(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210243785.X (22)申请日 2022.03.14 (65)同一申请的已公布的文献号 申请公布号 CN 114332636 A (43)申请公布日 2022.04.12 (73)专利权人 北京化工大 学 地址 100029 北京市朝阳区北三环东路15 号北京化工大 学 (72)发明人 项德良　陆圣涛　胡粲彬　孙晓坤　 (74)专利代理 机构 北京中和立达知识产权代理 有限公司 1 1756 专利代理师 张可 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/46(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 赵亚丽 (54)发明名称 极化SAR建 筑物区域 提取方法、 设备和介质 (57)摘要 本发明实施例公开了一种极化SAR建筑物区 域提取方法、 设备和介质。 其中方法包括： 获取待 处理的极化SAR数据的C矩阵和PWF结果； 将所述C 矩阵输入训练好的第一深度语义提取网络， 生成 具有不同深度语义信息的多层级极化特征； 以 及， 将所述PWF结果输入训练好的第二深度语义 提取网络， 生成具有不同深度语义信息的多层级 PWF特征； 将同一层级的极化特征和PWF特征进行 融合， 得到多层级的双路融合特征； 通过上采样 将所述多层级的双路融合特征进行层级间融合， 根据得到的层间融合特征生成所述待处理的极 化SAR数据的建筑物区域提取结果。 本实施例提 升提取结果的精度。 权利要求书2页 说明书11页 附图3页 CN 114332636 B 2022.07.08 CN 114332636 B 1.一种极化SAR建筑物区域 提取方法， 其特 征在于， 包括： 获取待处 理的极化SAR数据的C矩阵和极化白化滤波PWF 结果； 将所述C矩阵输入训练好的第一深度语义提取网络， 生成具有不同深度语义信息的多 层级极化特征； 以及， 将所述PWF结果输入训练好的第二深度语义提取网络， 生成具有不同 深度语义信息的多层级PWF 特征； 将同一层级的极化特征和PWF特征进行融合， 得到多层级 的双路融合特征； 其中， 所述 同一层级的极化特 征和PWF特征尺寸相同； 通过上采样将所述多层级的双 路融合特征进行层级 间融合， 根据得到的层间融合特征 生成所述待处 理的极化SAR数据的建筑物区域 提取结果； 所述第一深度语义提取网络的主干网络为DenseNet， 包括： 顺序连接的多层DenseNet 结构， 每层DenseNet结构包括： 顺序连接的卷积与池化模块和密集卷积模块： 将所述C矩阵输入训练好的第一深度语义提取网络， 生成具有不同深度语义信息的多 层级极化特 征， 包括： 将所述C矩阵作为上一层极化特 征， 将第一层DenseNet结构作为当前层DenseNet结构； 将所述上一层极化特征输入所述当前层DenseNet结构的卷积与池化模块， 得到当前层 初步语义特 征； 将所述当前层初步语义特征输入所述当前层DenseNet结构的层密集卷积模块， 得到当 前层极化特 征； 将所述当前层极化特征作为上一层极化特征， 将下一层DenseNet结构作为当前层 DenseNet结构， 返回将所述上一层极化特征输入所述当前层DenseNet结构的卷积与池化模 块， 得到当前层 初步语义特 征的步骤， 直到得到所有层级的极化特 征； 每个密集卷积模块包括密集连接的多层卷积模组， 每个卷积模组包括： 顺序 连接的1× 1卷积模块和的3 ×3卷积模块； 所述1×1卷积模块包括： 顺序连接的批归一 化BN、 线性整流 函数ReLU和1 ×1卷积； 所述3×3卷积模块包括： 顺序连接的BN、 ReLU和3 ×3卷积； 所述多层级的双路融合特 征的尺寸随层级的增 加而逐渐减小； 通过上采样将所述多层级的双路融合特 征进行层级间融合， 包括： 将最后一层 双路融合特 征作为当前层 双路融合特 征； 对所述当前层双 路融合特征进行上采样操作， 得到采样后的双 路融合特征， 其中， 所述 采样后的双路融合特 征与上一层 双路融合特 征的尺寸相同； 将所述采样后的双路融合特征与 所述上一层双路融合特征沿通道维度进行连接， 将连 接后的双路融合特征作为当前层双路融合特征， 返回对所述当前层双路融合特征进行上采 样操作， 得到采样后的双路融合特征 的步骤， 直到上一层双路融合特征为第一层双路融合 特征； 根据最终的采样后的双路融合特征， 得到层间融合特征， 所述层间融合特征与所述待 处理的极化SAR数据的尺寸相同。 2.根据权利 要求1所述的方法， 其特征在于， 第一层DenseNet结构的卷积与池化模块包 括： 顺序连接的第一卷积模块和第一池化模块， 所述第一卷积模块使用5 ×5卷积核； 第n层DenseNet结构的卷积与池化模块包括： 第 n卷积模块和第 n池化模块， 所述第 n卷权　利　要　求　书 1/2 页 2 CN 114332636 B 2积模块包括顺序连接的BN、 ReLU和1 ×1卷积， 所述第 n池化模块包括2 ×2平均池化， n为大于 1的自然数。 3.根据权利要求1所述的方法， 其特征在于， 将同一层级的极化特征和PWF特征进行融 合， 得到多层级的双路融合特 征， 包括： 将每一层级的极化特征和PWF特征沿通道维度进行连接， 得到每一层级的双路融合特 征。 4.根据权利要求1所述的方法， 其特征在于， 根据得到的层间融合特征生成所述待处理 的极化SAR数据的建筑物区域 提取结果， 包括： 对得到的层间融合特 征进行1×1卷积操作， 得到单通道融合特 征； 采用像素级分类器对所述单通道融合特征进行Sigmoid归一化操作， 预测每个像素属 于建筑物区域的概 率。 5.根据权利要求1所述的方法， 其特征在于， 将所述C矩阵输入训练好的第一深度语义 提取网络之前， 还 包括： 根据同地区的谷歌地球光学图像， 对多组极化SAR训练数据中的每组极化SAR训练数据 进行像素级标注， 以区分 建筑物区域和背景区域； 采用标注好的多组极化SAR训练数据， 对原始第一深度语义提取网络和原始第二深度 网络进行训练， 使训练得到的建筑物区域 提取结果与标注结果 一致。 6.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储器， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑5中任一所述的极化SAR建筑物区域 提取方法。 7.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑5中任一所述的极化SAR建筑物区域 提取方法。权　利　要　求　书 2/2 页 3 CN 114332636 B 3