基于物理引导与动态知识注入的PolSAR图像分类方法

本发明属于遥感图像处理，进一步涉及极化合成孔径雷达（polarimetric synthetic aperture radar, polsar）图像解译与地物分类技术，具体为一种基于物理引导与动态知识注入的polsar图像分类方法，可用于地物分类、环境监测与遥感信息解译等领域。

背景技术：

1、极化合成孔径雷达（polarimetric synthetic aperture radar, polsar）作为一种重要的主动微波遥感成像技术，能够在全天时、全天候条件下获取地表目标的多通道极化散射信息，在农业监测、城市区域分析、地物分类以及灾害评估等领域具有重要的应用价值。polsar图像分类是polsar图像解译工作的重要组成部分，其核心作用在于将polsar获取的多维特征转化为可利用的地物类别信息，为后续地物识别、变化检测及宏观决策等相关应用提供基础数据支撑。

2、传统机器学习类polsar图像分类多采用“特征提取-分类器设计”两阶段流程。特征提取阶段常通过极化分解、纹理统计等方式提取极化散射与图像特征，降低信息冗余并生成判别性输入；分类阶段则通过wishart聚类、支持向量机、随机森林等模型将特征映射为地物类别。然而，此类方法高度依赖人工设计的特征质量，难以充分挖掘polsar数据中蕴含的深层散射信息，分类性能受限于特征表达的完备性。

3、近年来，卷积神经网络、循环神经网络、transformer等深度学习架构被广泛应用于极化sar（polsar）图像分类，依靠端到端自主特征学习，在复杂地物场景中展现出远超传统方法的特征提取与分类性能。bi等人对该领域深度学习方案完成系统性综述梳理，但现有主流方法依旧存在三处难以突破的核心短板：一是模型完全依托数据驱动训练，未将极化电磁散射机理作为硬性约束嵌入特征学习流程，仅依靠标注样本拟合数据分布，在地物散射机制混叠区域极易输出违背物理规律的分类结果，同时损失分类精度与决策物理一致性，其中，申请号为201910968153.8，名称为“基于深度复值全卷积神经网络的极化sar图像分类方法”中提出了一种复值卷积分类方案，虽利用sar复数原始数据提升了基础特征利用率，但整体仍为纯数据驱动训练架构，完全未引入极化散射机理作为约束条件，在地物散射类型交错混叠的区域，极易生成不符合电磁散射客观规律的错分结果；二是现有物理信息融合方案普遍局限于输入层特征拼接与浅层网络加权融合的浅层结合方式，未能构建从输入特征、中间深层表征到输出决策的全流程物理约束机制，导致网络深层特征逐渐偏离真实电磁散射规律，在标注样本稀缺场景下极易引发模型过拟合、泛化能力大幅退化，申请号为202011511666.5，名称为“基于散射图卷积网络的极化sar图像分类方法、介质及设备”中提出将极化散射特征作为图卷积网络的输入前置信息，一定程度上利用了极化先验知识优化图节点构建，但仅在网络最输入端完成物理特征拼接融合，无法对网络深层迭代过程施加持续的物理矫正约束，小样本条件下深层特征会逐步偏离真实散射规律，模型泛化性能衰减明显；三是当前物理先验注入方式多采用固定权重的静态嵌入策略，缺乏适配场景噪声变化的动态调控机制，无法有效抑制polsar固有相干斑噪声对物理先验信息的干扰，造成物理知识在深层网络传播过程中不断衰减失效，难以对全程深度特征学习形成稳定、精准的物理引导，极大限制了物理先验与数据驱动模型的协同优化效果。

4、因此，如何在深度网络中实现物理先验的约束与空间自适应动态注入，突破纯数据驱动模型的物理一致性瓶颈，是当前提升polsar图像分类精度与泛化能力的关键技术问题。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种基于物理引导与动态知识注入的polsar图像分类方法，将极化电磁散射机理显式嵌入深度神经网络的全学习流程，实现物理先验知识与数据驱动特征学习的协同优化。旨在解决现有深度学习方法在polsar分类中存在的物理机理利用不足、物理先验知识与深度特征融合方式单一、融合易受噪声干扰等问题。本发明通过极化分解提取具备明确物理含义的散射先验并构建物理监督信号，通过双分支交叉注意力网络实现多尺度特征的提取，通过物理散射约束分支建立物理正则机制，最终通过基于中心坐标注意力的动态物理注入模块实现物理先验与深层语义特征的空间自适应融合，构建基于物理引导与动态知识注入的分类框架，在提升分类精度的同时增强特征的物理一致性与模型在有限样本条件下的泛化能力。

2、为实现上述目的，本发明技术方案包括如下：

3、（1）输入极化合成孔径雷达polsar图像数据与对应标注标签；所述polsar图像数据包含主输入数据和物理先验特征两类输入分量；其中主输入数据由polsar多通道相干矩阵构成，用于表征地物目标极化散射特征；物理先验特征基于极化散射分解模型生成，包含表面散射、二面角散射、体散射特征分量，用于引入地物电磁散射机理先验信息；

4、（2）采用双分支交叉注意力网络作为特征提取主干，搭建双分支交叉注意力特征提取模块；利用该模块分别提取全局上下文特征与局部细粒度结构特征，并构建二维空间深度特征图；

5、（3）构建动态物理注入模块，该模块包含物理映射层和门控控制单元，同时引入中心坐标注意力机制；用于将步骤（1）中的物理先验特征自适应嵌入步骤（2）提取得到的深度特征，以提升模型输出结果的物理一致性，实现自适应融合；

6、（4）构建物理散射约束模块，其基于极化散射机理对网络输出结果施加显式物理约束，校正深度特征与分类结果的物理相容性；

7、（5）将融合物理先验特征的深度特征输入分类头，输出polsar图像的像素级地物分类结果，实现地物类别的精准判别。

8、本发明与现有技术相比，具有以下优点：

9、第一、由于本发明采用双分支交叉注意力主干网络，以大尺度分支捕获全局语义结构、小尺度分支提取细粒度散射纹理，并通过交叉注意力机制实现双分支双向信息交互，使得不同尺度的特征能够完成互补学习，同时保留全局上下文关联与局部边界纹理信息，从而有效解决单尺度网络特征表达不足的问题，显著提升复杂散射场景下多尺度地物的判别能力。

10、第二、由于本发明采用基于中心坐标注意力的动态物理注入模块，通过方向感知编码与高斯中心偏置加权完成特征空间重标定，并结合门控残差机制自适应调节物理信息的注入强度，使得物理先验能够与深层特征实现融合，有效抑制相干斑噪声对物理先验的干扰，显著增强深度特征的物理一致性。

11、第三、由于本发明采用物理散射机制约束模块，基于极化分解自动生成物理监督标签，并通过多任务学习框架从损失层面施加全局物理正则，使得模型训练同时受地物类别标签与电磁散射规律的双重引导，从而在标注样本有限的场景下有效降低模型过拟合风险，显著提升分类模型的鲁棒性与泛化能力。

1.一种基于物理引导与动态知识注入的polsar图像分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤（2）所述二维空间深度特征图；具体根据以下步骤得到：

3.根据权利要求2所述的方法，其特征在于：步骤（2.1）中所述大尺度分支配置大尺寸分块patch1，用于捕获宏观地物整体分布规律；所述小尺度分支配置尺寸小于patch1的小尺寸分块patch2，用于保留地物边缘、点状目标对应的精细散射特征，完成多尺度极化信息协同表征。

4.根据权利要求2所述的方法，其特征在于：步骤（2.2）所述交叉注意力cross-attention机制，利用跨尺度特征交互实现多尺度特征互补学习，以提升特征表达完整性与地物分类判别能力；具体是以双分支中任一分支的特征投影生成查询项，另一分支的特征投影生成键项与值项，再通过注意力运算实现双向语义互补；注意力计算公式如下：

5.根据权利要求1所述的方法，其特征在于：步骤（3）中所述动态物理注入模块，根据以下步骤实现：

6.根据权利要求5所述的方法，其特征在于：步骤（3.3）所述引入中心坐标注意力机制对初步融合后特征实施空间重标定，具体实现步骤如下：

7.根据权利要求6所述的方法，其特征在于：步骤（3.4）所述物理先验特征与深度特征分层自适应融合，根据下式实现：

8.根据权利要求1所述的方法，其特征在于：步骤（4）中所述物理散射约束模块，根据以下步骤实现：

9.根据权利要求8所述的方法，其特征在于：步骤（4.1）中构建像素级物理标签的方式为：基于freeman-durden分解得到的表面散射功率、二面角散射功率、体散射功率，按照最大功率准则，为每个像素匹配对应的主导散射机制；所述像素级物理标签的计算公式表示如下：

10.根据权利要求9所述的方法，其特征在于：步骤（4.2）所述采用交叉熵损失函数完成监督学习约束，具体是采用交叉熵损失函数构建物理散射约束，并融合地物分类损失得到加权联合损失：