[发明专利]基于DCCGAN模型的极化SAR图像分类方法

说明书

本发明公开了一种基于DCCGAN的极化SAR图像分类方法，其实现步骤为：(1)输入图像；(2)预处理数据；(3)特征矩阵归一化及取块；(4)构造数据集；(5)构造DCCGAN模型；(6)训练DCCGAN模型；(7)构造判别分类网络模型并初始化模型；(8)训练判别分类网络模型；(9)预测分类。本发明无需对极化合成孔径雷达SAR图像的极化目标进行分解，可直接从极化散射矩阵中提取特征，充分利用极化合成孔径雷达SAR图像的丰富信息，有效地提高了极化合成孔径雷达SAR图像的分类精度。

技术领域

本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达图像地物分类技术领域中的一种基于深度复卷积生成式对抗网络DCCGAN(Deep Complex ConvolutionalGenerative Adversarial Network)模型的极化合成孔径雷达SAR(Synthetic ApertureRadar)图像分类方法。本发明可用于对极化SAR图像中的地物目标进行分类，能有效的提高极化SAR图像分类的精度，可用于目标识别与跟踪定位。

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。

西安电子科技大学在其申请的专利文献“一种基于DCGAN的极化SAR图像分类方法”(专利申请号：201710440090.X，公开号：CN107292336A)中提出一种基于DCGAN(DeepConvolutional Generative Adversarial Network)的极化SAR图像分类方法。该方法实现步骤为：(1)对极化数据进行Pauli分解得到3个极化散射特征形成伪彩图；(2)对伪彩图进行取块组成基于图像块数据集；(3)将大量无标记数据集输入DCGAN网络进行无监督训练，得到训练好的训练网络模型DCGAN；(4)利用训练好的DCGAN中的判别器D,更换判别器最后一层二分类器为softmax分类器，形成判别分类网络模型；(5)将少量有标记样本集输入判别分类网络模型进行有监督训练；(6)最后输入测试集到判别分类网络中进行分类。该方法存在的不足之处是，该方法通过pauli分解提取散射特征，未考虑到原始极化SAR复数数据的丰富信息，忽略了图像某些相位信息，导致图像信息利用不充分，不能很好地将图像边缘检测出来，结果达不到很高的分类精度。

Liu F等人在其发表的论文“POL-SAR Image Classification Based on WishartDBN and Local Spatial Information”(IEEE Transactions on Geoscience&RemoteSensing,2016,54(6):3292-3308.)中提出了一种WishartDBN(Deep-belif-Network)模型的极化SAR分类方法。该方法首先进行极化目标分解从极化相干矩阵得到极化散射特征，然后将这些散射特征输入到DBN模型中进行高级特征提取，最后完成分类。其中，DBN能够完成从低层次到高层次的特征提取。DBN完成特征学习的前提，是假设数据服从高斯分布，但由极化目标分解提取的散射特征服从的是Wishart分布。因此，将极化散射特征服从的Wishart分布引入DBN，来完成特征学习，可以学习到更有效的特征，实现更好的分类效果。但是，该方法仍然存在的不足之处是，DBN不适于发掘图像里的局部空间关联信息，并且在初始化权值参数时随机初始化模型参数，导致模型训练速度变慢，很难收敛到全局最优解，得不到很高的准确率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法。本发明将已有的极化SAR图像分类方法延拓至复数域进行运算，直接处理复数数据，充分利用极化SAR数据的方向信息，更全面细致地描述图像特征，同时增强模型的泛化能力，从而有效地提高极化SAR图像的分类精度。