[發明專利]一種基于深度階梯網絡的高分辨SAR圖像分類方法

有效

• 申請號: 201710369380.X
• 申請日: 2017-05-23
• 公開（公告）號: CN107133653B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 焦李成;屈嶸;李晰;張丹;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;唐旭;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06T7/11
• 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

本發明公開了一種基于深度階梯網絡的高分辨SAR圖像分類方法，該方法主要解決高分辨SAR圖像有類標數據較少無法有效對網絡進行訓練的問題。其實現步驟為：輸入待分類的高分辨SAR圖像及其標記信息；構造訓練數據集D1與測試數據集D2；對數據集D1、D2的特征進行歸一化得到數據集D3、D4；構造基于深度階梯網絡的分類器模型；用訓練數據集D3對網絡進行訓練；利用訓練好的分類模型對測試數據集D4進行分類。本發明可充分利用少量有類標的訓練樣本，而獲得較高的分類精度。

【技術領域】

本發明屬于圖像處理技術領域，具體涉及一種基于深度階梯網絡的高分辨SAR圖像分類方法，能夠用于目標檢測與地物分類方法。

【背景技術】

合成孔徑雷達SAR在地球科學遙感領域的應用十分廣泛，為它不僅具有全天時、全天候的特性、而且它還能提供不同于紅外和可見光傳感器的不同的信息。因此對SAR圖像進行理解與解譯成為一個研究熱點。

SAR圖像地物分類是模式分類在SAR圖像處理中的應用，它完成將圖像從二維灰度空間轉換到目標模式空間的工作，其分類的結果是將圖像根據不同屬性劃分為多個不同類別的子區域。即根據SAR圖像的基本特征，提取可靠特征，將圖像區分為人造目標、自然目標、背景和陰影四種類別，為不同的應用提供對應的感興趣區域。人造目標包括機動車輛、建筑物等強散射體；自然目標包括樹木、灌木、樹林等自然作物；背景包括草地、平地、植被等占圖像大部分面積的地域；陰影包括目標陰影、湖泊、水域等鏡面散射體。

SAR圖像地物分類是傳統自動地物分類SAR技術的擴展。一方面可以作為SAR圖像解譯系統的中前端，以帶層次信息的感興趣區域取代目標檢測和鑒別模塊，為目標識別過程提供潛在目標切片以及空間位置、尺寸等信息，另一方面，可以直接為人工判讀提供必要參數，建立獨立的輔助判別系統。

SAR圖像特征的提取是分類的核心，傳統的SAR圖像特征提取主要采用人工設計的特征，如廣泛使用灰度共生矩陣來提取SAR圖像的空域特征，但隨著分辨率的提高，提取圖像中更為復雜的結構變得極為重要，因此采用多尺度濾波器如Gabor濾波器組、小波變換等方法去建模SAR圖像中的局部信息，但是無法自適應的確定濾波器的尺度及方向來提取SAR圖像的判別信息。

對于大多數現存的SAR圖像分類系統來說，他們的性能主要取決于高質量的SAR圖像人工標記，及其特征的有效提取。然而，人工進行標記非常耗時，并且由于對目標區域的不了解，標記的圖像并不可靠。

【發明內容】

針對上述問題，本發明的目的在于提出一種基于深度階梯網絡的高分辨SAR圖像分類方法，通過該方法能夠減少訓練樣本個數，提高分類速度精度。

本發明的目的通過如下技術方案實現：

一種基于深度階梯網絡的高分辨SAR圖像分類方法，包括如下步驟：

(1)通過高分辨SAR圖像及其人工標記圖來構造訓練數據集D1和測試數據集D2；

(2)將訓練數據集D1和測試數據集D2中每個元素歸一化至[0，1]之間，分別得到歸一化后的訓練數據集D3和歸一化后的測試數據集D4；

(3)構造基于深度階梯網絡的分類模型；

(4)用訓練數據集D1對基于深度階梯網絡進行訓練，得到訓練好的模型；

(5)利用訓練好的模型對測試數據集D2進行分類，獲得最終的分類結果。

所述步驟(1)的具體步驟如下：

(1a)先對高分辨SAR圖像進行三倍降采樣，再在該圖上采用滑窗的方法取21×21像素大小的塊代表該塊區域，將21×21像素大小的塊拉成441維的列向量作為訓練數據集D1的特征部分；