[发明专利]基于曲线波深度阶梯网络模型的SAR图像分类方法

权利要求书

1.一种基于曲线波深度阶梯网络模型的SAR图像分类方法，其特征在于，包括如下步骤：

(1)构建初始样本集：

对输入的待分类高分辨SAR图像进行滑窗切块，得到225010个33×33像素的图像块，将所有的图像块组成初始样本集；

(2)利用曲线波变换构建样本特征向量集：

(2a)对初始样本集中的每个样本进行快速傅里叶变换FFT，得到每个样本的傅里叶变换系数；

(2b)对每个样本傅里叶变换系数进行尺度划分，得到每个样本的2个尺度系数；

(2c)对每个样本的第1个尺度系数进行反傅里叶变换IFFT，并拉成列向量，得到每个样本第1组121维的系数；

(2d)对每个样本的第2个尺度系数经过方向滤波器组，进行每个样本的4级多方向分解，并依次进行反傅里叶变换IFFT，得到每个样本第2组456维的系数；

(2e)合并每个样本第1组系数与第2组系数，得到577维的曲线波变换样本特征；

(2f)将所有样本的577维曲线波样本特征组成一个225010×577维矩阵，作为样本特征向量集；

(3)获得归一化后的样本特征向量集：

利用归一化公式，将样本特征向量集的数值归一化到[0，1]之间，得到归一化后的样本特征向量集；

(4)构建样本数据集：

从归一化后的样本特征向量集中随机选取5％的样本组成训练样本集，将剩余的95％的样本组成测试样本集；

(5)构建深度阶梯网络的分类模型：

构建一个依次由输入层→第一个全连接层→第二个全连接层→softmax分类器组成的4层深度阶梯网络；

(6)利用分类模型进行分类：

(6a)将训练样本集输入设置好参数的分类模型进行模型的训练，得到训练好的分类模型；

(6b)将测试样本集输入训练好的分类模型，得到待分类SAR图像分类结果；

(7)输出分类结果。

2.根据权利要求1所述的基于曲线波深度阶梯网络模型的SAR图像分类方法，其特征在于：步骤(3)中所述归一化公式如下：

其中，F表示归一化后的样本特征向量集，C′表示归一化前的样本特征向量集，min(·)表示取最小值操作，max(·)表示取最大值操作。

3.根据权利要求1所述的基于曲线波深度阶梯网络模型的SAR图像分类方法，其特征在于，步骤(5)中所述构建深度阶梯网络的具体步骤如下：

第一步，构造一个包括含噪通路与不含噪通路的编码器，含噪通路与不含噪通路具有相同的结构均为：由输入层→第一个全连接层→第二个全连接层→softmax分类器组成的4层神经网络；其中含噪通路中每个单元加入均值为0，方差为0.1的高斯噪声；编码器每层的权重与偏置参数对含噪通路与不含噪通路是共享的，编码器的输入层、第一个全连接层、第二个全连接层和softmax分类器的单元个数设置如下：

设置输入层单元个数为577；

设置第一个全连接层的单元个数为800；

设置第二个全连接层的单元个数为300；

设置softmax分类器输出单元个数为3；

第二步，构造一个由输入层→第一个全连接层→第二个全连接层→第三个全连接层组成的解码器；其中解码器的第一个全连接层与编码器的softmax分类器设置的单元个数相同，解码器的第二个全连接层与编码器的第二个全连接层设置的单元个数相同，解码器的第三个全连接层与编码器的第一个全连接层设置的单元个数相同；将编码器含噪通路的输出作为解码器输入层的输入，解码器的第一个全连接层、第二个全连接层、第三个全连接层的输入为编码器含噪通路中对应层的特征和解码器上一层的输出，解码器每一层重构出编码器不含噪通路对应层的特征。