[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

说明书

本发明公开了一种基于曲线波深度阶梯网络模型的SAR图像分类方法，其实现步骤为：输入待分类的SAR图像；对输入数据进行曲线波变换得到样本特征；对样本特征归一化；构造训练数据集及测试数据集；构造深度阶梯网络的分类器模型；用训练数据集对分类器模型进行训练；利用训练好的分类模型对测试数据集进行分类，得到分类结果。本发明采用曲线波变换对样本进行特征提取，充分利用样本的多尺度、多方向的特性，且降低了样本维度，提升了提取特征的鲁棒性，简化了网络，加快了网络的训练与分类速度。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于曲线波深度阶梯网络模型的高分辨合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可应用于SAR图像的目标分类与识别。

背景技术

合成孔径雷达SAR(Synthetic Aperture Radar)在地球科学遥感领域的应用十分广泛，为它不仅具有全天时、全天候的特性、而且它还能提供不同于红外和可见光传感器的不同的信息。合成孔径雷达SAR(Synthetic Aperture Radar)图像分类完成将图像从二维灰度空间转换到目标模式空间的工作，其分类的结果是将图像根据不同属性划分为多个不同类别的子区域，是合成孔径雷达SAR(Synthetic Aperture Radar)图像理解与解译的重要研究内容。合成孔径雷达SAR(Synthetic Aperture Radar)地物分类一方面可以作为合成孔径雷达SAR(Synthetic Aperture Radar)图像解译系统的中前端，以带层次信息的感兴趣区域取代目标检测和鉴别模块，为目标识别过程提供潜在目标切片以及空间位置、尺寸等信息，另一方面，可以直接为人工判读提供必要参数，建立独立的辅助判别系统。在民用和军用领域均有着巨大的应用价值和理论意义。

王鑫,温显斌在其发表的论文“基于显著性主动学习的SAR图像分类”(天津理工大学学报,2016,32(2):36-39.)中提出了一种基于显著性与主动学习相结合的合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。该方法首先对待分类的合成孔径雷达SAR(Synthetic Aperture Radar)图像利用显著性检测提取SAR图像的显著区域，然后对得到的显著图进行特征提取，最后由主动学习算法选择出样本后进行标记而后用支持向量机实现SAR图像的分类。该方法通过主动学习算法选取较好的样本进行模型的训练，可减少分类算法所需的样本数量，实现较好的图像分类结果。但该方法仍然存在的不足是，该方法针对样本维数高、样本量大的数据来说，采用主动学习算法选择样本花费的时间较多，整个分类模型计算量大，运行时间长，导致该分类方法分类效率低。

西安电子科技大学在其申请的专利文献“一种基于深度阶梯网络的高分辨SAR图像分类方法”(专利申请号：201710369380.X，公开号：107133653A)中提出了一种基于深度阶梯网络模型的合成孔径雷达SAR(Synthetic Aperture Radar)图像的分类方法。该方法首先将合成孔径雷达SAR(Synthetic Aperture Radar)图像进行切块，并划分为训练数据集与测试数据集，再用训练数据集对深度阶梯网络进行训练，并用训练好的深度阶梯网络对测试数据集进行分类。该方法通过深度阶梯网络可以实现特征的自动提取，可以实现较好分类准确率。但是，该方法仍然存在的不足之处是，该方法直接将图像块送入网络模型中进行分类，并未考虑到图像多分辨、多方向的特性，导致该分类方法鲁棒性不强，降低了分类准确率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于曲线波深度阶梯网络模型的SAR图像分类方法。本发明充分考虑到合成孔径雷达SAR图像多尺度、多分辨的特性，实现了对合成孔径雷达SAR图像的精确表征，提高了分类系统的准确性。利用曲线波变换对数据的稀疏表示，降低了数据的维度，用较少的维度就可有效表示数据，减小了后续深度阶梯网络模型的规模，从而减少网络模型训练时间，降低了本发明方法的计算复杂度。