WO2015041295A1 - 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 - Google Patents
地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 Download PDFInfo
- Publication number
- WO2015041295A1 WO2015041295A1 PCT/JP2014/074699 JP2014074699W WO2015041295A1 WO 2015041295 A1 WO2015041295 A1 WO 2015041295A1 JP 2014074699 W JP2014074699 W JP 2014074699W WO 2015041295 A1 WO2015041295 A1 WO 2015041295A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- type
- ground surface
- vector
- position vector
- relationship
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9076—Polarimetric features in SAR
Definitions
- the present invention relates to a ground surface classification method, a ground surface classification program, and a ground surface classification device, and more specifically, from an irradiation wave irradiated to a plurality of areas of the ground surface and a scattered wave obtained by irradiation of the irradiation wave.
- a ground type classification method, a ground type classification program, and a ground type classification that classify ground types of a plurality of regions based on type relationship learning that learns a type relationship that is a relationship between radio wave information and a ground type. Relates to the device.
- this kind of surface classification method is based on natural information using the polarization information of radio waves emitted from the satellite or aircraft to the ground surface and the polarization information of scattered waves from the ground surface obtained by the emission of these radio waves.
- a method for determining the terrain and the artificial terrain has been proposed (see, for example, Patent Document 1).
- This method uses the covariance matrix (Covariance Matrix, hereinafter referred to as “C matrix”) of each variability of the scattering matrix obtained by modeling the scattering of the ground surface into the scattering of the natural terrain and the scattering of the urban area.
- the natural terrain and the artificial terrain are classified by determining the terrain and the artificial terrain.
- the ground surface type classification method, the ground surface type classification program, and the ground surface type classification device of the present invention are mainly intended to classify ground surface types with high accuracy.
- ground surface type classification method employs the following means in order to achieve the main purpose described above.
- the ground surface classification method of the present invention is: Input radio wave information consisting of an irradiation wave irradiated to a plurality of areas on the ground surface and scattered waves obtained by the irradiation of the irradiation wave, and learn a type relationship that is a relationship between the radio wave information and the surface type.
- the ground surface type classification method for classifying the ground surface types of the plurality of regions based on type relationship learning
- the type relationship learning a position vector of Poincare spheres of polarization information for a plurality of regions and a variation vector indicating a variation from a position vector of a neighboring region of the position vector are expanded to a plurality of four quaternions.
- the gist is to learn the type relationship by using a neural network with an elemental vector as an input value.
- radio wave information consisting of an irradiation wave irradiated to a plurality of areas of the ground surface and a scattered wave obtained along with the irradiation of the irradiation wave is input, and the radio wave information and the ground surface type are input.
- the ground surface types of a plurality of regions are classified based on the type relationship learning for learning the type relationship which is Type relationship learning is a method of expanding a quaternion vector obtained by extending a position vector in the Poincare sphere of polarization information for a plurality of regions and a variation vector indicating a variation of the position vector from a neighboring position vector to a quaternion.
- the type relationship is learned using a neural network as an input value. Since the position vector and the variation vector reflect the polarization information, the type relationship can be properly learned by learning the type relationship using the position vector and the variation vector. Further, since the type relationship is learned using both the position vector and the variation vector, the type relationship can be learned more appropriately as compared with the case where only one of the position vector and the variation vector is used. Furthermore, since the type relationship is learned using a neural network using a plurality of quaternion vectors obtained by expanding the position vector and the variation vector to a quaternion, the type relationship can be learned appropriately. By classifying the ground surface types of a plurality of regions based on the properly learned type relationship in this way, the ground surface types can be classified with high accuracy.
- the type relationship learning is performed by causing each component of the position vector to correspond to three imaginary parts and the first value to correspond to the real part as the input value.
- a quaternion position vector obtained by expanding a vector to a quaternion, and each component of the variation vector are made to correspond to three imaginary parts and a second value is made to correspond to a real part to make the variation vector a quaternion.
- an extended quaternion variation vector is learned more appropriately.
- the “first value” can be determined as appropriate, and a value of 0 is particularly preferable.
- the “second value” can be determined as appropriate, and the value of 0 is particularly preferable.
- the type relationship learning is learning performed using a position vector in a Poincare sphere of polarization information for a region where a predetermined ground surface type is known as the position vector, Based on the type relationship in the type relationship learning and the input radio wave information, the degree of relevance for each surface type of the plurality of regions is calculated, and based on the calculated degree of relevance for each surface type The ground surface types of a plurality of areas may be classified. Since the type relationship learning is performed using the position vector in the Poincare sphere of polarization information for a known region, the type relationship can be learned more appropriately. Since the ground type is classified using the learned type relationship, the ground type can be classified with higher accuracy.
- the type relationship learning is performed when the irradiation wave is set to one of a horizontally polarized wave and a vertically polarized wave as the input value, and when the irradiation wave is a 45 degree polarized wave and ⁇ 45
- the three positions in each of the polarization state of one degree of polarization and the polarization state of the left-handed circular polarization and right-handed circular polarization of the irradiation wave It is also possible to include six quaternion vectors obtained by extending the vector and the three variation vectors to quaternions.
- the type relation learning is a value of 0. It is also possible to input a threshold vector, which is a quaternion in which the third value that does not correspond to the real part and the value 0 corresponds to the three imaginary parts, as the threshold value of the neural network.
- the “third value” can be determined as appropriate, and is particularly preferably a value of ⁇ 1.
- the region type includes n different types of area types. It is also possible that the neural network has the n vectors whose inner products are 0 as the output values expected for the input values. In this way, it is possible to classify the surface type more appropriately.
- the ground surface types may include at least four types of lake, grassland, forest, city, and desert. In this way, it is possible to classify a plurality of areas on the ground surface into at least four types of lakes, grasslands, forests, towns, and deserts.
- the ground surface classification program of the present invention is A ground type classification program for classifying ground types of a plurality of areas of the ground surface,
- a radio wave information input module for inputting radio wave information composed of an irradiation wave irradiated to a plurality of regions of the ground surface and a scattered wave obtained by the irradiation of the irradiation wave;
- Multiple quaternion vectors obtained by extending the position vector of the polarization information for multiple areas in the Poincare sphere and the variation vector indicating the variation from the position vector of the neighboring area of the position vector to a quaternion
- a type relationship learning module that learns a type relationship that is a relationship between the radio wave information and the surface type using a neural network
- a ground surface type classification module for classifying the ground surface types of the plurality of regions based on the learned type relationship; It is a summary to provide.
- radio wave information consisting of irradiation waves irradiated to a plurality of areas of the ground surface and scattered waves obtained by irradiation of the irradiation waves is input, and polarization information for the plurality of areas is input.
- Type relationship using a neural network with multiple quaternion vectors obtained by expanding the position vector in the Poincare sphere of the quaternion and the variation vector indicating the variation of the position vector from the position vector of the neighboring area into a quaternion To learn. Since the position vector and the variation vector are values that reflect the polarization information, the type relationship can be properly learned by learning the type relationship using the position vector and the variation vector.
- the type relationship is learned using both the position vector and the variation vector, the type relationship can be learned more appropriately as compared with the case where only one of the position vector and the variation vector is used. Furthermore, since the type relationship is learned using a neural network using a plurality of quaternion vectors obtained by expanding the position vector and the variation vector into a quaternion, the type relationship can be learned more appropriately. Then, the ground surface types of the plurality of regions are classified based on the learned type relationship. Since the ground surface types of a plurality of regions are classified based on the properly learned type relationship, the ground surface types can be classified with high accuracy.
- the ground surface classification apparatus of the present invention is A ground type classification device that classifies ground types of a plurality of areas of the ground surface,
- a radio wave information input unit for inputting radio wave information composed of an irradiation wave irradiated to a plurality of areas on the ground surface and a scattered wave obtained by irradiation of the irradiation wave;
- Multiple quaternion vectors obtained by extending the position vector of the polarization information for multiple areas in the Poincare sphere and the variation vector indicating the variation from the position vector of the neighboring area of the position vector to a quaternion
- a type relationship learning unit that learns a type relationship that is a relationship between the radio wave information and the surface type using a neural network
- a ground surface type classification unit for classifying the ground surface types of the plurality of regions based on the learned type relationship; It is a summary to provide.
- radio wave information including irradiation waves irradiated to a plurality of areas on the ground surface and scattered waves obtained by irradiation of the irradiation waves is input, and polarization information for the plurality of areas is input.
- Type relationship using a neural network with multiple quaternion vectors obtained by expanding the position vector in the Poincare sphere of the quaternion and the variation vector indicating the variation of the position vector from the position vector of the neighboring area into a quaternion To learn. Since the position vector is the polarization information itself, the type relationship can be properly learned by learning the type relationship using the position vector.
- the type relationship is learned using both the position vector and the variation vector, the type relationship can be learned more appropriately as compared with the case where only one of the position vector and the variation vector is used. Furthermore, since the type relationship is learned using a neural network using a plurality of quaternion vectors obtained by expanding the position vector and the variation vector into a quaternion, the type relationship can be learned more appropriately. Then, the ground surface types of the plurality of regions are classified based on the learned type relationship. Since the ground surface types of a plurality of regions are classified based on the properly learned type relationship, the ground surface types can be classified with high accuracy.
- FIG. 12 is a reference diagram illustrating an example of a final output Pout-type for each local table type. It is the schematic diagram which expressed the self-organization map in the feature-value space showing a polarization state. It is the model which expressed the self-organization map in the SOM space showing the connection condition of a neuron. It is a flowchart which shows an example of the surface classification classification program 150 performed by CPU32.
- FIG. 1 is a configuration diagram showing an outline of a configuration of a synthetic aperture radar system 10 including a ground surface classification device 30 as a first embodiment of the present invention.
- the synthetic aperture radar system 10 includes an artificial satellite 20 and a ground surface type classification device 30 that inputs various information from the artificial satellite 20 and classifies the ground surface into one of lake, grassland, forest, and city. .
- the artificial satellite 20 irradiates a plurality of regions on the surface with laser light, detects scattered light of the irradiated laser light, and detects the irradiation position of the laser light, the polarization information of the irradiated laser light, and the polarization of the scattered light.
- Various kinds of data such as PolSAR (Polarimetric Synthetic Apertture ⁇ Radar) image data including information are output to the ground surface classification device 30.
- the ground surface classification device 30 communicates information from a well-known CPU 32, ROM 34, RAM 36, hard disk drive (HDD) 38, input / output processing circuit 40, and satellite 20 connected via a bus 31.
- a receiving circuit 42 is provided.
- a receiving circuit 42 To the input / output processing circuit 40, a receiving circuit 42, a disk drive device 43, a keyboard 44, and a mouse 45 are connected so that data can be input, and a display 46 that outputs information is connected so that data can be input and output.
- the HDD 38 stores a ground surface classification program 50 installed as application software.
- the ground surface type classification program 50 includes a PolSAR image input module 52 that inputs PolSAR image data from the artificial satellite 20, a type relationship learning module 54 that learns a type relationship that is a relationship between the PolSAR image data and the type of the ground surface, It is composed of a ground surface type classification module 56 that classifies the ground surface type of each region of the ground surface based on the type relationship learned by the relationship learning module 54.
- FIG. 2 is a flowchart showing an example of the ground surface type classification program 50 executed by the CPU 32.
- the surface classification classification program 50 is written by the CPU 32 at a predetermined address in the RAM 36 when the execution is instructed by the user. Then, the CPU 32 reads and executes the ground surface type classification program 50 written in the RAM 36.
- the CPU 32 When the ground surface classification program 50 is executed, the CPU 32 first executes a process of inputting PolSAR image data from the artificial satellite 20 (step S100), and a position vector Pv, which will be described later, is changed from the input PolSAR image data. Based on the set position vector Pv, the input vector Xi obtained by expanding the set position vector Pv and the variation vector Vv to a quaternion, and the type relationship learned in advance, the observed area is defined as a lake and grass (grass) ), Forest, town (town) (step S110).
- the explanation of the ground surface type classification program 50 is interrupted, and the learning of the position vector Pv, the fluctuation vector Vv, the quaternion, and the type relationship will be described.
- the position vector Pv and the variation vector Vv will be described.
- the irradiation wave Iw is expressed by using the normalized Jones vector represented by Expression (1)
- the scattered wave Rw can be expressed by Expression (2) using the scattering matrix S
- the Jones coherence matrix J is expressed by Expression (3).
- ⁇ > indicates that they are averaged temporally or spatially.
- the averaged Stokes vector is calculated by Equation (4) based on the Jones coherence matrix J.
- the averaged Stokes vector includes polarization information of the scattered wave from the ground surface, and the degree of polarization (Degree of Polarization) DoP is calculated using Equation (5). Since the Jones coherence matrix J is a complex Hermitian semi-definite matrix,
- the reflected wave is completely polarized when the degree of polarization Dop is 1, and is completely unpolarized when the degree of polarization DoP is 0, and the degree of polarization Dop is greater than 0. When the value is less than 1, it is partially polarized.
- the averaged Stokes vector can be expressed as one point on the Poincare sphere or in the Poincare sphere, and the position coordinates (x, y, z) of this point can be expressed by Equation (6).
- the position vector Pv can be obtained for each pixel in the PolSAR image, and indicates an average state of polarization.
- the variation between the position vector Pv and the position vector Pv of the pixel in the vicinity of the position vector Pv is calculated by the equation (7) as an average deviation.
- N is the number of pixels used for one calculation
- x, y, and z are average values of x in a plurality of pixels used for one calculation.
- the variation vector Vv indicates the distribution of the position vector Pv in the Poincare sphere.
- the position vector Pv and the variation vector Vv are named “Poincare sphere parameters”.
- FIG. 3 is an explanatory diagram showing a satellite photograph of the Fuji Susono area and a drawing sketched for each type of satellite photograph.
- four black squares indicate the observation areas of the lake, grassland, forest, and city (hereinafter referred to as “Group 1”), and four white squares indicate the lake, grassland, forest, and city.
- Each observation area (hereinafter referred to as “Group 2”) is shown.
- Each square includes 40 ⁇ 40 observation areas.
- the Jones coherence matrix J is derived from the above-described equation (3).
- the Jones coherence matrix J is derived as a spatial average value.
- the relationship between the window size and the average polarization degree was examined using the PolSAR image data of groups 1 and 2.
- FIG. 4 shows the relationship between the number of pixels on one side of the observation area and the average polarization degree.
- the window size is 5 ⁇ 5
- the window size is 9 ⁇ 9.
- the average polarization degree becomes a constant value when the window size is larger than 5 ⁇ 5.
- the window size for obtaining the position vector Pv is set to 5 ⁇ 5.
- the relationship between the window size and the norm of the variation vector Vv was examined using the PolSAR image data of groups 1 and 2.
- FIG. 5 shows the relationship between the number of pixels on one side of the observation region and the norm of the variation vector Vv.
- the magnitude of the variation vector Vv becomes a constant value when the window size is larger than 9 ⁇ 9. Therefore, in the embodiment, the window size for obtaining the variation vector Vv is set to 9 ⁇ 9.
- FIG. 6 is an explanatory diagram showing the position vector Pv of the scattered wave when the irradiation wave is horizontally polarized
- FIG. 7 is an explanatory diagram showing the fluctuation vector Vv of the scattered wave when the irradiation wave is horizontal polarization.
- FIG. 8 is an explanatory diagram showing the position vector Pv of the scattered wave when the irradiation wave is 45-degree polarized wave
- FIG. 9 shows the fluctuation vector Vv of the scattered wave when the irradiation wave is 45-degree polarized wave
- FIG. 10 is an explanatory diagram showing a position vector Pv of the scattered wave when the irradiation wave is left-handed circularly polarized wave
- FIG. 11 is a diagram of the scattered wave when the irradiation wave is left-handed circularly polarized wave. It is explanatory drawing which shows the fluctuation vector Vv.
- the position vector Pv and the variation vector Vv show different distributions on the graph if the types are different, and the position vector Pv and the variation vector Vv do not have the same distribution. Therefore, by classifying the type of the ground surface using both the position vector Pv and the variation vector Vv, it is possible to classify the ground surface type with higher accuracy than that using either the position vector Pv or the variation vector Vv.
- the quaternion p is a four-dimensional number composed of one real part and three imaginary parts of bases i, j, and k that are orthogonal to each other. Can be expressed as a vector of In Equation (8), p e , p i , p j, and p k are real numbers.
- the quaternion bases i, j, k follow the Hamilton rule shown in equation (9).
- FIG. 12 is a block diagram for explaining the configuration of a quaternion neural network used for type relationship learning.
- a supervised learning is performed using a neural network to learn the relationship between the Poincare sphere parameters and the type of the ground surface.
- the number of hidden layer neurons is 8
- the number of output layer neurons is 4
- the threshold nodes of the input layer and hidden layer are ( ⁇ 1, 0, 0), respectively. , 0).
- FIG. 13 is a flowchart illustrating an example of the type relationship learning routine.
- the teacher learns from the PolSAR image data of four regions whose types of lake, grassland, forest, and town are known when the irradiation wave is horizontally polarized wave, 45 degree polarized wave, and left-handed circularly polarized wave.
- Input data X in i-lake, X in i-grass, X in i-forest, X in i- which is obtained by selecting data and connecting the position vector Pv and variation vector Vv of the selected teacher data as components.
- the process of setting to “down” (hereinafter, one of these four may be described as “X in i-type”) is executed (step S200).
- i indicates i-th teacher data for various types of lakes, grasslands, forests, and towns.
- the input vector X in i-type represents each component of the position vector Pv when the irradiation wave is a horizontally polarized wave, 45 degree polarized wave, and left-handed circularly polarized wave.
- a quaternion position vector x H , x 45 °, x lc obtained by extending the position vector Pv to a quaternion by corresponding to three imaginary parts and a value 0 corresponding to one real part, and a variation vector Vv
- the quaternion variation vectors ⁇ H , ⁇ 45 °, ⁇ lc, in which the variation vector Vv is expanded to a quaternion by associating each component with three imaginary parts and the value 0 with one real part, are connected. It was supposed to be a thing.
- X in i-type [x H , ⁇ H , x 45 °, ⁇ 45 °, x lc , ⁇ lc ] (14)
- x H (0, x, y, z) H
- ⁇ H (0, ⁇ x, ⁇ y, ⁇ z) H
- x 45 ° (0, x, y, z) 45 ° ...
- ⁇ 45 ° (0, ⁇ x, ⁇ y, ⁇ z) 45 ° ...
- x lc (0, x, y, z) lc (19)
- ⁇ lc (0, ⁇ x, ⁇ y, ⁇ z) lc (20)
- a coupling load w described later is set to a predetermined initial value and expected output vectors D lake , D grass , D forest, D town is set (step S210).
- the expected output vectors D lake , D grass , D forest, and D town are expressed by equation (21) so that any two of the expected output vectors D lake , D grass , D forest, and D town are orthogonal to each other. It was supposed to be set.
- equation (21) so that any two of the expected output vectors D lake , D grass , D forest, and D town are orthogonal to each other. It was supposed to be set.
- the expected output vectors D lake , D grass , D forest, and D town it is possible to classify the surface type more appropriately.
- the processing of steps S220 to S250 is executed for each type of lake, grassland, forest, and town, and processing for adjusting the coupling load wi of the neural network is executed.
- the output vector Y is calculated using equation (22) with the i-th data among the teacher data of a certain type (for example, lake) as the input vector Xi (step S220).
- wi is a connection weight in the neural network for connecting the input vector Xi and the output vector Y.
- s is the initial state
- N is the number of input nodes
- an error value E is calculated using the equation (24), and the error value E is compared with a threshold err (for example, 5 ⁇ 10 ⁇ 4 ) (step S230) and step It is determined whether or not the number Nf indicating the number of times S220 has been executed is 100 (step S240).
- the number of times Nf is set to a value 0 as an initial value, and is a number that increases by 1 every time step S220 is executed.
- the value w old of the combined load wi is updated to the value w new using the equations (17) to (22) (step S250).
- the processes in steps S220 to S250 are repeated until the error value E becomes smaller than the threshold value err or the number of times Nf becomes 100.
- a description of subscripts and the like used in Expression (24) to Expression (28) is shown in FIG.
- the coupling load w is adjusted so that the output vector Y is close to the expected output vectors D lake , D grass , D forest, D town with respect to the input vector Xin whose type is known.
- Step S260 it is determined whether or not the processing of steps S220 to S250 is completed for the four types of lake, grassland, forest, and town ( (Step S260) If the processing of steps S220 to S250 is not completed for the four types, the type is changed (step S270) (for example, the type is changed from lake to grassland) and steps S220 to S250 are performed. Execute the process.
- the average Serr of the error values E obtained for the four types is calculated using the equation (29), It is checked whether or not the average Serr is equal to or greater than the threshold err (step S280).
- E i-lake , E i-grass , E i-forest , and E i-town are the error values E for each type used for the determination in step S230.
- step S280 When the average Serr is greater than or equal to the threshold err (step S280), when the target teacher data is not the last (Nth) data (when i ⁇ N), the processing of steps S220 to S260 is performed for the next teacher data (The value 1 is added to the integer i and the integer i is updated).
- the first teacher data is on the other hand
- step S290 the processing of steps S220 to S260 is executed (step S290).
- the processing of steps S220 to S290 is executed until the average Serr is less than the threshold err, and when the average Serr is less than the threshold err, this routine is terminated.
- the output vector Y of equation (22) is a value near the expected output vector D lake
- the output vector of equation (22) is a value near the expected output vector D grass
- the output vector of equation (22) is a value reflecting the ground surface type.
- the connection load wi associates the input vector Xi based on the Poincare sphere parameter with the output vector Y reflecting the ground surface type, and the connection load wi is learned in the type relationship learning process. Therefore, the type relationship learning process is a process of learning a type relationship that is a relationship between the radio wave information and the ground surface type. Since the position vector Pv and the variation vector Vv reflect the polarization information directly obtained from the PolSAR image data, the type relationship is more appropriately learned by learning the type relationship using the position vector Pv and the variation vector Vv. Can learn. Further, since both the position vector Pv and the variation vector Vv are used, more accurate learning can be performed. Furthermore, since the type relationship is learned using a neural network with the input vector X in i-type having the component of the position vector Pv and the variation vector Vv as input values, the type relationship is more appropriately learned. Can do.
- the description returns to the ground surface classification program 50 illustrated in FIG.
- PolSAR image data whose type is unknown from the artificial satellite 20 is input (step S100)
- the position vector Pv and variation vector of the PolSAR image data when the irradiation wave is horizontally polarized wave, 45 degree polarized wave, and left-handed circularly polarized wave.
- the region irradiated with the laser based on the input vector Xi having Vv as a component and the type relationship learned by the type relationship learning routine shown in FIG. 13 is one of lake, grassland, forest, and town. (Step S110).
- the classification of the type is based on the input vector Xi obtained from the PolSAR image data (the component is the same as X in i-type in equation (14)) and the connection weight wi obtained by learning shown in FIG. Is used to calculate the output vector Y according to the above equation (22), and using the output vector Y and the expected outputs D lake , D grass , D forest, D town , the error value Etype ( (type, lake, glass, forest, down) is calculated, and the final output Pout-type is calculated by the equation (30) using the error value Etype.
- the pixel is of a type close to the value 1, and if it is close to the value 0, it is not classified as that type. For example, if the final output Pout-lake is close to the value 1 and the final outputs Pout-glass, Pout-forest, Pout-town are close to the value 0, the pixel is classified as “lake” and the corresponding observation area is Classify as “Lake”.
- FIG. 15 is a diagram illustrating the values of the final outputs Pout-lake, Pout-glass, Pout-forest, and Pout-town, which are the results of classifying the surface type using the method of the embodiment for the Fuji Susono area illustrated in FIG. FIG.
- the upper left is the value of the final output Pout-lake in each region
- the upper right is the value of the final output Pout-glass in each region
- the lower left is the value of the final output Pout-forest in each region
- the lower right is the Pout in each region.
- -Town values are shown, and each value is expressed by shading so that the color becomes darker as the value 1 is approached.
- the ground surface type classification method of the embodiment can favorably classify the ground surface type.
- a type relationship is learned using a neural network using a plurality of quaternion vectors obtained by extending the position vector Pv and the variation vector Vv to a quaternion as an input vector Xi, and the ground surface type is determined using the learning result.
- the ground surface type can be classified with higher accuracy.
- a type relationship is established using a neural network with a plurality of quaternion vectors obtained by extending the position vector Pv and the variation vector Vv to a quaternion as an input vector Xi.
- the type relationship can be learned more appropriately. Thereby, it is possible to classify the ground surface type with higher accuracy.
- the ground surface is classified into four types, and expected outputs D lake , D grass , D forest, and D town whose inner products are 0 values are expected output values.
- the ground surface is classified into five types, and five expected output vectors D lake , D grass , D forest, and D town whose inner products have a value of 0 may be used as expected output values.
- the inner products may not have a value of 0.
- the threshold node of the neural network illustrated in FIG. 12 is set to ( ⁇ 1, 0, 0, 0), but the threshold node takes into consideration the degree of load of the arithmetic processing. Can be determined as appropriate.
- the ground surface type classification apparatus 130 as a second embodiment of the present invention will be described.
- the ground type classification program 50 of the first embodiment performs supervised learning using a neural network
- the ground type classification program 150 uses a neural network.
- the configuration is the same as that of the ground surface type classification apparatus 30 of the first embodiment except that unsupervised learning is performed. Therefore, in the ground surface classification device 130, the same components as those of the ground surface classification device 30 are denoted by the same reference numerals, and the description thereof is omitted.
- the ground type classification program 150 of the second embodiment self-organizes a plurality of quaternion vectors obtained by extending the position vector Pv and the variation vector Vv into quaternions as input vectors Xi, X in i-type as a neural network. Perform unsupervised learning using a map (self-organizig map: SOM) to classify pixel types.
- FIG. 16 is a schematic diagram expressing the self-organizing map in a feature amount space representing a polarization state
- FIG. 17 is a schematic diagram expressing the self-organizing map in an SOM space representing the connection state of neurons.
- FIG. 18 is a flowchart showing an example of the ground surface type classification program 150 executed by the CPU 32.
- the ground classification classification program 150 is executed, first, a process of inputting the PolSAR image data of the observation area is executed (step S300), and the combined loads wlake, wgrass, wforest for various types of lakes, grasslands, forests, and towns are executed.
- Wtown is set to a predetermined initial value, and an initialization process is performed to set a value 1 to an integer i indicating the i-th pixel in the target Poincare sphere (step S310).
- the created input vector Xi is input (step S320).
- the input vector Xi includes three components of position vectors Pv H , Pv 45 °, and Pv lc in each polarization state of horizontal polarization, 45 degree polarization, and left-hand circular polarization.
- a quaternion position vector x H , x 45 °, x lc is obtained by expanding the position vector Pv H , Pv 45 °, Pv lc to a quaternion by making the value 0 correspond to one real part, corresponding to the imaginary part.
- each component of the fluctuation vectors Vv H , Vv 45 °, and Vv lc of each polarization state of horizontal polarization, 45 degree polarization, and left-hand circular polarization correspond to three imaginary parts and a value 0 is one real number. It is assumed that the quaternion variation vectors ⁇ H , ⁇ 45 °, and ⁇ lc obtained by extending the variation vectors Vv H , Vv 45 °, and Vv lc to quaternions are made to correspond to each other. Since the integer i is now set to 1, the input vector Xi created from the PolSAR image data of the first pixel is input in the process of step S320.
- the distance (Xi, wc) between the input vector Xi shown in the equation (32) and each of the coupling loads wlake, wgrass, wforest, wtown is calculated, and the distance (Xi, wc) is calculated.
- the neuron having the smallest connection weights wlake, wgrass, wforest, wtown (closest to the input vector Xi) is determined as the winner neuron, and the i-th pixel is classified into the winner class cw (step S330).
- connection weight wlake is closest to the input vector Xi
- the neuron having the connection weight wlake is determined as the winner neuron, and the i-th pixel is classified as a lake.
- c is any one of rake, glass, forest, and town.
- step S340 the weights of the neuron wcw of the winner class cw and the two neurons in the vicinity of the neuron wc (neighboring neurons in the SOM space) wcw ⁇ 1 are updated using the equations (33) to (35) (step S340). . Then, it is checked whether or not the processing of steps S320 to S340 has been completed for all the observation pixels (step S350). If the processing of steps S320 to S340 has not been completed for all the pixels, the integer i is set. The integer i is updated to the value obtained by adding 1 (step S360), and the process returns to step S310.
- steps S320 to S340 when the processing of steps S320 to S340 has not been completed for all pixels, the processing of steps S320 to S340 is performed for the next pixel. Now, since the first pixel is considered, when the processing of steps S320 to S340 is completed for the first pixel, the processing of steps S320 to S340 is executed for the second pixel.
- wcw wcw + ⁇ (Xi ⁇ wcw) (33)
- wcw ⁇ 1 wcw ⁇ 1 + ⁇ (Xi ⁇ wcw) (34) 0 ⁇ ⁇ ⁇ ⁇ ⁇ 1 (35)
- step S350 When the processing of S320 to S340 is executed for all such pixels (step S350), the processing of S320 to S350 is performed for all the pixels Nitr times (one or more times. For example, 50 times, 100 times, 150 times) It is determined whether or not the process has been repeated (step S370). When the processing of S320 to S350 has not been repeated for all pixels for Nitr times, the integer i is set to a value 1 (step S380), and the processing of steps S320 to S350 is repeated from the first pixel to all pixels. On the other hand, when the processes of S320 to S350 are repeated Nitr times (step S370), this routine is terminated.
- PolSAR image data can be classified into one of the types of lake, grassland, forest, and city, that is, the surface area is classified into any type. Compared with those that are reasonably decomposed, it is possible to classify with higher accuracy.
- a neural network is used with an input vector Xi obtained by expanding a position vector Pv and a variation vector Vv obtained from PolSAR image data into a quaternion as an input value.
- an input vector Xi obtained by expanding a position vector Pv and a variation vector Vv obtained from PolSAR image data into a quaternion as an input value.
- step S330 it is determined that the neuron having the connection weights wlake, wglass, wforest, wtown that is the closest to the input vector Xi is the winner neuron. 36) or the similarity (Xi, wc) between the input vector Xi shown in the equation (37) and each of the coupling weights wlake, wgrass, wforest, wtown, and the coupling weight wlake, with the largest similarity (Xi, wc).
- a neuron having wgrass, wforest, wtown may be determined as a winner neuron.
- each component of the position vector Pv corresponds to three imaginary parts in the input vectors Xi and X in i-type, and the value 0 is one real part.
- the position vector Pv is expanded to a quaternion by making it correspond to, but each component of the position vector Pv is made to correspond to two imaginary parts and one real part, and the value 0 is made to correspond to the remaining imaginary part.
- a value different from the value 0 may be associated with the real part.
- each component of the variation vector Vv corresponds to three imaginary parts and a value 0 corresponds to one real part in the input vector X in i-type.
- the variation vector Vv is expanded to a quaternion by performing the above, but each component of the variation vector Vv is associated with two imaginary parts and one real part, and the value 0 is associated with the remaining imaginary part.
- the real part may be associated with a value different from 0.
- the input vector X in i-type is a position vector Pv when the irradiation wave is horizontally polarized wave, 45 degree polarized wave, and left circularly polarized wave
- the variation vector Vv is extended to a quaternion
- a vertical polarization may be used instead of a horizontal polarization
- a ⁇ 45 degree polarization may be used instead of a 45 degree polarization
- right-handed circular polarization may be used instead of left-handed circular polarization.
- the ground surface is classified into one of lake, grassland, forest, and town. It may be classified into at least four of forest, city, and desert, and the surface type may be classified as one of five among lake, grassland, forest, city, and desert. Also good.
- the light (wave source) emitted from the artificial satellite 20 is a microwave, but the wave source is not limited to the microwave, and millimeter waves, terahertz waves, light waves, etc. are used as the wave source. It doesn't matter.
- the ground type classification method in the embodiment, learning by the processing in steps S200 to S290 of the type relationship learning routine illustrated in FIG. 13 corresponds to “type relationship learning”.
- the PolSAR image input module 52 corresponds to the “radio wave information input module”
- the classification relation learning module 54 corresponds to the “class relation learning module”
- the ground classification classification module 56 is “ Corresponds to the “Surface type classification module”.
- the CPU 32 that executes the process of step S100 in FIG. 2 corresponds to the “radio wave information input unit”
- the CPU 32 that corresponds to the “learning unit” and executes the process of step S110 in FIG. 2 corresponds to the “ground type classification unit”.
- the present invention can be used for the manufacturing industry of the ground classification classification program and the ground classification classification apparatus.
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
人工衛星からのPolSAR画像データを入力する処理を実行し(ステップS100)、入力されたPolSAR画像データから後述の位置ベクトルPv,変動ベクトルVvを設定し、設定した位置ベクトルPv,変動ベクトルVvを四元数に拡張した入力ベクトルXiと予め学習されている種別関係とに基づいて、観測した領域を湖(lake),草地(grass),森(forest),街(town)のうちのいずれか1つの種別に分類する(ステップS110)。これにより、地表種別を精度良く分類することができる。
Description
本発明は、地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置に関し、詳しくは、地表の複数の領域に対して照射した照射波とこの照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、電波情報と地表種別との関係である種別関係を学習する種別関係学習に基づいて複数の領域の地表種別を分類する地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置に関する。
従来、この種の地表種別分類方法としては、人工衛星や航空機から地表に発射される電波の偏波情報とこの電波の発射に伴って得られる地表からの散乱波の偏波情報を用いて自然地形と人工地形とを判定するものが提案されている(例えば、特許文献1参照)。この方法では、地表の散乱を自然地形の散乱と都市部の散乱とにモデル化して得られた散乱行列の各変量の共分散行列(Covariance Matrix、以下「C行列」という)を用いて自然地形と人工地形との判定を行なうことにより、自然地形と人工地形とを分類している。
しかしながら、上述の地表種別分類方法では、地表の種類毎の散乱をどのようにモデル化するかによって、分類の精度が大きく変わってしまう。精度良く分類するためには、地表の散乱を表す行列を尤もらしく分解する必要があるが、一般に、こうした分解を一意的に行なうことが困難であるため、精度良く地表の種別を分類することができない場合がある。
本発明の地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置は、地表種別を精度良く分類することを主目的とする。
本発明の地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置は、上述の主目的を達成するために以下の手段を採った。
本発明の地表種別分類方法は、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、前記電波情報と地表種別との関係である種別関係を学習する種別関係学習に基づいて前記複数の領域の地表種別を分類する地表種別分類方法において、
前記種別関係学習は、複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記種別関係を学習する
ことを要旨とする。
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、前記電波情報と地表種別との関係である種別関係を学習する種別関係学習に基づいて前記複数の領域の地表種別を分類する地表種別分類方法において、
前記種別関係学習は、複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記種別関係を学習する
ことを要旨とする。
この本発明の地表種別分類方法では、地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、電波情報と地表種別との関係である種別関係を学習する種別関係学習に基づいて複数の領域の地表種別を分類する。種別関係学習は、複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、位置ベクトルの近隣の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて種別関係を学習する。位置ベクトルと変動ベクトルとは偏波情報を反映しているから、位置ベクトルと変動ベクトルとを用いて種別関係を学習することにより、適正に種別関係を学習することができる。また、位置ベクトルと変動ベクトルとの双方を用いて種別関係を学習するから、位置ベクトルおよび変動ベクトルのいずれか一方のみを用いるものと比較すると、より適正に種別関係を学習することができる。さらに、位置ベクトルと変動ベクトルとを四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて種別関係を学習するから、適正に種別関係を学習することができる。こうして適正に学習された種別関係に基づいて複数の領域の地表種別を分類することにより、地表種別を精度良く分類することができる。
こうした本発明の地表種別分類方法において、前記種別関係学習は、前記入力値として、前記位置ベクトルの各成分を3つの虚数部に対応させると共に第1の値を実数部に対応させることによって前記位置ベクトルを四元数に拡張した四元数位置ベクトルと、前記変動ベクトルの各成分を3つの虚数部に対応させると共に第2の値を実数部に対応させることによって前記変動ベクトルを四元数に拡張した四元数変動ベクトルと、を含むものとすることもできる。こうすれば、より適正に種別関係を学習することができる。ここで、「第1の値」としては、適宜定めることができ、特に値0とするのが好ましい。また、「第2の値」としては、適宜定めることができ、特に値0とするのが好ましい。
さらに、本発明の地表種別分類方法において、前記種別関係学習は、前記位置ベクトルとして予め定めた地表種別が既知の領域に対する偏波情報のポアンカレ球における位置ベクトルを用いて行なわれる学習であり、前記種別関係学習における前記種別関係と前記入力された電波情報とに基づいて前記複数の領域の地表種別毎の関連性の程度を演算し、該演算した地表種別毎の関連性の程度に基づいて前記複数の領域の地表種別を分類するものとすることもできる。種別関係学習は、既知の領域に対する偏波情報のポアンカレ球における位置ベクトルを用いて行なわれるから、より適正に種別関係を学習することができる。こうして学習した種別関係を用いて地表種別を分類するから、より精度よく地表種別を分類することができる。この場合において、前記種別関係学習は、前記入力値として、前記照射波を水平偏波および垂直偏波のいずれか一方の偏波状態にしたときと、前記照射波を45度偏波および-45度偏波のいずれか一方の偏波状態にしたときと、前記照射波を左旋円偏波および右旋円偏波のいずれか一方の偏波状態にしたときと、のそれぞれにおける3つの前記位置ベクトルおよび3つの前記変動ベクトルを四元数に拡張した6つの四元数ベクトルを含むものとすることもできる。
位置ベクトルとして予め定めた地表種別が既知の領域に対する偏波情報のポアンカレ球における位置ベクトルを用いて種別関係学習を行なう態様の本発明の地表種別分類方法において、前記種別関係学習は、値0ではない第3の値を実数部に対応させると共に値0を3つの虚数部に対応させた四元数である閾値ベクトルを前記ニューラルネットワークの閾値として入力するものとすることもできる。「第3の値」としては、適宜定めることができ、特に値-1とするのが好ましい。
位置ベクトルとして予め定めた地表種別が既知の領域に対する偏波情報のポアンカレ球における位置ベクトルを用いて種別関係学習を行なう態様の本発明の地表種別分類方法において、前記地域種別は、異なるn個の種別であり、前記ニューラルネットワークは、互いに内積が値0となる前記n個のベクトルを前記入力値に対して期待される出力値とするものとすることもできる。こうすれば、より適正に地表種別を分類することができる。
本発明の地表種別分類方法において、前記地表種別は、湖、草地、森、街、砂漠のうちの少なくとも4つの種別を含むものとすることもできる。こうすれば、地表の複数の領域を湖、草地、森、街、砂漠のうちの少なくとも4つの種別に分類することができる。
本発明の地表種別分類プログラムは、
地表の複数の領域の地表種別を分類する地表種別分類プログラムであって、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力する電波情報入力モジュールと、
複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記電波情報と地表種別との関係である種別関係を学習する種別関係学習モジュールと、
前記学習した種別関係に基づいて前記複数の領域の地表種別を分類する地表種別分類モジュールと、
を備えることを要旨とする。
地表の複数の領域の地表種別を分類する地表種別分類プログラムであって、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力する電波情報入力モジュールと、
複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記電波情報と地表種別との関係である種別関係を学習する種別関係学習モジュールと、
前記学習した種別関係に基づいて前記複数の領域の地表種別を分類する地表種別分類モジュールと、
を備えることを要旨とする。
この本発明の地表種別分類プログラムでは、地表の複数の領域に対して照射した照射波と照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて種別関係を学習する。位置ベクトルおよび変動ベクトルは偏波情報を反映した値であるから、位置ベクトルおよび変動ベクトルを用いて種別関係を学習することにより、適正に種別関係を学習することができる。また、位置ベクトルと変動ベクトルとの双方を用いて種別関係を学習するから、位置ベクトルおよび変動ベクトルのいずれか一方のみを用いるものと比較すると、より適正に種別関係を学習することができる。さらに、位置ベクトルと変動ベクトルとを四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて種別関係を学習するから、より適正に種別関係を学習することができる。そして、学習した種別関係に基づいて複数の領域の地表種別を分類する。適正に学習された種別関係に基づいて複数の領域の地表種別を分類するから、地表種別を精度良く分類することができる。
本発明の地表種別分類装置は、
地表の複数の領域の地表種別を分類する地表種別分類装置であって、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力する電波情報入力部と、
複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記電波情報と地表種別との関係である種別関係を学習する種別関係学習部と、
前記学習した種別関係に基づいて前記複数の領域の地表種別を分類する地表種別分類部と、
を備えることを要旨とする。
地表の複数の領域の地表種別を分類する地表種別分類装置であって、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力する電波情報入力部と、
複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記電波情報と地表種別との関係である種別関係を学習する種別関係学習部と、
前記学習した種別関係に基づいて前記複数の領域の地表種別を分類する地表種別分類部と、
を備えることを要旨とする。
この本発明の地表種別分類装置では、地表の複数の領域に対して照射した照射波と照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて種別関係を学習する。位置ベクトルは偏波情報そのものであるから、位置ベクトルを用いて種別関係を学習することにより、適正に種別関係を学習することができる。また、位置ベクトルと変動ベクトルとの双方を用いて種別関係を学習するから、位置ベクトルおよび変動ベクトルのいずれか一方のみを用いるものと比較すると、より適正に種別関係を学習することができる。さらに、位置ベクトルと変動ベクトルとを四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて種別関係を学習するから、より適正に種別関係を学習することができる。そして、学習した種別関係に基づいて複数の領域の地表種別を分類する。適正に学習された種別関係に基づいて複数の領域の地表種別を分類するから、地表種別を精度良く分類することができる。
次に、本発明を実施するための形態を実施例を用いて説明する。
図1は、本発明の第1実施例としての地表種別分類装置30を備える合成開口レーダシステム10の構成の概略を示す構成図である。合成開口レーダシステム10は、人工衛星20と、人工衛星20から各種情報を入力し地表を湖、草地、森、街のいずれかの種別に分類する地表種別分類装置30と、から構成されている。
人工衛星20は、地表の複数の領域に対してレーザ光を照射すると共に照射したレーザ光の散乱光を検出し、レーザ光の照射位置や照射したレーザ光の偏波情報,散乱光の偏波情報を含むPolSAR(Polarimetric Synthetic Apertture Radar)画像データなど各種データを地上の地表種別分類装置30に出力する。
地表種別分類装置30は、図示するように、バス31を介して接続された周知のCPU32,ROM34,RAM36,ハードディスクドライブ(HDD)38,入出力処理回路40,人工衛星20からの情報を通信を介して入力する受信回路42を備える。入出力処理回路40には、受信回路42やディスクドライブ装置43,キーボード44,マウス45がデータを入力可能に接続され、情報を出力するディスプレイ46がデータを入出力可能に接続されている。
HDD38には、アプリケーションソフトウェアとしてインストールされた地表種別分類プログラム50が記憶されている。地表種別分類プログラム50は、人工衛星20からのPolSAR画像データを入力するPolSAR画像入力モジュール52と、PolSAR画像データと地表の種別との関係である種別関係を学習する種別関係学習モジュール54と、種別関係学習モジュール54が学習した種別関係に基づいて地表の各領域の地表種別を分類する地表種別分類モジュール56と、から構成されている。
次に、こうして構成される地表種別分類装置30の動作、特にユーザによるキーボード44やマウス45の操作により、地表種別分類プログラム50が実行されたときの動作について説明する。図2は、CPU32により実行される地表種別分類プログラム50の一例を示すフローチャートである。この地表種別分類プログラム50は、ユーザにより実行が指示されたときに、CPU32により、RAM36の所定のアドレスに書き込まれる。そして、CPU32は、RAM36に書き込まれた地表種別分類プログラム50を読み込んで実行する。
地表種別分類プログラム50が実行されると、CPU32は、まず、人工衛星20からのPolSAR画像データを入力する処理を実行し(ステップS100)、入力されたPolSAR画像データから後述の位置ベクトルPv,変動ベクトルVvを設定し、設定した位置ベクトルPv,変動ベクトルVvを四元数に拡張した入力ベクトルXiと予め学習されている種別関係とに基づいて、観測した領域を湖(lake),草地(grass),森(forest),街(town)のうちのいずれか1つの種別に分類する(ステップS110)。ここで、地表種別分類プログラム50の説明を中断して、位置ベクトルPv,変動ベクトルVv,四元数、種別関係の学習について説明する。
まずは、位置ベクトルPvおよび変動ベクトルVvについて説明する。一般に、照射波Iwを式(1)で示す規格化ジョーンズベクトルを用いて表現すると、散乱波Rwは、散乱行列Sを用いて式(2)により表現でき、ジョーンズコヒーレンス行列Jは、式(3)により得られる。式(3)中、<>は、時間的または空間的に平均化されていることを示している。
平均化されたストークスベクトルは、ジョーンズコヒーレンス行列Jに基づいて式(4)により計算される。平均化されたストークスベクトルは、地表からの散乱波の偏波情報を含んでおり、偏波度(Degree of Polarization)DoPは、式(5)を用いて計算される。ジョーンズコヒーレンス行列Jは、複素エルミート半正定値行列であるから、|J|は値0以上である。すなわち、偏波度DoPは、値0以上値1以下となっている。ここで、反射波は、偏波度Dopが値1であるときには完全偏波となっており、偏波度DoPが値0のときには完全無偏波であり、偏波度Dopが値0より大きく値1未満であるときには部分偏波となっている。
平均化されたストークスベクトルは、ポアンカレ球上またはポアンカレ球内の1つの点として表現することができ、この点の位置座標(x,y,z)は、式(6)により表すことができる。実施例では、位置座標(x,y,z)を成分とする3次元のベクトルを、位置ベクトルPv(=(x,y,z))とする。上述したように、位置ベクトルPvは、PolSAR画像における各ピクセルについて得ることができ、偏波の平均的な状態を示している。位置ベクトルPvと位置ベクトルPvの近傍のピクセルの位置ベクトルPvとの変動は、平均偏差として式(7)により計算する。式(7)中、Nは1回の計算に用いられるピクセルの数であり、x、y、zは1回の計算に用いられる複数のピクセルにおけるxの平均値である。式(7)におけるσx,σy,σzを成分とする3次元のベクトルを、変動ベクトルVv(=(σx,σy,σz))とする。変動ベクトルVvは、ポアンカレ球における位置ベクトルPvの分布を示している。実施例では、こうした位置ベクトルPvおよび変動ベクトルVvを「ポアンカレ球パラメータ」と名付けるものとした。
ここで、富士裾野地区に対するALOSのLバンドPALSAR1.1レベルの実験データを用いてポアンカレ球パラメータと湖,草地,森,街の4つの種別との関係について説明する。図3は、富士裾野地区の衛星写真と衛星写真を種別毎にスケッチした図面とを示す説明図である。衛星写真において、4つの黒塗りの正方形は、湖、草地、森、街の各観測領域(以下、「グループ1」という)を示し、4つの白塗りの正方形は、湖、草地、森、街の各観測領域(以下、「グループ2」という)を示している。各正方形内には、40×40個の観測領域が含まれている。最初に、上述した式(3)によりジョーンズコヒーレンス行列Jを導出する。ここでは、空間平均値としてジョーンズコヒーレンス行列Jを導出するものとした。空間平均値を演算するために最適なウィンドウサイズ(1観測領域におけるピクセル数)を求めるため、グループ1,2のPolSAR画像データを用いてウィンドウサイズと平均偏波度との関係を調べた。図4に、観測領域の1辺のピクセル数と平均偏波度との関係を示す。図において、横軸が値5であるときにはウィンドウサイズは5×5であり、横軸が値9であるときにはウィンドウサイズは9×9とする。平均偏波度は、図示するように、ウィンドウサイズが5×5より大きくなると一定値になる。したがって、実施例では、位置ベクトルPvを求めるときのウィンドウサイズを5×5とした。同様に、上述の式(7)を用いて変動ベクトルVvの空間平均値を求めるため、グループ1,2のPolSAR画像データを用いてウィンドウサイズと変動ベクトルVvのノルムとの関係を調べた。図5は、観測領域の1辺のピクセル数と変動ベクトルVvのノルムとの関係を示す。変動ベクトルVvの大きさは、図示するように、ウィンドウサイズが9×9より大きくなると一定値となる。したがって、実施例では、変動ベクトルVvを求めるためのウィンドウサイズを9×9とした。
こうしてウィンドウサイズを決定したら、続いて、水平偏波[1,0]T,45度偏波[1/√2,1/√2]T,左旋円偏波[1/√2,1/√2i]Tのマイクロ波をグループ1に属する観測領域に照射したときの位置ベクトルPvと変動ベクトルVvとを計算する。図6は照射波を水平偏波としたときの散乱波の位置ベクトルPvを示す説明図であり、図7は照射波を水平偏波としたときの散乱波の変動ベクトルVvを示す説明図であり、図8は照射波を45度偏波としたときの散乱波の位置ベクトルPvを示す説明図であり、図9は照射波を45度偏波としたときの散乱波の変動ベクトルVvを示す説明図であり、図10は照射波を左旋円偏波としたときの散乱波の位置ベクトルPvを示す説明図であり、図11は照射波を左旋円偏波としたときの散乱波の変動ベクトルVvを示す説明図である。位置ベクトルPv,変動ベクトルVvは、図示するように、グラフ上では種別が異なると異なる分布を示し、且つ、位置ベクトルPvと変動ベクトルVvとで同じ分布をしていない。したがって、位置ベクトルPv,変動ベクトルVvの両方を用いて地表の種別の分類を行なうことにより、位置ベクトルPvおよび変動ベクトルVvのいずれか一方を用いるものより、精度よく地表種別を分類できる。
続いて、四元数ベクトルについて説明する。四元数pは、1つの実数部と,互いに直交する基底i,j,kの3つの虚数部と,から構成される4次元の数であり、式(8)に示すように、4次元のベクトルとして表すことができる。式(8)中、pe,pi,pj,pkを実数とした。四元数の基底i,j,kは、式(9)に示すハミルトンの規則に従っている。
2つの四元数p(=(pe,pi,pj,pk)),q(=(qe,qi,qj,qk))との和および差、外積,内積,ノルムは、式(10)~(13)に示すように定義される。
次に、種別関係学習について説明する。図12は、種別関係学習に用いられる四元数のニューラルネットワークの構成を説明するための構成図である。種別関係学習は、ニューラルネットワークを用いて教師あり学習を行なって、ポアンカレ球パラメータと地表の種別との関係を学習する。実施例のニューラルネットワークでは、図示するように、隠れ層のニューロンの数を8つ,出力層のニューロンの数を4つとし、入力層、隠れ層の閾値ノードをそれぞれ(-1,0,0,0)とした。
図13は、種別関係学習ルーチンの一例を示すフローチャートである。種別関係学習ルーチンでは、最初に、照射波を水平偏波、45度偏波、左旋円偏波にしたときの湖、草地、森、街の種別が既知の4つの領域のPolSAR画像データから教師データを選択し、選択した教師データの位置ベクトルPvと変動ベクトルVvとを連ねたものを成分とする入力ベクトルXini-lake,Xini-grass,Xini-forest,Xini-town(以下、これらの4つのうちの1つを「Xini-type」と記載することもある)に設定する処理を実行する(ステップS200)。ここで、iは、湖、草地、森、街の各種別のi番目の教師データであることを示している。入力ベクトルXini-typeは、式(14)~式(20)に示すように、照射波を水平偏波、45度偏波、左旋円偏波にしたときの位置ベクトルPvの各成分を3つの虚数部に対応させると共に値0を1つの実数部に対応させることによって位置ベクトルPvを四元数に拡張した四元数位置ベクトルxH,x45°,xlcと、変動ベクトルVvの各成分を3つの虚数部に対応させると共に値0を1つの実数部に対応させることによって変動ベクトルVvを四元数に拡張した四元数変動ベクトルσH,σ45°,σlcを連ねたものであるものとした。
Xini-type=[xH,σH,x45°,σ45°,xlc,σlc]・・・(14)
xH=(0,x,y,z)H ・・・(15)
σH=(0,σx,σy,σz)H ・・・(16)
x45°=(0,x,y,z)45° ・・・(17)
σ45°=(0,σx,σy,σz)45° ・・・(18)
xlc=(0,x,y,z)lc ・・・(19)
σlc=(0,σx,σy,σz)lc ・・・(20)
xH=(0,x,y,z)H ・・・(15)
σH=(0,σx,σy,σz)H ・・・(16)
x45°=(0,x,y,z)45° ・・・(17)
σ45°=(0,σx,σy,σz)45° ・・・(18)
xlc=(0,x,y,z)lc ・・・(19)
σlc=(0,σx,σy,σz)lc ・・・(20)
こうして入力ベクトルXini-typeを設定したら、続いて、後述する結合荷重wを予め定めた初期値に設定すると共に各種別に期待される出力である期待出力ベクトルDlake,Dgrass,Dforest,Dtownを設定する(ステップS210)。期待出力ベクトルDlake,Dgrass,Dforest,Dtownは、期待出力ベクトルDlake,Dgrass,Dforest,Dtownのうちのいずれか2つのベクトル同士が直交するよう式(21)のように設定するものとした。このように、期待出力ベクトルDlake,Dgrass,Dforest,Dtownを設定することにより、より適正に地表種別を分類することができる。
続いて、湖、草地、森、街の各種別毎に後述するステップS220~S250の処理を実行して、ニューラルネットワークの結合荷重wiを調整する処理を実行する。まず、ある種別(例えば、湖)の教師データのうちi番目のデータを入力ベクトルXiとして式(22)を用いて出力ベクトルYを演算する(ステップS220)。式(22)中、wiは、入力ベクトルXiと出力ベクトルYとを結合させるためのニューラルネットワークにおける結合荷重である。なお、式(22)中、sを初期状態とし、Nを入力ノードの数とし、非線形関数f(s)を式(23)で示されるものとし、X0=(-1,0,0,0)を閾値ノードの入力値とした。
こうして出力ベクトルYを計算したら、続いて、式(24)を用いてエラー値Eを計算し、エラー値Eを閾値err(例えば、5×10-4)とを比較する(ステップS230)と共にステップS220が実行された回数を示す回数Nfが100回であるか否かを判定する(ステップS240)。ここで、回数Nfは、初期値として値0が設定されており、ステップS220が実行される毎に値1ずつ大きくなる数とした。
エラー値Eが閾値err以上であり且つ回数Nfが値100でないときには、式(17)~(22)を用いて結合荷重wiの値woldを値wnewに更新して(ステップS250)、ステップS220に戻り、エラー値Eが閾値errより小さくなるか回数Nfが値100となるまで、ステップS220~S250の処理を繰り返す。式(24)~式(28)に用いられる添え字等の説明を図14に示した。ステップS220~S250の処理により、種別が既知の入力ベクトルXinに対して、出力ベクトルYが期待出力ベクトルDlake,Dgrass,Dforest,Dtownに近くなるよう結合荷重wが調整される。
エラー値Eが閾値errより小さくなるか回数Nfが値100となったときには、湖、草地、森、街の4つ種別に対してステップS220~S250の処理が終了したか否かを判定し(ステップS260)、4つ種別に対してステップS220~S250の処理が終了していないときには、種別を変更して(ステップS270)(例えば、種別を湖から草地に変更して)ステップS220~S250の処理を実行する。こうして湖、草地、森、街の4つ種別に対してステップS220~S250の処理が終了したときには、4つの種別について得られたエラー値Eの平均Serrを式(29)を用いて計算し、平均Serrが閾値err以上であるか否かを調べる(ステップS280)。式(29)中、Ei-lake,Ei-grass,Ei-forest,Ei-townは、それぞれステップS230の判定に用いられる種別毎のエラー値Eとする。
Serr=(Ei-lake+Ei-grass+Ei-forest+Ei-town)/4 ・・・(29)
平均Serrが閾値err以上であるときには(ステップS280)、対象としている教師データが最後(N番目)のデータでないとき(i<Nのとき)には、次の教師データについてステップS220~S260の処理を実行し(整数iに値1を加えて整数iを更新し)、対象としている教師データが最後(N番目)のデータであるとき(i=Nのとき)には、最初の教師データに対してステップS220~S260の処理を実行する(ステップS290)。こうして、平均Serrが閾値err未満になるまでステップS220~S290の処理を実行し、平均Serrが閾値err未満になったときに、本ルーチンを終了する。このように、種別関係学習処理では、教師データを入力ベクトルXiとして出力ベクトルYが教師データの種別の期待出力ベクトルDtypeに近づくよう結合荷重wiを調整する教師あり学習を行なうから、例えば、ポアンカレ球パラメータが湖の領域に対するものであるときには、式(22)の出力ベクトルYは期待出力ベクトルDlake近傍の値となり、ポアンカレ球パラメータが草地の領域に対するものであるときには、式(22)の出力ベクトルYは期待出力ベクトルDgrass近傍の値となる。このように、出力ベクトルYは、地表種別を反映した値となっている。このように、結合荷重wiは、ポアンカレ球パラメータに基づく入力ベクトルXiと地表種別を反映する出力ベクトルYとを関係づけるものであり、種別関係学習処理では、結合荷重wiを学習する。したがって、種別関係学習処理は、電波情報と地表種別との関係である種別関係を学習する処理となっている。位置ベクトルPv,変動ベクトルVvは、PolSAR画像データから直接得られた偏波情報を反映しているから、位置ベクトルPv,変動ベクトルVvを用いて種別関係を学習することにより、より適正に種別関係を学習することができる。また、位置ベクトルPv,変動ベクトルVvの両方を用いるから、より精度の良い学習ができる。さらに、位置ベクトルPv,変動ベクトルVvとを連ねたものを成分とする入力ベクトルXini-typeを入力値としてニューラルネットワークを用いて種別関係を学習するから、より適正に種別関係について学習することができる。
ここで、図2に例示した地表種別分類プログラム50の説明に戻る。人工衛星20からの種別が未知のPolSAR画像データを入力したら(ステップS100)、照射波を水平偏波、45度偏波、左旋円偏波にしたときのPolSAR画像データの位置ベクトルPvと変動ベクトルVvとを連ねたものを成分とする入力ベクトルXiと図13に示した種別関係学習ルーチンにより学習された種別関係とに基づいてレーザが照射された領域を湖、草地、森、街のいずれかの種別に分類する(ステップS110)。種別の分類は、具体的には、PolSAR画像データから得られる入力ベクトルXi(式(14)のXini-typeと成分は同じ)と図13に示した学習により得られた結合荷重wiを用いて上述した式(22)により出力ベクトルYを演算し、出力ベクトルYと期待出力Dlake,Dgrass,Dforest,Dtownとを用いて式(24)より各地表種別におけるエラー値Etype(typeは、lake,grass,forest,town)を計算し、エラー値Etypeを用いて式(30)により最終出力Pout-typeを計算する。そして、最終出力Pout-typeが値1に近ければ、そのピクセルは値1に近い種別であるものとし、値0に近ければその種別には分類されないものとする。例えば、最終出力Pout-lakeが値1に近く、且つ、最終出力Pout-grass,Pout-forest,Pout-townが値0に近ければ、そのピクセルは「湖」に分類し、対応する観測領域を「湖」に分類する。
図15は、図3に例示した富士裾野地区について実施例の方法を用いて地表種別を分類した結果である最終出力Pout-lake,Pout-grass,Pout-forest,Pout-townの値を示す説明図である。図15において、左上は各領域における最終出力Pout-lakeの値、右上は各領域における最終出力Pout-grassの値、左下は各領域における最終出力Pout-forestの値、右下は各領域におけるPout-townの値を示しており、各値は、値1に近づくほど色が濃くなるよう濃淡で表現されている。図15と図3とから明らかなように、実施例の地表種別分類方法では、良好に地表種別を分類することができる。このように、位置ベクトルPvと変動ベクトルVvと、を四元数に拡張した複数の四元数ベクトルを入力ベクトルXiとしてニューラルネットワークを用いて種別関係を学習し、学習結果を用いて地表種別を分類することにより、より精度良く地表種別を分類することができる。
以上説明した第1実施例の地表種別分類装置30では、位置ベクトルPvと変動ベクトルVvと、を四元数に拡張した複数の四元数ベクトルを入力ベクトルXiとしてニューラルネットワークを用いて種別関係を学習することにより、より適正に種別関係を学習することができる。これにより、より精度良く地表種別を分類することができる。
第1実施例の地表種別分類装置30では、地表を4つの種別に分類するものとし、互いに内積が値0となる期待出力Dlake,Dgrass,Dforest,Dtownを期待される出力値としたが、地表を5つの種別に分類するものとし、互いに内積が値0となる5つの期待出力ベクトルDlake,Dgrass,Dforest,Dtownを期待される出力値としてもよく、期待出力ベクトルを互いに内積が値0とならないものとしてもよい。
第1実施例の地表種別分類装置30では、図12に例示したニューラルネットワークの閾値ノードを(-1,0,0,0)としたが、閾値ノードは演算処理の負荷の程度を考慮して、適宜定めることができる。
次に、本発明の第2実施例としての地表種別分類装置130について説明する。第2実施例の地表種別分類装置130は、第1実施例の地表種別分類プログラム50がニューラルネットワークを用いて教師あり学習を行なうものであるのに対して地表種別分類プログラム150がニューラルネットワークを用いて教師なし学習を行なうものである点を除いて、第1実施例の地表種別分類装置30と同一の構成となっている。したがって、地表種別分類装置130において、地表種別分類装置30と同一の構成には同一の符号を付し、その説明を省略する。
第2実施例の地表種別分類プログラム150は、位置ベクトルPvと変動ベクトルVvとを四元数に拡張した複数の四元数ベクトルを入力ベクトルXi,Xini-typeとしてニューラルネットワークとして自己組織化マップ(self-organizig map:SOM)を用いて教師なし学習を行なってピクセルの種別を分類する。図16は、自己組織化マップを偏波状態を表す特徴量空間で表現した模式図であり、図17は、自己組織化マップをニューロンの繋がり具合を表すSOM空間で表現した模式図である。
図18は、CPU32により実行される地表種別分類プログラム150の一例を示すフローチャートである。地表種別分類プログラム150が実行されると、最初に、観測領域のPolSAR画像データを入力する処理を実行し(ステップS300)、湖、草地、森、街の各種別の結合荷重wlake,wgrass,wforest,wtownに予め定めた初期値を設定すると共に対象とするポアンカレ球においてi番目のピクセルであることを示す整数iに値1を設定する初期化処理を実行し(ステップS310)、PolSAR画像データから作成した入力ベクトルXiを入力する(ステップS320)。入力ベクトルXiは、式(31)に示すように、水平偏波,45度偏波、左旋円偏波の各偏波状態の位置ベクトルPvH,Pv45°,Pvlcの各成分を3つの虚数部に対応させると共に値0を1つの実数部に対応させることによって位置ベクトルPvH,Pv45°,Pvlcを四元数に拡張した四元数位置ベクトルxH,x45°,xlcと、水平偏波,45度偏波、左旋円偏波の各偏波状態の変動ベクトルVvH,Vv45°,Vvlcの各成分を3つの虚数部に対応させると共に値0を1つの実数部に対応させることによって変動ベクトルVvH,Vv45°,Vvlcを四元数に拡張した四元数変動ベクトルσH,σ45°,σlcを連ねたものであるものとした。今、整数iは値1に設定されているから、ステップS320の処理では、1番目のピクセルのPolSAR画像データから作成した入力ベクトルXiが入力されることになる。
X ≡ [xH σH x45° σ45° xlc σlc ]T ・・・(31)
こうして入力ベクトルXiを入力したら、続いて、式(32)に示す入力ベクトルXiと各結合荷重wlake,wgrass,wforest,wtownとの距離(Xi,wc)を演算し、距離(Xi,wc)が最も小さい(入力ベクトルXiに最も距離が近い)結合荷重wlake,wgrass,wforest,wtownを持つニューロンを勝者ニューロンであると決定し、i番目のピクセルを勝者クラスcwに分類する(ステップS330)。例えば、結合荷重wlakeが入力ベクトルXiに最も近いときには、結合荷重wlakeを持つニューロンが勝者ニューロンと決定され、i番目のピクセルは湖(lake)に分類される。なお、式(32)中、「c」は、lake,grass,forest,townのうちのいずれか1つの種別とした。
距離(Xi,wc)≡ ||Xi-wc|| ・・・(32)
続いて、式(33)~式(35)を用いて勝者クラスcwのニューロンwcwとニューロンwcの近傍の2つのニューロン(SOM空間で隣のニューロン)wcw±1の荷重を更新する(ステップS340)。そして、全ての観測ピクセルに対してステップS320~S340の処理が終了したか否かを調べ(ステップS350)、全てのピクセルに対してステップS320~S340の処理が終了していないときには、整数iを整数iに値1を加えたものに更新して(ステップS360)、ステップS310に戻る。すなわち、全てのピクセルに対してステップS320~S340の処理が終了していないときには、次のピクセルに対してステップS320~S340の処理を行なうのである。今、1番目のピクセルについて考えているから、1番目のピクセルに対してステップS320~S340の処理が終了したときには、2番目のピクセルに対してステップS320~S340の処理を実行する。
wcw=wcw+α(Xi-wcw) ・・・(33)
wcw±1=wcw±1+β(Xi-wcw)・・・(34)
0≦β≦α≦1 ・・・(35)
wcw±1=wcw±1+β(Xi-wcw)・・・(34)
0≦β≦α≦1 ・・・(35)
こうした全てのピクセルに対しS320~S340の処理を実行したら(ステップS350)、全てのピクセルに対してS320~S350の処理をNitr回(1回以上の回数。例えば、50回,100回,150回など)繰り返したか否かを判定する(ステップS370)。全てのピクセルに対してS320~S350の処理をNitr回繰り返していないときには、整数iに値1を設定して(ステップS380)、最初のピクセルからステップS320~S350の処理を繰り返し、全てのピクセルに対してS320~S350の処理をNitr回繰り返したときには(ステップS370)、本ルーチンを終了する。こうした処理により、PolSAR画像データを湖,草地,森,街のうちのいずれかの種別に分類することができ、即ち、地表の領域をいずれかの種別に分類するから、地表の散乱の種類を尤もらしく分解するものと比較すると、より精度良く分類することができる。
以上説明した第2実施例の地表種別分類装置130によれば、PolSAR画像データから得られる位置ベクトルPvと変動ベクトルVvとを四元数に拡張した入力ベクトルXiを入力値としてニューラルネットワークを用いて結合荷重wcを学習することにより、より精度良く地表種別を分類することができる。
第2実施例の地表種別分類装置130では、ステップS330の処理で、入力ベクトルXiに最も距離が近い結合荷重wlake,wgrass,wforest,wtownを持つニューロンを勝者ニューロンであると決定したが、式(36)または式(37)に示す入力ベクトルXiと各結合荷重wlake,wgrass,wforest,wtownとの類似度(Xi,wc)を演算し、最も類似度(Xi,wc)が大きい結合荷重wlake,wgrass,wforest,wtownを持つニューロンを勝者ニューロンであると決定するものとしてもよい。
第1,第2実施例の地表種別分類装置30,130では、入力ベクトルXi,Xini-typeにおいて、位置ベクトルPvの各成分を3つの虚数部に対応させると共に値0を1つの実数部に対応させることによって位置ベクトルPvを四元数に拡張するものとしたが、位置ベクトルPvの各成分を2つの虚数部と1つの実数部に対応させて値0を残余の虚数部に対応させてもよいし、実数部には値0と異なる値を対応させてもよい。
第1,第2実施例の地表種別分類装置30,130では、入力ベクトルXini-typeにおいて、変動ベクトルVvの各成分を3つの虚数部に対応させると共に値0を1つの実数部に対応させることによって変動ベクトルVvを四元数に拡張するものとしたが、変動ベクトルVvの各成分を2つの虚数部と1つの実数部に対応させて値0を残余の虚数部に対応させてもよいし、実数部には値0と異なる値を対応させてもよい。
第1,第2実施例の地表種別分類装置30,130では、入力ベクトルXini-typeは、照射波を水平偏波、45度偏波、左旋円偏波にしたときの位置ベクトルPv,変動ベクトルVvを四元数に拡張したものを含むとしたが、水平偏波に代えて垂直偏波を用いてもよいし、45度偏波に代えて-45度偏波を用いてもよいし、左旋円偏波に代えて右旋回円偏波を用いてもよい。
第1,第2実施例の地表種別分類装置30,130では、地表の種別を湖,草地,森,街のうちのいずれか1つに分類するものとしたが、地表の種別を湖、草地、森、街、砂漠のうちの少なくとも4つのいずれかに分類するものとしてもよいし、地表の種別を湖、草地、森、街、砂漠の5つのうちのいずれか1つに分類するものとしてもよい。
第1,第2実施例では、人工衛星20から照射する光(波源)をマイクロ波としたが、波源はマイクロ波に限定されるものではなく、ミリ波、テラヘルツ波、光波などを波源として用いても構わない。
実施例の主要な要素と発明の概要の欄に記載した考案の主要な要素との対応関係について説明する。地表種別分類方法としては、実施例では、図13に例示した種別関係学習ルーチンのステップS200~S290の処理による学習が「種別関係学習」に相当する。地表種別分類プログラムとしては、実施例では、PolSAR画像入力モジュール52が「電波情報入力モジュール」に相当し、種別関係学習モジュール54が「種別関係学習モジュール」に相当し、地表種別分類モジュール56が「地表種別分類モジュール」に相当する。地表種別分類装置としては、実施例では、図2におけるステップS100の処理を実行するCPU32が「電波情報入力部」に相当し、図13に例示する種別関係学習ルーチンを実行するCPU32が「種別関係学習部」に相当し、図2におけるステップS110の処理を実行するCPU32が「地表種別分類部」に相当する。
なお、実施例の主要な要素と発明の概要の欄に記載した考案の主要な要素との対応関係は、実施例が発明の概要の欄に記載した考案を実施するための形態を具体的に説明するための一例であることから、発明の概要の欄に記載した考案の要素を限定するものではない。即ち、発明の概要の欄に記載した考案についての解釈はその欄の記載に基づいて行なわれるべきものであり、実施例は発明の概要の欄に記載した考案の具体的な一例に過ぎないものである。
以上、本発明を実施するための形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において、種々なる形態で実施し得ることは勿論である。
本発明は、地表種別分類プログラムや地表種別分類装置の製造業などに利用可能である。
Claims (9)
- 地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力し、前記電波情報と地表種別との関係である種別関係を学習する種別関係学習に基づいて前記複数の領域の地表種別を分類する地表種別分類方法において、
前記種別関係学習は、複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記種別関係を学習する
地表種別分類方法。 - 請求項1記載の地表種別分類方法であって、
前記種別関係学習は、前記入力値として、前記位置ベクトルの各成分を3つの虚数部に対応させると共に第1の値を実数部に対応させることによって前記位置ベクトルを四元数に拡張した四元数位置ベクトルと、前記変動ベクトルの各成分を3つの虚数部に対応させると共に第2の値を実数部に対応させることによって前記変動ベクトルを四元数に拡張した四元数変動ベクトルと、を含む
地表種別分類方法。 - 請求項1または2記載の地表種別分類方法であって、
前記種別関係学習は、前記位置ベクトルとして予め定めた地表種別が既知の領域に対する偏波情報のポアンカレ球における位置ベクトルを用いて行なわれる学習であり、
前記種別関係学習における前記種別関係と前記入力された電波情報とに基づいて前記複数の領域の地表種別毎の関連性の程度を演算し、該演算した地表種別毎の関連性の程度に基づいて前記複数の領域の地表種別を分類する
地表種別分類方法。 - 請求項3記載の地表種別分類方法であって、
前記種別関係学習は、前記入力値として、前記照射波を水平偏波および垂直偏波のいずれか一方の偏波状態にしたときと、前記照射波を45度偏波および-45度偏波のいずれか一方の偏波状態にしたときと、前記照射波を左旋円偏波および右旋円偏波のいずれか一方の偏波状態にしたときと、のそれぞれにおける3つの前記位置ベクトルおよび3つの前記変動ベクトルを四元数に拡張した6つの四元数ベクトルを含む
地表種別分類方法。 - 請求項3または4記載の地表種別分類方法であって、
前記種別関係学習は、値0ではない第3の値を実数部に対応させると共に値0を3つの虚数部に対応させた四元数である閾値ベクトルを前記ニューラルネットワークの閾値として入力する
地表種別分類方法。 - 請求項3ないし5のいずれか1つの請求項に記載の地表種別分類方法であって、
前記地域種別は、異なるn個の種別であり、
前記ニューラルネットワークは、互いに内積が値0となる前記n個のベクトルを前記入力値に対して期待される出力値とする
地表種別分類方法。 - 請求項1ないし6のいずれか1つの請求項に記載の地表種別分類方法であって、
前記地表種別は、湖、草地、森、街、砂漠のうちの少なくとも4つの種別を含む
地表種別分類方法。 - 地表の複数の領域の地表種別を分類する地表種別分類プログラムであって、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力する電波情報入力モジュールと、
複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記電波情報と地表種別との関係である種別関係を学習する種別関係学習モジュールと、
前記学習した種別関係に基づいて前記複数の領域の地表種別を分類する地表種別分類モジュールと、
を備える地表種別分類プログラム。 - 地表の複数の領域の地表種別を分類する地表種別分類装置であって、
地表の複数の領域に対して照射した照射波と該照射波の照射に伴って得られる散乱波とからなる電波情報を入力する電波情報入力部と、
複数の領域に対する偏波情報のポアンカレ球における位置ベクトルと、該位置ベクトルの近隣の領域の位置ベクトルからの変動を示す変動ベクトルと、を四元数に拡張した複数の四元数ベクトルを入力値としてニューラルネットワークを用いて前記電波情報と地表種別との関係である種別関係を学習する種別関係学習部と、
前記学習した種別関係に基づいて前記複数の領域の地表種別を分類する地表種別分類部と、
を備える地表種別分類装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015537966A JPWO2015041295A1 (ja) | 2013-09-18 | 2014-09-18 | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361879348P | 2013-09-18 | 2013-09-18 | |
US61/879,348 | 2013-09-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2015041295A1 true WO2015041295A1 (ja) | 2015-03-26 |
Family
ID=52688942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2014/074699 WO2015041295A1 (ja) | 2013-09-18 | 2014-09-18 | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JPWO2015041295A1 (ja) |
WO (1) | WO2015041295A1 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015117712A1 (de) | 2015-10-16 | 2017-04-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Bildgebende Polarimetrie |
JP2017224258A (ja) * | 2016-06-15 | 2017-12-21 | 正仁 櫨田 | コンピューターのcpuで四元数を実数で計算する方法 |
DE102016213330A1 (de) | 2016-07-21 | 2018-03-08 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur Ortung eines beweglichen Objektes sowie Transponder hierzu |
CN107918776A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、***及电子设备 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109116350A (zh) * | 2017-06-22 | 2019-01-01 | 波音公司 | 合成孔径雷达映射和配准***和方法 |
CN109145870A (zh) * | 2018-09-12 | 2019-01-04 | 中国农业大学 | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 |
JP2019035598A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社パスコ | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム |
CN109784413A (zh) * | 2019-01-23 | 2019-05-21 | 西安电子科技大学 | 一种基于长短时记忆循环神经网的极化sar图像分类方法 |
CN110414566A (zh) * | 2019-07-01 | 2019-11-05 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
JPWO2021199245A1 (ja) * | 2020-03-31 | 2021-10-07 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966779A (zh) * | 2021-03-29 | 2021-06-15 | 安徽大学 | 一种PolSAR影像半监督分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005078175A (ja) * | 2003-08-28 | 2005-03-24 | Toa Corp | データ処理装置およびデータ処理方法 |
JP2006140952A (ja) * | 2004-11-15 | 2006-06-01 | Toa Corp | 画像処理装置および画像処理方法 |
-
2014
- 2014-09-18 WO PCT/JP2014/074699 patent/WO2015041295A1/ja active Application Filing
- 2014-09-18 JP JP2015537966A patent/JPWO2015041295A1/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005078175A (ja) * | 2003-08-28 | 2005-03-24 | Toa Corp | データ処理装置およびデータ処理方法 |
JP2006140952A (ja) * | 2004-11-15 | 2006-06-01 | Toa Corp | 画像処理装置および画像処理方法 |
Non-Patent Citations (5)
Title |
---|
FANG SHANG ET AL.: "Classification features in phase components of mechanism vectors in PolInSAR optimization", ANTENNAS AND PROPAGATION (ISAP), 2012 INTERNATIONAL SYMPOSIUM ON, 29 October 2012 (2012-10-29), pages 114 - 117 * |
FANG SHANG ET AL.: "Polarimetric-basis transformation for land classification in PolInSAR", ELECTRONICS LETTERS, vol. 49, no. 1, 3 January 2013 (2013-01-03), pages 69 - 71 * |
FANG SHANG ET AL.: "PolSAR land classification by using quaternion-valued neural networks", SYNTHETIC APERTURE RADAR (APSAR), 2013 ASIA- PACIFIC CONFERENCE ON, 23 September 2013 (2013-09-23), pages 593 - 596 * |
FANG SHANG ET AL.: "Use of Poincare sphere parameters for fast supervised PolSAR land classification", GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS, 21 July 2013 (2013-07-21), pages 3175 - 3178 * |
YOSHIO YAMAGUCHI, RADAR POLARIMETRY FROM BASICS TO APPLICATIONS: RADAR REMOTE SENSING USING POLARIMETRIC INFORMATION, 25 December 2007 (2007-12-25), pages 140 - 151 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017063894A1 (de) | 2015-10-16 | 2017-04-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Bildgebende polarimetrie |
US11112487B2 (en) | 2015-10-16 | 2021-09-07 | Symeo Gmbh | Method for performing imaging polarimetry, transponder, and system for performing imaging polarimetry |
DE102015117712A1 (de) | 2015-10-16 | 2017-04-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Bildgebende Polarimetrie |
JP2017224258A (ja) * | 2016-06-15 | 2017-12-21 | 正仁 櫨田 | コンピューターのcpuで四元数を実数で計算する方法 |
DE102016213330A1 (de) | 2016-07-21 | 2018-03-08 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur Ortung eines beweglichen Objektes sowie Transponder hierzu |
CN109116350A (zh) * | 2017-06-22 | 2019-01-01 | 波音公司 | 合成孔径雷达映射和配准***和方法 |
CN109116350B (zh) * | 2017-06-22 | 2023-08-22 | 波音公司 | 用于合成孔径雷达的***和方法 |
JP2019035598A (ja) * | 2017-08-10 | 2019-03-07 | 株式会社パスコ | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム |
JP7045819B2 (ja) | 2017-08-10 | 2022-04-01 | 株式会社パスコ | 土地被覆学習データ生成装置、土地被覆学習データ、土地被覆分類予測装置及び土地被覆学習データ生成プログラム |
CN107918776B (zh) * | 2017-11-01 | 2022-03-22 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、***及电子设备 |
CN107918776A (zh) * | 2017-11-01 | 2018-04-17 | 中国科学院深圳先进技术研究院 | 一种基于机器视觉的用地规划方法、***及电子设备 |
CN108171273A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108171273B (zh) * | 2018-01-12 | 2022-04-19 | 西安电子科技大学 | 基于k-svd和深度堆栈网络的极化sar图像分类方法 |
CN108564006A (zh) * | 2018-03-26 | 2018-09-21 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN108564006B (zh) * | 2018-03-26 | 2021-10-29 | 西安电子科技大学 | 基于自步学习卷积神经网络的极化sar地物分类方法 |
CN109145870A (zh) * | 2018-09-12 | 2019-01-04 | 中国农业大学 | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 |
CN109145870B (zh) * | 2018-09-12 | 2021-06-25 | 中国农业大学 | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 |
CN109784413A (zh) * | 2019-01-23 | 2019-05-21 | 西安电子科技大学 | 一种基于长短时记忆循环神经网的极化sar图像分类方法 |
CN110414566A (zh) * | 2019-07-01 | 2019-11-05 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
WO2021199245A1 (ja) * | 2020-03-31 | 2021-10-07 | 日本電気株式会社 | 分析装置、分析方法及び記憶媒体 |
JPWO2021199245A1 (ja) * | 2020-03-31 | 2021-10-07 | ||
JP7375915B2 (ja) | 2020-03-31 | 2023-11-08 | 日本電気株式会社 | 分析装置、分析方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2015041295A1 (ja) | 2017-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2015041295A1 (ja) | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 | |
US11915501B2 (en) | Object detection method and apparatus, electronic device, and storage medium | |
Wen et al. | Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification | |
CN109685152B (zh) | 一种基于dc-spp-yolo的图像目标检测方法 | |
Wen et al. | Airborne LiDAR point cloud classification with global-local graph attention convolution neural network | |
CN103778432B (zh) | 一种基于深信度网络的人车分类方法 | |
JP2022101650A (ja) | データ識別器訓練方法、データ識別器訓練装置、プログラム及び訓練方法 | |
CN110555811A (zh) | 一种sar图像数据增强方法、装置及存储介质 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及*** | |
Liu et al. | Where should we place lidars on the autonomous vehicle?-an optimal design approach | |
JP2020042503A (ja) | 三次元表象生成システム | |
CN113160117A (zh) | 一种自动驾驶场景下的三维点云目标检测方法 | |
CN111458691A (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
He et al. | Human segmentation of infrared image for mobile robot search | |
CN111965645B (zh) | 一种顾及几何约束的多基线植被高度反演方法及装置 | |
Guo et al. | Safety monitoring in construction site based on unmanned aerial vehicle platform with computer vision using transfer learning techniques | |
Phadke et al. | An analysis of trends in UAV swarm implementations in current research: Simulation versus hardware | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及*** | |
WO2023159073A1 (en) | Methods and systems of sensor fusion in cooperative perception systems | |
Roos et al. | A method for evaluation and optimization of automotive camera systems based on simulated raw sensor data | |
Soemantoro et al. | An AI automated self-organising, feature imitating approach for point cloud data reduction | |
CN111507938A (zh) | 一种人体危险物品检测方法及*** | |
Delgado et al. | A combined measure for quantifying and qualifying the topology preservation of growing self-organizing maps | |
Cheng et al. | Research on Calibration Method of Camera Stabilizer Based on Binocular Vision | |
Zach et al. | Graph signal interpolation and extrapolation over manifold of Gaussian mixture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 14845096 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2015537966 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 14845096 Country of ref document: EP Kind code of ref document: A1 |