[发明专利]基于非下采样轮廓波全卷积网络的高分辨SAR图像分类方法

权利要求书

1.一种基于非下采样轮廓波全卷积网络的高分辨SAR图像分类方法，其特征在于，包括：

1)输入待分类的高分辨SAR图像，对图像中的各像素点进行多层非下采样轮廓波变换，获取各像素点的低频系数和高频系数；

2)将低频系数和高频系数进行选择并融合，构成基于像素点的特征矩阵F；

3)将特征矩阵F中的元素值归一化到[0，1]之间，得到归一化特征矩阵F1；

4)将归一化特征矩阵F1进行切块，得到特征块矩阵F2并作为样本数据；

5)通过训练数据集D构造训练数据集特征矩阵W1，通过测试数据集T构造测试数据集特征矩阵W2；具体操作如下：

5a)将高分辨SAR图像地物分为3类，记录每个类别对应的像素点在待分类图像中的位置，生成三种分别代表三类地物像素点在待分类图像中的位置A1、A2、A3；

5b)从所述A1、A2、A3中随机选取5％的元素，生成三种对应不同类地物、被选作训练数据集的像素点位置B1、B2、B3，其中B1为对应第1类地物中被选作训练数据集的像素点在待分类图像中的位置，B2为对应第2类地物中被选作训练数据集的像素点在待分类图像中的位置，B3为对应第3类地物中被选作训练数据集的像素点在待分类图像中的位置，并将B1、B2、B3中的元素合并组成训练数据集的所有像素点在待分类图像中的位置L1；

5c)用所述A1、A2、A3中其余95％的元素生成3种对应不同类地物被选作测试数据集的像素点位置C1、C2、C3，其中C1为对应第1类地物中被选作测试数据集的像素点在待分类图像中的位置，C2为对应第2类地物中被选作测试数据集的像素点在待分类图像中的位置，C3为对应第3类地物中被选作测试数据集的像素点在待分类图像中的位置，并将C1、C2、C3中的元素合并组成测试数据集的所有像素点在待分类图像中的位置L2；

5d)定义训练数据集D的训练数据集特征矩阵W1，在特征块矩阵F2中依据L1取对应位置上的值，并赋值给训练数据集D的训练数据集特征矩阵W1；

5e)定义测试数据集T的测试数据集特征矩阵W2，在特征块矩阵F2中依据L2取对应位置上的值，并赋值给测试数据集T的测试数据集特征矩阵W2；

6)构造基于全卷积神经网络的分类模型；

7)将分类模型通过训练数据集D进行训练，得到训练好的模型；

8)利用训练好的模型对测试数据集T进行分类，得到测试数据集T中每个像素点的类别，将得到的每个像素点类别与类标图进行对比，计算出分类准确率。

2.根据权利要求1所述的基于非下采样轮廓波全卷积网络的高分辨SAR图像分类方法，其特征在于：步骤1)对图像中的各像素点进行三层非下采样轮廓波变换；非下采样轮廓波变换包括非下采样金字塔分解和非下采样方向滤波器分解，所述的非下采样金字塔分解通过非下采样滤波器组将时频平面分解为一个低频子代和多个环形高频子代，非下采样金字塔分解形成的带通图像再通过非下采样方向滤波器分解得到带通子图像的系数。

3.根据权利要求2所述的基于非下采样轮廓波全卷积网络的高分辨SAR图像分类方法，其特征在于：步骤2)将高频系数按照从大到小进行排序，选取其中前50％的高频系数，与第三层变换后的低频系数融合，定义基于像素点的特征矩阵F大小为M1×M2×1，M1为待分类SAR图像的长，M2为待分类SAR图像的宽，将融合结果赋值给基于像素点的特征矩阵F。

4.根据权利要求1所述的基于非下采样轮廓波全卷积网络的高分辨SAR图像分类方法，其特征在于：步骤3)所述的归一化通过特征线性缩放法、特征标准化法或特征白化法实现；特征线性缩放法先求出基于像素点的特征矩阵F的最大值max(F)；再将基于像素点的特征矩阵F中的每个元素均除以最大值max(F)，得到归一化特征矩阵F1。

5.根据权利要求1所述的基于非下采样轮廓波全卷积网络的高分辨SAR图像分类方法，其特征在于：步骤4)将归一化特征矩阵F1按照大小为128×128、间隔为50进行切块。