[发明专利]基于复数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，可用于目标检测与识别。

背景技术

极化SAR是一种多通道相干微波成像系统，是单极化SAR的扩展系统，通过矢量测量方法来获取地物目标信息，包含幅度、相位分量。极化SAR图像正确分类的前提是对极化SAR图像进行充分的特征提取，以此表征图像中地物的属性。

现有的基于散射特性的目标特征提取方法，主要包括Cloude分解、Freeman分解等。

1997年，Cloude等人提出了H/α分类方法，以地物散射熵H和散射角α两个表征极化数据的特征值为依据把各像素划分为相应类别。

2004年，Lee等人提出了一种基于Freeman分解的特征提取方法，该方法利用Freeman分解得到的三种散射机理的功率进行分类，能够保持极化SAR图像的极化散射特性。

但是这些特征提取方法由于均没有考虑到极化SAR图像的相位信息以及多尺度、多方向、多分辨特性，因而对背景复杂的极化SAR图像难以取得较高的分类精度。

发明内容

本发明的目的在于针对上述问题，提出一种基于复数轮廓波卷积神经网络的极化SAR图像分类方法，以提高极化SAR图像的分类精度。

本发明的技术核心是将卷积神经网络延拓至复数域进行运算，并在构造得到的复数卷积神经网络中引入多尺度深度滤波器来提取具有多尺度、多方向、多分辨特性的图像特征，其技术方案包括如下：

(1)输入待分类极化SAR图像的极化相干矩阵T；

(2)将极化相干矩阵T分为实部特征矩阵T1和虚部特征矩阵T2，分别将实部特征矩阵T1和虚部特征矩阵T2中的元素值归一化到[0，1]之间，得到归一化后的实部特征矩阵F1和归一化后的虚部特征矩阵F2；

(3)在归一化后的实部特征矩阵F1和归一化后的虚部特征矩阵F2中的每个元素周围取37×37的块代表中心元素，构成基于图像块的实部特征矩阵F3和基于图像块的虚部特征矩阵F4；

(4)将待分类的极化SAR图像地物分为15类，在基于图像块的实部特征矩阵F3中的每类中随机选取200个有标记的元素作为训练样本，其余作为测试样本，得到训练数据集的实部特征矩阵W1和测试数据集的实部特征矩阵W2；在基于图像块的虚部特征矩阵F4中的每类中随机选取200个有标记的元素作为训练样本，其余作为测试样本，得到训练数据集的虚部特征矩阵W3和测试数据集的虚部特征矩阵W4；

(5)构造复数卷积神经网络：

构造一个由输入层→复数卷积层→复数池化层→复数卷积层→复数池化层→复数卷积层→复数池化层→全连接层→全连接层→softmax分类器组成的10层复数卷积神经网络，给定各层的特征映射图，确定复数卷积层的滤波器尺寸并随机初始化滤波器；

(6)构造复数轮廓波卷积神经网络：

用非下采样轮廓波变换中的尺度滤波器和方向滤波器构造多尺度深度滤波器，并替换复数卷积神经网络第一个复数卷积层中随机初始化的滤波器，得到由输入层→多尺度深度滤波器层→复数池化层→复数卷积层→复数池化层→复数卷积层→复数池化层→全连接层→全连接层→softmax分类器这10层结构组成的复数轮廓波卷积神经网络；

(7)用训练数据集对复数轮廓波卷积神经网络进行训练，得到训练好的模型；

(8)将测试数据集的实部特征矩阵W2和虚部特征矩阵W4作为步骤(7)训练好模型的输入，得到测试数据集中每个元素的类别。

本发明与现有的技术相比具有以下优点：

1.本发明由于将卷积神经网络延拓至复数域进行运算，因而构造得到的复数卷积神经网络可充分利用极化SAR图像的相位信息；

2.本发明由于在复数卷积神经网络中引入了多尺度深度滤波器，故能得到具有多尺度、多方向、多分辨特性的图像特征，增强了复数轮廓波卷积神经网络的泛化能力。

3.本发明由于在复数轮廓波卷积神经网络充分利用了极化SAR图像的相位信息，并提取了多尺度、多方向、多分辨特性的图像特征，使得该网络提取到的地物信息更为丰富，有效提高了极化SAR图像的分类精度。

附图说明

图1是本发明的实现流程图；

图2是本发明对待分类图像的人工标记图；

图3是用本发明对待分类图像的分类结果图。

具体实施方式

以下结合附图对本发明的实现步骤和实验效果作进一步详细描述：

参照图1，本发明的具体实现步骤如下：

步骤1，输入待分类极化SAR图像的极化相干矩阵T。