[发明专利]非下采样轮廓波卷积神经网络的极化SAR图像分类方法

权利要求书

1.一种非下采样轮廓波卷积神经网络的极化SAR图像分类方法，包括：

(1)对待分类的极化SAR图像进行去噪，得到极化SAR图像滤波后的极化散射矩阵S；

(2)对滤波后的极化散射矩阵S进行Pauli分解，将Pauli分解得到的奇次散射、偶次散射、体散射的值作为极化SAR图像的图像特征；

(3)将Pauli分解得到的图像特征组合成极化SAR图像的基于像素点的特征矩阵F，每个像素点对应3维Pauli分解特征，并将F中的元素值归一化到[0，1]之间，记作F1；

(4)对每个像素点取F1周围22×22的块，得到基于块的特征矩阵F2，即每个像素点对应3个22×22的块；

(5)从基于块的特征矩阵F2中选取训练数据集和测试数据集：

(5a)将极化SAR图像地物分为15类，分别从每个类别中随机选取N个有标记的像素点作为训练样本D1，其余有标记的像素点作为测试样本T1，N取300～700之间的整数；

(5b)用Canny算子提取极化SAR图像的边缘点，在训练样本D1中加入Canny算子提取的边缘点，即增加置信度较高的训练样本，得到更新后的训练数据集D和测试数据集T；

(6)构造非下采样轮廓波卷积神经网络：

(6a)选择一个由输入层→卷积层→池化层→卷积层→池化层→全连接层→全连接层→softmax分类器组成的8层卷积神经网络，并确定卷积神经网络的滤波器大小以及各层的特征映射图；

(6b)用非下采样轮廓波变换层替换卷积神经网络中的第2层卷积层，得到非下采样轮廓波卷积神经网络；

(7)用非下采样轮廓波卷积神经网络对训练数据集进行训练；

(8)利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类，得到极化SAR图像测试数据集中每个像素点的像素类别。

2.根据权利要求1所述的非下采样轮廓波卷积神经网络的极化SAR图像分类方法，其中步骤(1)中对待分类的极化SAR图像进行去噪，采用精致极化LEE滤波法，其步骤如下：

(1a)设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为5×5像素；

(1b)将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫游一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，每个子窗口的大小为3×3像素，子窗口之间有重叠；

(1c)将每个子窗口对应位置的像素值求均值，将所得到的均值构成3×3像素的均值窗口；

(1d)选取水平、垂直、45度和135度的四个方向的梯度模版，将均值窗口分别与四个模版进行加权，对所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值对应的方向作为边缘方向；

(1e)从9个子窗口中取中心窗口边缘方向的左右2个子窗口，分别对这2个子窗口内的所有像素值求均值，用得到的2个均值分别减去中心窗口所有像素值的均值，将均值差值中绝对值小的值所对应的子窗口作为方向窗口，其中，中心窗口是指5×5窗口中心的3×3的子窗口；

(1f)按照式<1>，得到精致极化LEE滤波的权值：

b=var(y)-p2σv2(1+σv2)var(y),---<1>]]>

其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像像素的方差值，y表示方向窗口内极化SAR总功率图像的像素，p表示方向窗口内极化SAR总功率图像所有像素的均值，表示输入的极化SAR图像相干斑噪声的方差值。

(1g)按照式<2>，得到滤波后极化SAR图像中心像素的极化相干矩阵T：

T＝w+b(z-w)，<2>

其中，w表示方向窗口内极化SAR图像像素的极化相干矩阵的均值，b表示精致LEE滤波的权值，z表示极化SAR图像中心像素的极化相干矩阵。

(1h)按照式<3>，可求得水平发射且水平接收的散射分量S_HH、垂直发射且垂直接收的散射分量S_VV、水平发射且垂直接收的散射分量S_HV：

T11=12|SHH+SVV|2T22=12|SHH-SVV|2T33=2|SHV|2---<3>]]>

其中，T₁₁、T₂₂、T₃₃为极化相干矩阵T的对角线上元素。