极化SAR建筑物区域提取方法、设备和介质

极化sar建筑物区域提取方法、设备和介质
技术领域
1.本发明实施例涉及图像识别分类技术领域，尤其涉及一种极化sar建筑物区域提取方法、设备和介质。


背景技术：

2.随着城市化建设的快速发展，人们对获取城市环境信息的需求不断增加，判断建筑物是否存在和获取建筑物的位置信息变得十分重要。合成孔径雷达（synthetic aperture radar, sar）与光学、红外等其它传感器相比，不受云雾、光照等条件的限制，具有穿透地物的传感能力，因此利用sar图像进行建筑物区域提取存在其优势与现实意义。
3.现有技术中，基于sar图像的建筑物提取多基于散射强度阈值或物理散射机制，无需大量数据支撑，实现方法简单。但这类方法无法表征较高层次（即较大深度）的语义信息，对于特征尺度变化较大的复杂区域建筑物，提取结果较粗糙；同时，由于sar图像本身存在的乘性噪声，增加了建筑物区域提取的难度。


技术实现要素：

4.本发明实施例提供一种极化sar建筑物区域提取方法、设备和介质，通过极化sar数据获取全面的目标电磁散射信息，提升提取精度。
5.第一方面，本发明实施例提供了一种极化sar建筑物区域提取方法，包括：获取待处理的极化sar数据的c矩阵和极化白化滤波（polarimetric whitening filter，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。
6.第二方面，本发明实施例还提供了一种电子设备，所述电子设备包括：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任一实施例所述的极化sar建筑物区域提取方法。
7.第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的极化sar建筑物区域提取方法。
8.本发明实施例的技术效果如下：1. 本实施例采用极化sar数据获取全面的目标电磁散射信息，并将深度学习应用
到极化sar数据建筑物区域提取任务中，通过c矩阵提取不同极化方式下建筑物结构的内部散射信息，通过pwf结果提取建筑物区域的边界信息，可多方面提取建筑物区域的边界、位置与结构细节，提升提取精度。
9.2. 本实施例先采用双路深度语义提取网络相互独立地提取极化sar数据的多层级双路特征；再通过特征连接进行特征的双路融合，使得建筑物内部结构特征和边界特征的融合都能在融合特征中都能得到体现；利用上采样进行特征的多层级融合，使得不同尺度的特征都能在融合特征中得到体现，有利于准确提取建筑物区域的位置与形状；3. 本实施例将densenet作为深度语义提取模块的主干网络，通过密集连接结构在提升网络运行效率的同时，提取建筑物更深层次的纹理特征信息，促进极化sar建筑物区域的精细提取；densenet内部的特征复用与整体网络上采样阶段的多层级特征融合，解决了建筑物区域多尺度分布问题。
10.4. 本实施例可以实现复杂大场景极化sar数据建筑物区域快速提取，在视觉效果、建筑物区域提取精度与效率方面都具有优越性。。
附图说明
11.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
12.图1是本发明实施例提供的一种极化sar建筑物区域提取方法的流程图；图2是本发明实施例提供的一种极化sar建筑物区域提取的网络模型的结构示意图；图3是本发明实施例提供的深度语义提取网络的结构示意图；图4是本发明实施例提供的密集卷积模块的结构示意图；图5是本发明实施例提供的同一层级双路特征融合的示意图；图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
13.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
14.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
15.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连
接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
16.图1是本发明实施例提供的一种极化sar建筑物区域提取方法的流程图，适用于对sar数据中的建筑物区域进行识别的情况，本实施例由电子设备执行。结合图1，本实施例提供的方法具体包括：s10、获取待处理的极化sar数据的c矩阵和pwf结果。
17.本实施例中的极化sar数据可以理解为由极化sar数据构成的sar图像。本实施例将对所述待处理的极化sar数据进行处理，提取出该极化sar数据中的建筑物区域。
18.极化sar数据的c矩阵能够提供建筑物结构的内部散射信息，用于提取建筑物的内部结构信息。具体来说，建筑物的散射机制主要是由垂直墙和地面构成的二面体结构的二次散射，同一建筑物对不同极化方式显现出不同的后向散射信息。同极化（hh/vv）相比交叉极化（hv/vh）的渗透能力强，自然地物对同极化产生较强的的后向散射，若成像则在图像上表现出高亮的性质。
19.一方面，sar数据的极化特性可能会多种场景下的目标漏检，例如，对于存在多类型材质建筑的复杂大场景sar图像，建筑物本身存在多尺度特性，一些小区域以及后向散射较弱的低层建筑区域容易漏检；又例如，对于港口船舶、植被、山地区域等具有与建筑物相似的后向散射强度与纹理特征，容易造成误检。另一方面，在结构信息判断方面，仅利用单极化的sar图像，难以准确判读地物类型，例如低矮灌木丛和建筑物区域。
20.鉴于以上两方面原因，本技术使用极化sar数据的c矩阵来提供不同极化方式的极化散射信息。sar数据本身具备的多极化性质可以更全面地获取目标的电磁散射信息。
21.pwf结果使得sar数据中的噪声被抑制，包括乘性噪声，增强了目标区域边缘与结构纹理特征，用于提取建筑物区域的边界信息。极化白化滤波（polarimetric whitening filter，pwf）是一种专门应用于极化sar数据的目标增强方法，采用滑窗方式对极化sar数据进行滤波，是中心像素目标与杂波目标的对比增强过程。
22.s20、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。
23.第一深度语义提取网络和第二深度语义提取网络用于提取输入特征的深度语义特征，二者的网络结构及网络参数可以相同也可以不同。图2是本发明实施例提供的一种极化sar建筑物区域提取的网络模型的结构示意图，以网络模型的形式显示了上述sar建筑物区域提取方法的主要环节。参照图2，第一深度语义提取网络和第二深度语义提取网络形成双路网络，分别对c矩阵和pwf结果进行深度语义提取，得到多层级的极化特征和多层级的pwf特征。每一层级对应不同的特征尺度和特征深度；层级越高，特征尺度越大，特征深度越高。
24.需要说明的是，所述第一深度语义提取网络和所述第二深度语义提取网络输出的同级特征的尺寸相同，即同一层级的极化特征和pwf特征尺寸相同，便于进行同一层级的双路特征融合。
25.可选地，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。相应地，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。
26.可选地，所述第二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。相应地，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，包括：将所述pwf结果作为上一层pwf特征，将第一层densenet结构作为当前层densenet结构；将所述上一层pwf特征输入当前层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当前层densenet结构的层密集卷积模块，得到当前层pwf特征；将所述当前层pwf特征作为上一层pwf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pwf特征输入当前层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pwf特征。
27.图3是本发明实施例提供的深度语义提取网络的结构示意图。如图3所示，深度语义提取网络包括3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。输入特征输入第一层densenet结构的卷积与池化模块后，依次通过第一层densenet结构的密集卷积模块、第二层densenet结构的卷积与池化模块和密集卷积模块，以及第三层densenet结构的卷积与池化模块和密集卷积模块，每一层的密集卷积模块输出一个层级的输出特征。
28.如果图3中的深度语义提取网络为第一深度语义提取网络，则输入特征为c矩阵，三层输出特征为三层极化特征。如果图3中的深度语义提取网络为第二深度语义提取网络，则输入特征为pwf结果，三层输出特征为三层pwf特征。
29.s30、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。
30.可选地，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。由于所述第一深度语义提取网络和所述第二深度语义提取网络输出的同级特征的尺寸相同，因此同一层级的极化特征和pwf特征的通道数相同，可以进行通道维度的连接，实现每一层级的双路特征融合。经过通道维度的连接之后，每一层级的双路融合特征的通道数量为两路深度语义提取网络的同级特征通道数的加和。
31.s40、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。
32.s30完成了同一层级的双路特征的融合，s40首先进行层级间的特征融合。具体来说，随着层级的增加，所述多层级的双路融合特征的尺寸逐渐减小，分辨率也逐渐减小。因此，采用上采样方法对不同层级的双路融合特征进行上采样，使得采样后的图像尺寸逐级增大，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。
33.然后，根据层间融合特征进行像素级预测，得到与待处理的极化sar数据等尺寸的建筑物区域提取结果。
34.本实施例的技术效果：1. 本实施例采用极化sar数据获取全面的目标电磁散射信息，并将深度学习应用到极化sar数据建筑物区域提取任务中，通过c矩阵提取不同极化方式下建筑物结构的内部散射信息，通过pwf结果提取建筑物区域的边界信息，可多方面提取建筑物区域的边界、位置与结构细节，提升提取精度。
35.2. 本实施例先采用双路深度语义提取网络相互独立地提取极化sar数据的多层级双路特征；再通过特征连接进行特征的双路融合，使得建筑物内部结构特征和边界特征的融合都能在融合特征中都能得到体现；利用上采样进行特征的多层级融合，使得不同尺度的特征都能在融合特征中得到体现，有利于准确提取建筑物区域的位置与形状；3. 本实施例将densenet作为深度语义提取模块的主干网络，通过密集连接结构在提升网络运行效率的同时，提取建筑物更深层次的纹理特征信息，促进极化sar建筑物区域的精细提取；densenet内部的特征复用与整体网络上采样阶段的多层级特征融合，解决了建筑物区域多尺度分布问题。
36.4. 本实施例可以实现复杂大场景极化sar数据建筑物区域快速提取，在视觉效果、建筑物区域提取精度与效率方面都具有优越性。
37.在上述实施例和下述实施例的基础上，本实施例对深度语义网络进行细化。参照图2，下面将按照输入特征的处理顺序对深度语义网络的各模块进行介绍。
38.（一）第一层densenet结构的卷积与池化模块可选地，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大卷积核。例如，5
×
5卷积。
39.第一层densenet结构的卷积与池化模块用于初步提取极化数据的语义信息，使用大卷积核获得较大范围感受野，获取全局特征，初步获得建筑物目标区域大致范围。
40.（二）密集卷积模块可选地，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（bach normalization，bn），线性整流函数（rectified linear unit，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。
41.密集卷积模块用于提取深度特征，有效地运用了特征复用，加强了特征传递，同时减轻了梯度消失问题，极大地减少了参数数量，提升了网络效率。
42.具体来说，密集卷积模块从特征入手提升卷积神经网络的效果，通过对特征的极致利用达到更好的效果和更少的参数。图3是本发明实施例提供的密集卷积模块的结构示意图。如图3所示，在传统的卷积神经网络中，如有m个层，那么就会有m个连接，但是在密集卷积模块中则存在m(m 1)/2个连接，每一层都将前面所有层输出的特征图作为输入，即：
ꢀꢀ
(1)其中，m表示层；xm表示m层的输出；j表示非线性变换；表示将0到m-1层输出的特征图进行通道合并连接。所述非线性变换包含bn、relu和卷积（conv）
操作，简写为bn-relu-conv。可选地，所述非线性变换包括：顺序连接的bn-relu-conv(1
×
1)和bn-relu-conv(3
×
3)，即在每个3
×
3卷积模块前均加入1
×
1的卷积模块，用于减少特征图数量，通过通道降维减少计算量，高效融合各通道特征。
43.此外，密集卷积模块还减轻了梯度消失问题，极大地减少了参数数量，提升了网络效率。具体来说，梯度消失问题在网络越深的时候越容易出现，原因在于输入信息和梯度信息会在很多层之间传递，而密集卷积模块将特征密集连接，相当于每一层都直接连接输入和目标损失函数，因此在深化网络深度的同时，大大减轻了梯度消失的情况。密集卷积模块在保证网络中层与层之间最大程度的信息传输前提下，直接将所有层连接起来，更有效地运用了特征复用，加强了特征传递。同时，在通道维度将网络窄化，极大地减少了参数数量，提升了网络运行效率。
44.（三）第n层densenet结构的卷积与池化模块（n为大于1的自然数）可选地，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。
45.第n层densenet结构的卷积与池化模块用于进一步压缩参数，减少特征图通道数量，在降维的同时实现进一步特征融合。
46.具体来说，第n层densenet结构的卷积与池化模块位于每两个密集卷积模块之间，包括一个bn-relu-conv(1
×
1)卷积操作与一个2
×
2平均池化操作，在提取高级语义信息的同时，压缩了参数数量，提升网络运行效率。1
×
1的卷积实现特征图通道数的压缩，在降维的同时实现进一步特征融合。2
×
2平均池化操作降低了特征图的分辨率，缩小了图像尺寸，获取了数据高级语义特征，为后续同级特征连接与上采样做好准备。
47.需要说明的是，上述任一实施例提供的网络结构适用于第一深度语义提取网络，也适用于第二深度语义提取网络。当本发明设计的双路深度语义提取网络具有相同的网络结构时，它们的网络参数仍相互独立，可以相同也可以不同。
[0048] 在上述实施例和下述实施例的基础上，本实施例对特征融合和区域提取的过程进行细化。
[0049]
（一）双路特征融合可选地，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。
[0050]
本步骤完成了同一层级双路特征的融合，具体的融合方法为：其中，x表示待处理的极化sar数据的通道数量，x1表示任一层级的极化特征的通道数量，x2表示所述任一层级的pwf特征的通道数量，x
1
x2表示所述任一层级的双路融合特征的通道数量；feature
d1
(x
→
x1)表示所述任一层级的极化特征，feature
d2
(x
→
x2)表示所述任一层级的pwf特征，feature
out
(x
→
x1 x2)表示所述任一层级的双路融合特征；表示特征图通道叠加，即沿通道维度连接。
[0051]
图5是本发明实施例提供的同一层级双路特征融合的示意图。如图5所示，经过所
述通道层面融合之后，特征图通道数量为两路深度语义提取模块同级特征通道数的加和。假设第一深度语义提取网络与第二深度语义提取网络得到的不同层级特征图的通道数为[64, 128, 256, 512]和[16, 32, 64, 128]，则融合过后的不同层级特征图的通道数为[80, 160, 320, 640]。将融合过后的不同层级特征图暂存于同级特征连接模块中，为后续上采样阶段特征叠加模块做准备。
[0052]
（二）多层级特征融合可选地，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，相应地，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。
[0053]
通过上采样和不同层级的融合特征相加，将语义提取阶段的低分辨率特征图映射到原始输入数据的尺寸，为后续像素级分类器做准备。
[0054]
在一具体实施方式中，如果第n池化模块包括2
×
2平均池化操作，所述多层级的双路融合特征的尺寸按照1/2的比例递减，则所述上采样操作采用2倍反卷积操作。相应地，在进行多层级特征融合时，首先将最后一层尺寸最小的双路融合特征f1进行上采样操作与卷积操作，采样后的双路融合特征f11为最后一层双路融合特征f1的2倍，与倒数第二层的双路融合特征f2的尺寸相同。将采样后的双路融合特征f11与倒数第二层的双路融合特征f2的进行通道连接，随后进行上采样操作与卷积操作，采样后的双路融合特征f21为倒数第二层双路融合特征f2的2倍，与倒数第三层的双路融合特征f3的尺寸相同。将采样后的双路融合特征f21与倒数第三层的双路融合特征f3进行通道连接，随后进行上采样操作与卷积操作。以此类推，不断重复，直至将采样后的双路融合特征与第一层双路融合特征进行通道融合，得到最终的采样后的双路融合特征。然后，对最终的采样后的双路融合特征继续进行上采样操作，得到所述层间融合特征，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。
[0055]
可选地，所述上采样操作包括顺序连接的2倍反卷积操作和卷积操作，所述卷积操作为bn-conv(3
×
3)-relu。conv(3
×
3)的作用是将通道叠加后的特征进一步融合。
[0056]
（三）提取建筑物区域可选地，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：对所述层间融合特征进行1
×
1卷积操作，得到单通道融合特征；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。
[0057]
具体来说，首先过1
×
1卷积进行通道维度降维，输出单通道融合特征，该特征中融合了双路特征和多层级特征，使得建筑区域内部结构特征、边界特征以及多尺度特征均有所体现。然后采用像素级分类器对单通道融合特征进行sigmoid归一化操作，将整体的问题
转换为逐像素的概率预测问题，生成每个像素值在0~1的预测概率图。
[0058]
可选地，预测每个像素属于建筑物区域的概率之后，根据以下公式得到与待处理的极化sar数据相同尺寸的结果特征：其中，y'表示每个像素点的预测概率；result表示每个像素点的分类结果，result =1表示该像素点属于建筑物区域，result =0表示该像素点属于背景区域。本实施例以概率值判别每个像素所属区域语义类别。经过sigmoid归一化之后，将概率值大于0.5的像素点置1，其余像素点置0，最终得到极化sar数据建筑物区域提取的二值结果图。
[0059]
在上述实施例和下述实施例的基础上，本实施例对整个网络模型的训练过程进行细化。可选地，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。
[0060]
原始第一深度语义提取网络和原始第二深度网络指网络参数未经训练的深度语义提取网络。本实施例采用标注好的多组极化sar训练数据，对上述实施例提供的极化sar建筑物区域提取方法构成的整个网络模型进行训练，以更新第一深度语义提取网络和第二深度语义提取网络的网络参数，使训练后的整个网络模型得到的建筑物区域提取结果与标注结果一致。
[0061]
具体来说，整个网络模型的训练过程分为以下几个阶段：（一）训练数据标注对多组极化sar训练数据进行像素级建筑物区域标注，其中，每组极化sar训练数据代表一幅sar图像。由于sar散射成像机制，同时复杂场景中建筑物散射强度各不相同，较难从图像中精细判读建筑物区域。因此在数据标注过程中依据同地区的谷歌地球（google earth）光学图像，参照光学卫星图像进行像素级标注，将建筑物区域标注1，背景区域标注0，生成标注结果图。
[0062]
（二）训练数据预处理对每组极化sar训练数据进行几何校正、去噪等预处理，得到每组极化sar训练数据的c矩阵。对每组极化sar训练数据进行pwf处理，得到每组极化sar训练数据的pwf结果。
[0063]
（三）网络模型训练将每组极化sar训练数据的c矩阵输入原始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，将每组极化sar训练数据的pwf结果输入原始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。
[0064]
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。
[0065]
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每组极化sar训练数据的像素级预测概率。
[0066]
根据每组极化sar训练数据的像素级预测概率和标注结果，构建如下损失函数：其中，y=1或0，表示标注结果。该函数对交叉熵损失进行了改进，能够解决正负样本数量不均衡的问题。具体来说，建筑物区域与背景样本的数量差距很大，因此设定参数η来控制正负样本对总loss的权重，正样本数量少，就相对提升正样本的权重，以此缩减样本不均衡带来的影响。调制系数α使得模型更关注于难分样本。
[0067]
本实施例采用公式（4）所示的损失函数，有效地解决了建筑物区域与背景样本分布不均衡的问题。
[0068]
可选地，η=0.8，α=2。整个网络模型的训练过程可以在ubuntu操作系统，geforce rtx 2080ti gpu上进行。训练过程采用随机梯度下降实现优化，初始学习率=0.001，使用大小为4的批量处理，网络参数衰减迭代100轮。本实施例也可以使用pytorch深度学习框架编写。
[0069]
可选地，本实施例采用f1-score评价上述任一实施例提供的极化sar建筑物区域提取方法的性能。具体来说，本实施例将每一个像素点作为一个样本（包括正样本和负样本）进行分类，会出现以下几种情况：truepositive：把本来是正样本的分类成正样本；falsepositive：把本来是负样本的分类成正样本；falsenegative：本来是正样本的分类成负样本；truenegative：本来是负样本的分类成负样本。
[0070]
对准确率（precision）和召回率（recall）的定义如下：f-score的定义如下：所以f1-score就是当δ=1时的f-score，即召回率与准确率同等重要,具体公式如下：f1-score越高，表明框架的性能越好。
[0071]
图6为本发明实施例提供的一种电子设备的结构示意图，如图6所示，该设备包括处理器50、存储器51、输入装置52和输出装置53；设备中处理器50的数量可以是一个或多个，图6中以一个处理器50为例；设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图6中以通过总线连接为例。
[0072]
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种极化sar建筑物区域提取方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的一种极化sar建筑物区域提取方法。
[0073]
存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0074]
输入装置52可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
[0075]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的一种极化sar建筑物区域提取方法。
[0076]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（ram）、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0077]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0078]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0079]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如python、java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
[0080]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。