[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

说明书

本发明公开了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，主要解决现有技术分类精度低的问题。其方案为：输入待分类极化SAR图像的极化相干矩阵T及其真实地物标记G，并对T归一化；提取归一化后矩阵的输入复值向量构造特征矩阵F；在G中选取像素点生成新的真实地物标记G'；在F和G'上通过滑动窗分别生成特征集和标记集，对该两者进行随机选取构成训练集；构造深度复值全卷积神经网络，并初始化；利用训练集对初始化后的深度复值全卷积网络进行训练；将待分类极化SAR图像输入到训练好的深度复值全卷积神经网络中，得到分类结果；本发明有效地抑制相干斑噪声干扰，提高了分类准确率，可用于实现极化SAR图像的目标检测或分类识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种极化合成孔径雷达SAR图像分类方法，可用于实现极化SAR图像的目标检测与分类识别。

背景技术

极化SAR图像相对于SAR图像可以提供更加全面和丰富的信息，从而被广泛地应用在各个领域。在极化SAR图像分析与解译过程中，极化SAR图像分类技术是一个非常关键的步骤。目前，已经开发了许多用于极化SAR图像分类的传统方法，例如Wishart分类器、目标分解理论、支持矢量机SVM和基于随机场模型等。但这些传统方法依赖于手工提取的低级别特征，这些特征大部分通过对极化SAR数据的复杂分析获得，显然是耗时耗力的。

随着深度学习的快速发展，基于神经网络的极化SAR图像分类方法显著提高了分类准确率，并且能以端到端的方式自动学习判别特征，从而减少手工错误并节约成本。其中使用最多的是卷积神经网络CNN。但由于基于神经网络的极化SAR图像分类方法主要集中在实值神经网络，网络输入矢量是实值矢量。在处理复值的极化SAR数据时，要求将复值极化SAR数据投影到实值域中，因而这种投影处理会增加计算成本并且丢失有价值的信息，最显著的是相位信息的丢失。

鉴于上述问题，已有学者提出基于复值神经网络对极化SAR图像分类。复值神经网络直接使用复值极化SAR数据，不需要投影到实值域中，典型的如Zhang等人提出利用复值卷积神经网络对极化SAR图像进行分类，见Z.Zhang et al,“Complex-valuedconvolutional neural network and its application in polarimetric sar imageclassification,”IEEE Trans.Geosci.Remote Sens.,vol.55,no.12,pp.7177-7188,2017。但目前出现的对极化SAR图像分类的复值神经网络存在以下问题：

一是，已出现的复值神经网络结构较简单、层数有限，从而学习特征能力有限导致分类准确率低；

二是，已出现的复值神经网络未能充分考虑空间信息，不能较好地降低固有相干斑噪声对分类结果的影响；

三是，已出现的复值神经网络是基于块的分类，大部分像素点会在不同块中被重复预测分类，导致分类速度慢。

发明内容

本发明的目的在于针对上述技术中存在的问题和不足，提出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，以降低固有相干斑噪声对分类结果的影响，提高极化SAR图像的分类精度。

为实现上述目的，本发明的技术方案包括如下步骤：

(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'；