[發(fā)明專利]基于非下采樣輪廓波全卷積網(wǎng)絡的高分辨SAR圖像分類方法

有效

• 申請?zhí)枺?/td>: 201710364900.8
• 申請日: 2017-05-22
• 公開（公告）號: CN107239751B
• 公開（公告）日: 2020-11-03
• 發(fā)明（設計）人: 焦李成;屈嶸;孫瑩瑩;唐旭;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;張丹;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于非下采樣輪廓波全卷積網(wǎng)絡的高分辨SAR圖像分類方法，其特征在于，包括：

1)輸入待分類的高分辨SAR圖像，對圖像中的各像素點進行多層非下采樣輪廓波變換，獲取各像素點的低頻系數(shù)和高頻系數(shù)；

2)將低頻系數(shù)和高頻系數(shù)進行選擇并融合，構成基于像素點的特征矩陣F；

3)將特征矩陣F中的元素值歸一化到[0，1]之間，得到歸一化特征矩陣F1；

4)將歸一化特征矩陣F1進行切塊，得到特征塊矩陣F2并作為樣本數(shù)據(jù)；

5)通過訓練數(shù)據(jù)集D構造訓練數(shù)據(jù)集特征矩陣W1，通過測試數(shù)據(jù)集T構造測試數(shù)據(jù)集特征矩陣W2；具體操作如下：

5a)將高分辨SAR圖像地物分為3類，記錄每個類別對應的像素點在待分類圖像中的位置，生成三種分別代表三類地物像素點在待分類圖像中的位置A1、A2、A3；

5b)從所述A1、A2、A3中隨機選取5％的元素，生成三種對應不同類地物、被選作訓練數(shù)據(jù)集的像素點位置B1、B2、B3，其中B1為對應第1類地物中被選作訓練數(shù)據(jù)集的像素點在待分類圖像中的位置，B2為對應第2類地物中被選作訓練數(shù)據(jù)集的像素點在待分類圖像中的位置，B3為對應第3類地物中被選作訓練數(shù)據(jù)集的像素點在待分類圖像中的位置，并將B1、B2、B3中的元素合并組成訓練數(shù)據(jù)集的所有像素點在待分類圖像中的位置L1；

5c)用所述A1、A2、A3中其余95％的元素生成3種對應不同類地物被選作測試數(shù)據(jù)集的像素點位置C1、C2、C3，其中C1為對應第1類地物中被選作測試數(shù)據(jù)集的像素點在待分類圖像中的位置，C2為對應第2類地物中被選作測試數(shù)據(jù)集的像素點在待分類圖像中的位置，C3為對應第3類地物中被選作測試數(shù)據(jù)集的像素點在待分類圖像中的位置，并將C1、C2、C3中的元素合并組成測試數(shù)據(jù)集的所有像素點在待分類圖像中的位置L2；

5d)定義訓練數(shù)據(jù)集D的訓練數(shù)據(jù)集特征矩陣W1，在特征塊矩陣F2中依據(jù)L1取對應位置上的值，并賦值給訓練數(shù)據(jù)集D的訓練數(shù)據(jù)集特征矩陣W1；

5e)定義測試數(shù)據(jù)集T的測試數(shù)據(jù)集特征矩陣W2，在特征塊矩陣F2中依據(jù)L2取對應位置上的值，并賦值給測試數(shù)據(jù)集T的測試數(shù)據(jù)集特征矩陣W2；

6)構造基于全卷積神經(jīng)網(wǎng)絡的分類模型；

7)將分類模型通過訓練數(shù)據(jù)集D進行訓練，得到訓練好的模型；

8)利用訓練好的模型對測試數(shù)據(jù)集T進行分類，得到測試數(shù)據(jù)集T中每個像素點的類別，將得到的每個像素點類別與類標圖進行對比，計算出分類準確率。

2.根據(jù)權利要求1所述的基于非下采樣輪廓波全卷積網(wǎng)絡的高分辨SAR圖像分類方法，其特征在于：步驟1)對圖像中的各像素點進行三層非下采樣輪廓波變換；非下采樣輪廓波變換包括非下采樣金字塔分解和非下采樣方向濾波器分解，所述的非下采樣金字塔分解通過非下采樣濾波器組將時頻平面分解為一個低頻子代和多個環(huán)形高頻子代，非下采樣金字塔分解形成的帶通圖像再通過非下采樣方向濾波器分解得到帶通子圖像的系數(shù)。

3.根據(jù)權利要求2所述的基于非下采樣輪廓波全卷積網(wǎng)絡的高分辨SAR圖像分類方法，其特征在于：步驟2)將高頻系數(shù)按照從大到小進行排序，選取其中前50％的高頻系數(shù)，與第三層變換后的低頻系數(shù)融合，定義基于像素點的特征矩陣F大小為M1×M2×1，M1為待分類SAR圖像的長，M2為待分類SAR圖像的寬，將融合結果賦值給基于像素點的特征矩陣F。

4.根據(jù)權利要求1所述的基于非下采樣輪廓波全卷積網(wǎng)絡的高分辨SAR圖像分類方法，其特征在于：步驟3)所述的歸一化通過特征線性縮放法、特征標準化法或特征白化法實現(xiàn)；特征線性縮放法先求出基于像素點的特征矩陣F的最大值max(F)；再將基于像素點的特征矩陣F中的每個元素均除以最大值max(F)，得到歸一化特征矩陣F1。

5.根據(jù)權利要求1所述的基于非下采樣輪廓波全卷積網(wǎng)絡的高分辨SAR圖像分類方法，其特征在于：步驟4)將歸一化特征矩陣F1按照大小為128×128、間隔為50進行切塊。