[發明專利]基于多尺度卷積與特征融合的高分辨SAR地物分類方法

有效

• 申請號: 201810032469.1
• 申請日: 2018-01-12
• 公開（公告）號: CN108154192B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 侯彪;焦李成;張永昌;馬晶晶;馬文萍;王爽;白靜
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/764;G06V10/774;G06V10/80;G06V10/75;G06V10/82;G06V10/52;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.基于多尺度卷積與特征融合的高分辨SAR地物分類方法，其特征在于，包括：

(1)對待分類的圖像F采用灰度共生矩陣提取圖像紋理特征，得到紋理特征矩陣F₁；

(2)對待分類的圖像F采用gabor濾波器提取小波特征，得到小波特征矩陣F₂；

(3)將待分類的圖像F、紋理特征矩陣F₁和小波特征矩陣F₂三者進行融合，得到融合特征矩陣F₃，是將待分類的圖像F、紋理特征矩陣F₁和小波特征矩陣F₂在通道方向進行疊加，得到9通道的融合特征矩陣F₃；

(4)在融合特征矩陣F₃上以每個像素點為中心選取n×n的像素塊，并將5％的像素塊作為訓練樣本，剩余的像素塊作為測試樣本，n為大于或等于15的正整數；

(5)構建9層的多尺度卷積融合網絡，其自下而上依次包括：

輸入層，用于輸入訓練樣本和測試樣本；

多尺度卷積層，它包含3×3、5×5和7×7三個尺度，用于提取輸入樣本的多尺度特征信息；

Concat層，用于級聯不同尺度的特征；

特征融合Shuffle層，用于充分打亂和融合多尺度信息；

第一池化層，用于對上一層特征圖進行下采樣；

第一卷積層，用于對上一層特征圖提取單尺度特征；

第二池化層，用于對上一層特征圖進行下采樣

第二卷積層，用于對上一層特征圖提取單尺度特征；

softmax分類器，用于對上一層特征進行類別輸出；

所采用的激活函數均為Relu激活函數；

(6)通過反向傳播算法對多尺度卷積融合網絡進行訓練，得到訓練好的模型；

(7)通過訓練好的模型對測試集進行分類，得到分類結果。

2.根據權利要求1所述的方法，其特征在于，步驟(1)中對待分類的圖像F采用灰度共生矩陣提取圖像紋理特征，其實現如下：

(1a)選擇4個離散的方向：0°，45°，90°和135°，在待分類圖像F中提取以每個像素點為中心的15×15大小的像素塊在這4個方向的4個共生矩陣；

(1b)對每個共生矩陣計算能量、熵、慣性矩和相關性這4個紋理參數，并取每個紋理參數的在(1a)所選4個方向上的均值，組成大小為1×4的向量作為被提取一個像素點的紋理特征向量；

(1c)將所有像素點的紋理特征向量按照原圖像素點的位置進行合并，得到與待分類圖像F相同尺寸的4通道紋理特征矩陣F₁。

3.根據權利要求1所述的方法，其特征在于，步驟(2)中對待分類的圖像F采用gabor濾波器提取小波特征，其實現如下：

(2a)取方向數取4、尺度數為1的gabor濾波器組，通過該濾波器組對待分類圖像F進行濾波，得到4幅濾波后的特征圖像，

(2b)將這4張濾波后的特征圖像進行通道方向的合并，得到與待分類圖像F相同尺寸的4通道小波特征矩陣F₂。

4.根據權利要求1所述的方法，其特征在于，步驟(5)多尺度卷積融合網絡中的輸入層，其特征圖通道數目設置為9。

5.根據權利要求1所述的方法，其特征在于，步驟(5)多尺度卷積融合網絡中的多尺度卷積層的參數設置為：卷積核尺度數為3，尺度分別為3×3、5×5和7×7，每一尺度都添加保證輸出特征圖大小一致的邊緣擴充，大小分別為1,2,3，步長均為1，卷積核個數均為12。

6.根據權利要求1所述的方法，其特征在于，步驟(5)多尺度卷積融合網絡中的Shuffle層，其分組參數設置為6。

7.根據權利要求1所述的方法，其特征在于，步驟(5)多尺度卷積融合網絡中的池化層參數設置如下：

第一池化層，其下采樣尺寸設置為2，步長為2；

第二池化層，其下采樣尺寸設置為2，步長為2。