[发明专利]非下采样轮廓波卷积神经网络的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种极化SAR图像分类方法，可用于目标识别。

背景技术

极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像分类的目的是利用机载或者星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。

现在普遍使用的极化SAR图像分类方法是基于像素的方法，即仅利用各个像素本身的特征进行分类。这些方法虽然能够较好地保留图像中像素级的细节，但由于相干斑的影响，单个像素的测量值与真实值之间存在误差，分类图中难以避免存在较多的孤立像素和小块区域，增加了分类难度。

现有的基于散射特性的极化SAR图像目标特征提取方法，包括Cloude分解、Freeman分解等。

1997年，Cloude等人提出了Cloude分解，对H/α平面进行划分，通过H和α两个表征极化数据的特征值把各像素化为相应区域的类别。H/α分类存在的一个缺陷是区域的划分过于武断，当同一类的数据分布在两类或几类的边界时，分类器性能将变差，另一个不足之处是，当同一个区域里共存几种不同的地物时，将不能有效区分；

2004年，Lee等人提出了一种基于Freeman分解的特征提取方法，该方法能够保持各类的极化散射特性，但分类结果易受Freeman分解性能的影响，对不同波段的极化数据该算法的普适性差。

这些特征提取方法均没有考虑到极化SAR图像的多尺度、多分辨特性，对背景复杂的极化SAR图像很难得到较高的分类精度。

发明内容

本发明的目的在于针对上述问题，提出一种基于非下采样轮廓波卷积神经网络的极化SAR图像分类方法，以得到具有多尺度、多分辨特性的图像特征，提升分类精度。

本发明的思路是：基于卷积神经网络对图像块特征进行处理，并通过在该网络中引入非下采样轮廓波变换，有效提高极化SAR图像特征的表达能力，其实现方案包括如下：

(1)对待分类的极化SAR图像进行去噪，得到极化SAR图像滤波后的极化散射矩阵S；

(2)对滤波后的极化散射矩阵S进行Pauli分解，将Pauli分解得到的奇次散射、偶次散射、体散射的值作为极化SAR图像的图像特征；

(3)将Pauli分解得到的图像特征组合成极化SAR图像的基于像素点的特征矩阵F，每个像素点对应3维Pauli分解特征，并将F中的元素值归一化到[0，1]之间，记作F1；

(4)对每个像素点取F1周围22×22的块，得到基于块的特征矩阵F2，即每个像素点对应3个22×22的块；

(5)从基于块的特征矩阵F2中选取训练数据集和测试数据集：

(5a)将极化SAR图像地物分为15类，分别从每个类别中随机选取N个有标记的像素点作为训练样本D1，其余有标记的像素点作为测试样本T1，N取300～700之间的整数；

(5b)用Canny算子提取极化SAR图像的边缘点，在训练样本D1中加入Canny算子提取的边缘点，即增加置信度较高的训练样本，得到更新后的训练数据集D和测试数据集T；

(6)构造非下采样轮廓波卷积神经网络：

(6a)选择一个由输入层→卷积层→池化层→卷积层→池化层→全连接层→全连接层→softmax分类器组成的8层卷积神经网络，并确定卷积神经网络的滤波器大小以及各层的特征映射图；

(6b)用非下采样轮廓波变换层替换卷积神经网络中的第2层卷积层，得到非下采样轮廓波卷积神经网络；

(7)用非下采样轮廓波卷积神经网络对训练数据集进行训练；

(8)利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类，得到极化SAR图像测试数据集中每个像素点的像素类别。

本发明与现有的技术相比具有以下优点：

1.本发明结合像素空间相关性提取图像块特征，减弱了相干斑影响，从而提升了分类精度。

2.本发明由于采用非下采样轮廓波卷积神经网络，并在卷积神经网络中引入非下采样轮廓波变换得到具有多尺度、多分辨特性的图像特征，因而能更好的逼近原图像，提升了分类精度。

附图说明

图1是本发明的实现流程图；

图2是本发明中对待分类图像去噪后的伪彩色图；

图3是本发明中对待分类图像的人工标记图；