[发明专利]基于深度复值全卷积神经网络的极化SAR图像分类方法

权利要求书

1.一种基于深度复值全卷积神经网络的极化SAR图像分类方法，其特征在于，包括如下：

(1)输入一幅待分类的极化SAR图像相干矩阵T及其对应的真实地物标记图G，并对相干矩阵进行归一化，得到归一化后的相干矩阵

(2)从归一化后的相干矩阵中提取每个像素点的复值特征向量I^(ij)，并用所有像素点的复值特征向量集合构成待分类极化SAR图像的特征矩阵F，其中，i＝1,2,...,a，j＝1,2,...,b，a和b分别表示待分类极化SAR图像的长和宽；

(3)从真实地物标记图G中的每个类别中选取1％个像素点，组成新的真实地物标记G'；

(4)利用大小为m×m的截取窗以步长为τ在F和G'上从左到右、从上到下滑动截取特征块d_i和标记块e_i，分别生成特征集D＝{d_i}和标记集E＝{e_i}，并构成样本对集Λ＝{(d_i,e_i)}，其中i∈{1,2,...,N}，N为截取块数；

(5)在样本对集Λ中随机选取90％构成训练集其中M为选择的样本对个数；

(6)搭建深度复值全卷积神经网络：

该深度复值全卷积神经网络包括一个输入层、十一个复卷积层、十个复激活层、五个复最大池化层、五个复最大上池化层和一个复Softmax分类器输出层，其结构关系依次为：

输入层→第一复卷积层→第一复激活层→第一复最大池化层→第二复卷积层→第二复激活层→第二复最大池化层→第三复卷积层→第三复激活层→第三复最大池化层→第四复卷积层→第四复激活层→第四复最大池化层→第五复卷积层→第五复激活层→第五复最大池化层→第六复卷积层→第六复激活层→第一复最大上池化层→第七复卷积层→第七复激活层→第二复最大上池化层→第八复卷积层→第八复激活层→第三复最大上池化层→第九复卷积层→第九复激活层→第四复最大上池化层→第十复卷积层→第十复激活层→第五复最大上池化层→第十一复卷积层→复Softmax分类器输出层；

(7)用每个复卷积层中所有复值滤波器的复值权重构成复值权重集Θ，并利用复值权重初始化策略对该复值权重集进行初始化，即Θ＝{w}，其中一个复值权重w用极坐标形式表示为：w＝|w|e^jθ，|w|是w的幅值，θ是w的相位，j为虚数单元，e表示自然底数；利用参数为的Rayleigh分布随机初始化幅值|w|，表示输入复卷积层中的复特征图个数；利用在区间(-π,π)的随机分布初始化相位θ，对复值权重集Θ的初始化，即完成对深度复值全卷积网络初始化；

(8)根据训练集和初始化后的深度复值全卷积网络，构建深度复值全卷积神经网络的复平均交叉熵损失函数J：

其中，O表示深度复值全卷积神经网络的复Softmax分类器输出层的输出复特征图数据，表示取实部操作，表示取虚部操作，e_j是训练集中第j个的标记块，M为选择的样本对个数，ln(·)表示自然对数运算；

(9)对初始化后的深度复值全卷积网络进行训练：

(9a)根据(8)构建的复平均交叉熵损失函数值J对复值权重集Θ中的每一个复值权重w求导数

(9b)根据Adam优化算法和(9a)中求得的导数更新复值权重w，得到更新后的复值权重集Θ^*；

(9c)根据更新后的复值权重集Θ^*重新计算复平均交叉熵损失函数值J；

(9d)不断重复(9a)至(9c)，直到J收敛，得到训练好的深度复值全卷积网络；

(10)将待分类极化SAR图像的特征矩阵F输入到训练好的深度复值全卷积神经网络，输出分类后的极化SAR图像。