[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

说明书

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，包括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；将低频系数和高频系数选择并融合，构成基于像素点的特征矩阵F；将特征矩阵F中的元素值归一化，得到归一化特征矩阵F1；将归一化特征矩阵F1切块，得到特征块矩阵F2并作为样本数据；构造训练数据集特征矩阵W1和测试数据集特征矩阵W2；构造基于全卷积神经网络的分类模型；训练分类模型；利用训练好的模型对测试数据集T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对比，计算出分类准确率，提高了分类精度和速度。

技术领域

本发明属于图像处理领域，具体涉及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，能够应用于高分辨SAR图像，有效提高目标的识别精度。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是近年来得到广泛研究和应用的一种遥感传感器，与光学、红外等其它传感器相比，SAR成像不受天气、光照等条件的限制，能够对感兴趣的目标进行全天候、全天时的侦查。而且SAR还具有一定的穿透能力，能够在有云层干扰、树丛遮挡或是目标浅埋地表等不利条件下实现对目标的探测。此外，由于SAR特殊的成像机理，使得高分辨SAR图像包含与其他传感器不同的内容，给目标探测提供了更丰富全面的信息。由于SAR具备众多显著的优点，具有极大的应用潜力。近年来对SAR技术的研究引起了广泛关注，不少研究成果已被成功应用于环境监测、地形测量、目标探测等方面。

高分辨SAR图像分类的关键是对高分辨SAR图像的目标特征提取，现有的SAR图像分类技术有基于统计的分类方法、基于图像纹理的分类方法以及基于深度学习的分类方法。

基于统计的分类方法是根据不同性质图像区域的统计特性差异进行分类，但是该方法忽略了图像的空间分布特性，因此分类结果往往不理想。近年来也出现了一些基于纹理特征的分类方法，如基于灰度共生矩阵(GLCM)的方法、基于Markov随机场(MRF)的方法、Gabor小波方法等，但是由于SAR图像相干成像的机理，导致SAR图像中的纹理不明显且不稳健，此外计算机纹理特征需要对图像进行逐点扫描，计算量巨大且不能满足实时性要求。

以上传统的SAR图像分类方法只能依靠人工提取一些代表目标特性的浅层特征，这些浅层特征仅仅通过将原始输入信号转换到特定问题空间得出，并不能完全的表征出目标像素点之间的邻域相关性。2006年，Hinton等人提出了无监督的逐层贪婪训练方法，解决了深度增加所带来的“梯度耗散”问题。随后，许多学者根据不同的应用背景提出了多种DL模型，如深度置信网(Deep Belief Network，DBN)、栈式降噪自编码机(Stacked DenoisingAutoencoders，SDA)和卷积神经网络(Convolutional Neural Network，CNN)等。但是，上述特征提取方法均没有考虑到高分辨SAR图像的多尺度、多方向、多分辨特性，因此，对于背景复杂的高分辨SAR图像难以得到较高的分类精度。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供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，结合高分辨SAR图像多尺度、多方向、多分辨的特性，提高其图像分类的准确率以及分类速度，进而有效提高目标的识别精度。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

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；