[發明專利]基于生成對抗網絡的極化SAR圖像分類方法

有效

• 申請號: 201710742716.2
• 申請日: 2017-08-25
• 公開（公告）號: CN107563428B
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 王爽;焦李成;王欣;翟育鵬;趙陽;孫莉;侯彪
• 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
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于生成對抗網絡的極化SAR圖像分類方法，主要解決現有技術中極化SAR圖像特征選取不合理導致分類精度不高的問題，充分利用無標簽和有標簽樣本，無需設計復雜的代價函數。本發明的具體實現步驟如下：(1)輸入待分類的極化合成孔徑雷達SAR圖像的相干矩陣；(2)濾波；(3)生成樣本集；(4)選取樣本；(5)構造生成對抗網絡；(6)訓練生成網絡與對抗網絡；(7)對樣本集進行分類；(8)輸出極化SAR圖像樣本集中所有樣本的類別標簽。本發明具有對極化SAR圖像分類效果顯著的優點，可進一步用于極化SAR圖像目標檢測和目標識別。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及目標識別技術領域中的基于生成對抗網絡的極化合成孔徑雷達SAR(Synthetic Aperture Radar)圖像分類方法。本發明可用于對極化合成孔徑雷達SAR圖像進行地物分類和目標識別。

背景技術

極化SAR圖像分類的目的是利用機載或星載極化傳感器獲得的極化測量數據，確定每個像素所屬的類別，即給出每個像素點所包含的地物離別如海洋、城市、森林等。極化SAR數據的分類工作是使用獲取到的極化成像數據按照像素進行歸類，得到的結果就可以表示不同的地物信息。對于極化SAR分類方法，特征提取和分類技術是兩個基本要素。極化SAR圖像分類的性能在很大程度上依賴于特征。正因如此，對極化SAR圖像分類方法的研究重點在于特征的提取，而這需要人工設計出來的。深度學習的方法因為無需設計特征，也被廣泛的應用在極化SAR分類中。

付姣，張永紅等人在其發表的論文“利用Yamaguchi分解保持地物散射特性的極化SAR分類”(測繪科學,[J]2014 39(3):81-84.)中提出了一種利用Yamaguchi分解保持地物散射特性的極化SAR數據分類方法。該方法利用Yamaguchi分解獲得4種散射機理，根據4種散射機理的功率大小判斷地物的主散射機理和類別之間的Wishart距離,合并到指定個數的初始類別，之后并結合Wishart距離分類器對初始類進行迭代修正,實現極化SAR圖像的分類。該方法存在的不足之處是，對待分類的極化SAR圖像信息的特征豐富性要求高，且計算量大。

西安電子科技大學在其申請的專利文獻“基于去噪自動編碼的極化SAR圖像的分類方法”(專利申請號：201510108639.6，公開號：CN104751172A)中提出了一種基于去噪自動編碼DA網絡的極化SAR圖像分類方法。該方法提取該極化SAR圖像的原始特征以及其鄰域特征，然后對原始特征及鄰域特征取對數處理，使其噪聲滿足高斯分布，之后利用訓練好的去噪自動編碼DA網絡，得到極化SAR圖像的分類結果。該方法存在的不足之處是，需要對特征做預處理再做分類，其分類效果依賴于數據的表達形式。

西安電子科技大學在其申請的專利文獻“基于Wishart深度網絡的極化SAR圖像分類方法”(專利申請號：201510341168.3，公開號：CN105046268A)中提出了一種基于Wishart深度網絡的極化SAR圖像分類方法。該方法首先用無監督的方法逐層訓練深度網絡，對圖像構造多層Wishart RBM學習特征，最后利用部分有標簽的樣本進行有監督的微調。該方法存在的不足之處是，該方法依據對數據的分布的假設，設計了較為復雜的代價函數，訓練過程復雜且不能充分利用無標簽的樣本。

發明內容

本發明的目的是克服上述現有技術的不足，提供一種基于生成對抗網絡的極化SAR圖像分類方法。本發明與現有技術中其他極化合成孔徑雷達SAR圖像分類技術相比計算量小，分類精度和分類效率高。