[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(quán)）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(quán)

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，包括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)；將低頻系數(shù)和高頻系數(shù)選擇并融合，構(gòu)成基于像素點的特征矩陣F；將特征矩陣F中的元素值歸一化，得到歸一化特征矩陣F1；將歸一化特征矩陣F1切塊，得到特征塊矩陣F2并作為樣本數(shù)據(jù)；構(gòu)造訓練數(shù)據(jù)集特征矩陣W1和測試數(shù)據(jù)集特征矩陣W2；構(gòu)造基于全卷積神經(jīng)網(wǎng)絡的分類模型；訓練分類模型；利用訓練好的模型對測試數(shù)據(jù)集T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對比，計算出分類準確率，提高了分類精度和速度。

技術領域

本發(fā)明屬于圖像處理領域，具體涉及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，能夠應用于高分辨SAR圖像，有效提高目標的識別精度。

背景技術

合成孔徑雷達(Synthetic Aperture Radar，SAR)是近年來得到廣泛研究和應用的一種遙感傳感器，與光學、紅外等其它傳感器相比，SAR成像不受天氣、光照等條件的限制，能夠?qū)Ω信d趣的目標進行全天候、全天時的偵查。而且SAR還具有一定的穿透能力，能夠在有云層干擾、樹叢遮擋或是目標淺埋地表等不利條件下實現(xiàn)對目標的探測。此外，由于SAR特殊的成像機理，使得高分辨SAR圖像包含與其他傳感器不同的內(nèi)容，給目標探測提供了更豐富全面的信息。由于SAR具備眾多顯著的優(yōu)點，具有極大的應用潛力。近年來對SAR技術的研究引起了廣泛關注，不少研究成果已被成功應用于環(huán)境監(jiān)測、地形測量、目標探測等方面。

高分辨SAR圖像分類的關鍵是對高分辨SAR圖像的目標特征提取，現(xiàn)有的SAR圖像分類技術有基于統(tǒng)計的分類方法、基于圖像紋理的分類方法以及基于深度學習的分類方法。

基于統(tǒng)計的分類方法是根據(jù)不同性質(zhì)圖像區(qū)域的統(tǒng)計特性差異進行分類，但是該方法忽略了圖像的空間分布特性，因此分類結(jié)果往往不理想。近年來也出現(xiàn)了一些基于紋理特征的分類方法，如基于灰度共生矩陣(GLCM)的方法、基于Markov隨機場(MRF)的方法、Gabor小波方法等，但是由于SAR圖像相干成像的機理，導致SAR圖像中的紋理不明顯且不穩(wěn)健，此外計算機紋理特征需要對圖像進行逐點掃描，計算量巨大且不能滿足實時性要求。

以上傳統(tǒng)的SAR圖像分類方法只能依靠人工提取一些代表目標特性的淺層特征，這些淺層特征僅僅通過將原始輸入信號轉(zhuǎn)換到特定問題空間得出，并不能完全的表征出目標像素點之間的鄰域相關性。2006年，Hinton等人提出了無監(jiān)督的逐層貪婪訓練方法，解決了深度增加所帶來的“梯度耗散”問題。隨后，許多學者根據(jù)不同的應用背景提出了多種DL模型，如深度置信網(wǎng)(Deep Belief Network，DBN)、棧式降噪自編碼機(Stacked DenoisingAutoencoders，SDA)和卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)等。但是，上述特征提取方法均沒有考慮到高分辨SAR圖像的多尺度、多方向、多分辨特性，因此，對于背景復雜的高分辨SAR圖像難以得到較高的分類精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述現(xiàn)有技術中的問題，提供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，結(jié)合高分辨SAR圖像多尺度、多方向、多分辨的特性，提高其圖像分類的準確率以及分類速度，進而有效提高目標的識別精度。

為了實現(xiàn)上述目的，本發(fā)明采用的技術方案包括以下步驟：

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(gòu)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)；