[發(fā)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(qǐng)?zhí)枺?/td>: 201810032469.1
• 申請(qǐng)日: 2018-01-12
• 公開（公告）號(hào): CN108154192B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 侯彪;焦李成;張永昌;馬晶晶;馬文萍;王爽;白靜
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): 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(yè)專利中心 61205
• 代理人: 王品華;朱紅星

本發(fā)明公開了一種基于多尺度卷積與特征融合的高分辨SAR地物分類方法主要解決現(xiàn)有技術(shù)分類精度較低及易出現(xiàn)過擬合的問題。實(shí)現(xiàn)方案是：1.提取待分類圖像的紋理特征和小波特征；2.對(duì)待分類圖像、紋理特征和小波特征進(jìn)行融合，組成融合特征矩陣；3.根據(jù)融合特征矩陣構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；4.對(duì)現(xiàn)有的CNN網(wǎng)絡(luò)添加多尺度卷積層和shuffle層，并將全連接層改為卷積層，構(gòu)建多尺度卷積融合網(wǎng)絡(luò)；5.用訓(xùn)練數(shù)據(jù)集訓(xùn)練多尺度卷積融合網(wǎng)絡(luò)得到模型參數(shù)；6.用模型參數(shù)初始化多尺度融合網(wǎng)絡(luò)對(duì)測(cè)試集進(jìn)行分類。本發(fā)明提高減少了網(wǎng)絡(luò)的參數(shù)，緩解了小樣本問題的過擬合現(xiàn)象，提高了分類精度，可用于高分辨SAR圖像地物分類。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是一種高分辨SAR地物分類方法，可應(yīng)用于圖像解譯，目標(biāo)識(shí)別和目標(biāo)跟蹤等領(lǐng)域。

背景技術(shù)

SAR雷達(dá)衛(wèi)星是載有合成孔徑雷達(dá)SAR的對(duì)地觀測(cè)遙感衛(wèi)星的統(tǒng)稱。SAR的全天候、全天時(shí)及能穿透一些地物的成像特點(diǎn)，顯示出它與光學(xué)遙感器相比的優(yōu)越性。雷達(dá)遙感數(shù)據(jù)也在多學(xué)科領(lǐng)域中得到了廣泛的應(yīng)用，可應(yīng)用于軍事，農(nóng)業(yè)，導(dǎo)航，地理監(jiān)視等諸多領(lǐng)域。SAR圖像是對(duì)雷達(dá)波散射特性的一種表征，是地物目標(biāo)對(duì)它的一種反映，圖像中存在的斑點(diǎn)噪聲表現(xiàn)為在均勻的表面上，像素點(diǎn)呈現(xiàn)出或暗點(diǎn)或亮點(diǎn)，是一種表示灰度像素值出現(xiàn)了急劇變化的現(xiàn)象。這種現(xiàn)象降低了圖像的空間分辨率，模糊了圖像的邊緣信息，使得解譯圖像的準(zhǔn)確率降低。SAR圖像的灰度值具有兩種基本特點(diǎn)：第一是相似性，表示依據(jù)事先制定好的標(biāo)準(zhǔn)將圖像分割成若干個(gè)相似區(qū)域；第二是不連續(xù)性，因?yàn)閳D像的灰度值是在變化，所以具有不連續(xù)性，可以利用這種特性來進(jìn)行圖像分割。

SAR圖像分類方法，包括基于非深度學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法兩大類。其中：

基于非深度學(xué)習(xí)的方法，如Aytekin等人2013年在IEEE TRANS-ACTIONS ONGEOSCIENCE AND REMOTE SENSING，VOL.51，NO.4上發(fā)表的“Local Primitive Pattern forthe Classification of SAR Images”中提出的LPP算法，其結(jié)合圖像空間信息和結(jié)構(gòu)信息，首先對(duì)圖像的每個(gè)像素使用局部原始模式LPP方法獲取只與該像素相關(guān)的鄰域信息作為特征，然后將該特征作為訓(xùn)練樣本訓(xùn)練SVM分類器，得到分類結(jié)果。該方法通過設(shè)計(jì)一種自適應(yīng)的方法獲取每一個(gè)像素周圍相關(guān)的鄰域，而非使用固定大小的矩形區(qū)域，雖說在一定程度上提高了特征的可判別性和魯棒性，降低了SVM訓(xùn)練時(shí)間的復(fù)雜度，但是仍未有效地克服SAR圖像相干斑噪聲的影響，特別是對(duì)包含復(fù)雜紋理的SAR圖像易產(chǎn)生誤分割和區(qū)域一致性不理想的問題，且SVM分類器對(duì)于數(shù)據(jù)量比較大的訓(xùn)練樣本集，訓(xùn)練時(shí)間過長(zhǎng)。

基于深度學(xué)習(xí)的方法，如劉晨等人2017年在《雷達(dá)與科學(xué)技術(shù)》第15卷上發(fā)表的“基于CNN的SAR圖像目標(biāo)分類優(yōu)化算法”，其采用了普通卷積神經(jīng)網(wǎng)絡(luò)CNN對(duì)SAR圖像進(jìn)行分類，即首先對(duì)SAR圖像采用ZAC白化與主成分分析結(jié)合的方法進(jìn)行預(yù)處理，再將預(yù)處理后圖像直接送入CNN網(wǎng)絡(luò)模型進(jìn)行特征學(xué)習(xí)，然后將得到的特征送入Softmax分類器進(jìn)行分類，得到分類結(jié)果。該方法可以自動(dòng)學(xué)習(xí)到非噪聲的魯棒特征，而不用進(jìn)行手工特征的設(shè)計(jì)，并且可以端到端進(jìn)行訓(xùn)練，提高了圖像分類的精度，但該方法由于僅輸入原始SAR灰度圖像的ZAC白化和主成分信息，輸入信息較少，且模型全連接層網(wǎng)絡(luò)參數(shù)較多，對(duì)于小樣本分類容易產(chǎn)生過擬合現(xiàn)象，另外該方法提取的特征缺乏多尺度信息，導(dǎo)致分類精度較低。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于多尺度卷積與特征融合的高分辨SAR地物分類方法，以減小過擬合現(xiàn)象，提取圖像的小波特征和紋理特征，增加多尺度卷積核提取圖像多尺度特征信息，進(jìn)一步提高分類精度

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：

(1)對(duì)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；