本发明公开了一种像素级统计描述学习的SAR图像分类方法,包括:S1、将目标SAR图像输入SAR图像分类模型;S2、SAR图像分类模型中的判别子网络提取目标SAR图像的像素级统计描述特征;S3、SAR图像分类模型中的模式子网络提取目标SAR图像的结构模式描述特征;S4、SAR图像分类模型中的融合模块将像素级统计描述特征和结构模式描述特征融合得到目标SAR图像的图像描述特征;S5、SAR图像分类模型中的Softmax层基于图像描述特征生成目标SAR图像的分类结果。本发明能够解决SAR图像分析时存在的泛化能力不高和稳健性不足的问题。
1.一种像素级统计描述学习的SAR图像分类方法,其特征在于,包括:S1、将目标SAR图像输入SAR图像分类模型;S2、SAR图像分类模型中的判别子网络提取目标SAR图像的像素级统计描述特征zps;步骤S2包括:S201、基于下式提取目标SAR图像的像素值均值μx和像素值标准差σx:式中,xi表示目标SAR图像的第i个像素点的像素值,n表示目标SAR图像的像素点个数;S202、基于下式对μx和σx进行尺度和平移变换得到对应的特征zμ和zσ:zμ=wμμx+bμzσ=wσσx+bσ式中,zμ∈V,zσ∈V,V为高维映射空间;wμ和bμ分别表示μx对应的尺度和平移变换向量,wμ=[wμ1,wμ2,...,wμD]T,bμ=[bμ1,bμ2,...,bμD]T,bμd和wμd分别表示μx的第d个值对应的尺度和平移变换参数,d=1,2,…,D,D表示μx的最大维度;wσ和bσ分别表示σx对应的尺度和平移变换参数,wσ=[wσ1,wσ2,...,wσD]T,bσ=[bσ1,bσ2,...,bσD]T,bσd和wσd分别表示σx的第d个值对应的尺度和平移变换参数;S203、基于下式对zμ和zσ进行自适应优化与非线性处理,生成像素级统计描述特征zps:式中,ReLU(·)为修正线性激活单元函数,和分别表示zps对应的权值矩阵和偏置矢量,表示M维线性空间,表示M×2D维线性空间;S3、SAR图像分类模型中的模式子网络提取目标SAR图像的结构模式描述特征zpa;模式子网络包括4个激活函数均为ReLU函数的卷积层,第k个卷积层的处理公式为:zk=H(Wkzk-1+bk)式中,zk表示第k个卷积层的输出,k=1,2,3,4,z0为目标SAR图像,H(·)表示ReLU激活映射和池化函数的复合函数,Wk和bk分别表示zk对应的权值矩阵和偏置矢量,zpa为结构模式描述特征;S4、SAR图像分类模型中的融合模块将像素级统计描述特征zps和结构模式描述特征zpa融合得到目标SAR图像的图像描述特征z;S5、SAR图像分类模型中的Softmax层基于图像描述特征生成目标SAR图像的分类结果。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311308.html,转载请声明来源钻瓜专利网。