[发明专利]一种基于深度Curvelet残差网的极化SAR影像分类方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度Curvelet残差网的极化SAR影像分类方法。

背景技术

合成孔径雷达是一种高分辨率成像雷达。由于微波具有穿透特性，不受光线强度的影响，因此具有全天时、全天候的工作能力。与其他传感器相比，它能呈现更多的细节，可以更好的区分临近目标的特性。作为一种重要的遥感图像获取手段，有着广泛的应用。极化合成孔径雷达极化SAR通过发射和接收极化雷达波来描述观察到的土地覆盖物和目标，可以得到更丰富的目标信息，在军事、农林业、海洋、水文学和地质学等方面具有广泛的应用和研究价值。相比于传统的单极化SAR，多极化SAR有利于提供更为丰富的目标信息，有利于确定和理解散射机制，提高目标检测和分类识别能力，因此极化SAR数据适合于图像解译。

极化SAR图像分类的关键是对极化SAR图像的目标特征提取，现有的基于散射特性的极化SAR图像目标特征提取方法，包括Cameron分解、Freeman分解，卷积神经网络等。

1996年，Cameron基于雷达目标的两个基本特性——互易性和对称性提出了Cameron分解方法，它将极化散射矩阵分解成对应于非互易、不对称以及对称散射体的部分。不同地物所包含的散射体类型不同，特别是人工地物和自然地物之间，这种差异更加明显。在检测人工目标和自然目标是特别有用。但是由于极化SAR图像的斑点噪声非常大，而Cameron分解又是基于单个像元的操作，因此所获得的结果不一定可靠。

2004年，Lee等人提出了一种基于Freeman分解的特征提取方法，该方法能够保持各类的极化散射特性，但分类结果易受Freeman分解性能的影响，对不同波段的极化数据该算法的普适性差。

1998年，YannLeCun提出LeNet-5卷积神经网络，采用局部感受野和权值共享的思路进行图像分类，提出一种新的特征提取的办法，但是这种方法仍然会造成特征损失而影响分类结果的问题。

这些特征提取方法会导致比较强烈的图像特征损失，因而对背景复杂的极化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问题，提出一种基于深度Curvelet残差网的极化SAR图像分类方法，以提高分类精度。

为了实现上述目的，本发明采用的技术方案是，一种基于深度Curvelet残差网的极化SAR影像分类方法，包括：

步骤1，输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；

步骤2，用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；

步骤3，用步骤2中得到的基于图像块的特征矩阵构造数据集D1；

步骤4，对数据集D1中像素块进行多尺度Curvelet变换，提取图像的尺度、位置和角度信息，进行归一化处理，得到训练数据集D；

步骤5，对步骤1得到的特征矩阵F做多尺度Curvelet变换并进行超像素处理，构造数据集T1；

步骤6，构造基于深度Curvelet残差网的分类模型：选择一个由输入层→Curvelet层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器组成的33层神经网络；

步骤7，用步骤4得到的训练数据集D对步骤6构建的分类模型进行训练，得到训练好的模型；

步骤8，将步骤5构造的数据集T1送入步骤7训练好的模型进行分类并得到整张图的预测类标矩阵T2。

步骤1的具体步骤如下：

1a)定义Pauli基{S₁,S₂,S₃}，公式如下：

其中S₁表示奇次散射，S₂表示偶次散射，S₃表示体散射；

1b)由Pauli分解定义得到如下等式：

其中a为奇次散射系数，b为偶次散射系数，c为体散射系数；

1c)求解式<2>，代入式<1>求得的SHH、SVV、SHV，得到3个散射系数a、b、c：