量，代表入射波和散射波极化状态相同，矩阵反对角元素成为交叉极化分量，代表入射波和散射波极化状态正交；在简缩极化SAR模式下，将式4变化为： 其中，Sh,v表示水平垂直极化基散射矩阵，H,V分别表示水平极化方式、垂直极化方式；如式6所示通过变换极化基，任意收发极化组合的极化散射矩阵都由全极化散射矩阵得到；因为和全极化相比，接收端的极化模式不变，因此接收端的极化基保持不变，发射端极化基为CTLR模式下的极化基： 其中，U1和U2分别是发射端和接收端的极化基变化矩阵；发射圆极化的全极化散射矩阵表示为： 而发射右旋圆极化的简缩极化散射矢量SRCL表示为： 得到水平方向电势矢量EH、水平方向电势矢量EV： 将式10、11代入式3得： 在步骤2中，要获取简缩极化的地物散射机制，计算极化度m和相对相位差δ，将它们作为目标分解的基本参数，通过m-δ分解区分不同地物目标的散射机制；极化度m反映地物散射的随机程度，是部分极化波最重要的特征之一，随机性越高，极化度越低，反之，极化度越高； 其中，{g0,g1,g2,g3}是斯托克斯参数；极化度m和相对相位差δ作为目标分解的两个基本参数，极化度m反映地物散射的随机程度，相位差δ区分偶次散射和奇次散射机理；由m、δ得到偶次散射、体散射、奇次散射的权重； 其中，Pdbl指偶次散射机制、Podd指奇次散射机制、Pdep指体散射分量；在步骤3中，对测试样本进行分类：引入权重共享和通道交互的17层卷积神经网络CrossCNN，从目标的散射机制中提取极化特征用于地物分类；首先构建一个基于多种散射机制的多通道宽幅神经网络WidenCNN，并将训练特征样本按照散射机制划分输入到三个通道中，将第一层的卷积核进行权值共享，并且和全部通道进行信息交互，得到了基于散射机制用于简缩极化SAR分类的交互卷积神经网络CrossCNN；该交互卷积神经网络是由一层交互层和三个结构相同的卷积神经网络拼接而成，保证每一个通道对最终分类的贡献相同；每一个通道内都是n×n×1的块，权值共享层是由3个3×3×64、步长为1的卷积层组成，后面每一个通道内，均是由1个3×3×128、步长为1的卷积层和1个3×3×256、步长为1的卷积层以及一个2×2大小，步长为2的最大池化层构成；每一个卷积层后面都跟着一个ReLU激活函数；将每一个通道的特征图进行级联以构建混合散射模型，并使用每个通道的特征图作为最终特征输出来将混合散射模型进行级联；特征图会经过两个1024和512的全连接层，并在第二个完全连接层上执行0.2的dropout，以防止网络过度拟合；在网络末端使用Softmax分类器来获取分类结果；在步骤4中，通过建立的神经网络模型，对简缩极化SAR的图像信息进行分类，计算各地物的混淆矩阵，得到各地物的分类精度；在测试样本的分类结果和标记样本中，统计分类结果中各类别的样本点数量以及标记样本中各类别的样本点数量，并计算得到混淆矩阵C： 混淆矩阵的行表示实际的类别，列表示划分的类别；对角线元素C11、C22…Cii行和列相等，表示正确分类的样本点数量，非对角线元素cij表示第i类地物的样本错分到第j类中的数目；混淆矩阵中每行总和为该类样本总数，对混淆矩阵按行的方向做归一化处理后，得到归一化后的混淆矩阵中的各个元素就表示了该分类结果在该实际类别中所占的比例；

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京化工大学，其通讯地址为：100029 北京市朝阳区北三环东路15号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。