[发明专利]基于多尺度卷积与特征融合的高分辨SAR地物分类方法

权利要求书

1.基于多尺度卷积与特征融合的高分辨SAR地物分类方法，其特征在于，包括：

(1)对待分类的图像F采用灰度共生矩阵提取图像纹理特征，得到纹理特征矩阵F₁；

(2)对待分类的图像F采用gabor滤波器提取小波特征，得到小波特征矩阵F₂；

(3)将待分类的图像F、纹理特征矩阵F₁和小波特征矩阵F₂三者进行融合，得到融合特征矩阵F₃，是将待分类的图像F、纹理特征矩阵F₁和小波特征矩阵F₂在通道方向进行叠加，得到9通道的融合特征矩阵F₃；

(4)在融合特征矩阵F₃上以每个像素点为中心选取n×n的像素块，并将5％的像素块作为训练样本，剩余的像素块作为测试样本，n为大于或等于15的正整数；

(5)构建9层的多尺度卷积融合网络，其自下而上依次包括：

输入层，用于输入训练样本和测试样本；

多尺度卷积层，它包含3×3、5×5和7×7三个尺度，用于提取输入样本的多尺度特征信息；

Concat层，用于级联不同尺度的特征；

特征融合Shuffle层，用于充分打乱和融合多尺度信息；

第一池化层，用于对上一层特征图进行下采样；

第一卷积层，用于对上一层特征图提取单尺度特征；

第二池化层，用于对上一层特征图进行下采样

第二卷积层，用于对上一层特征图提取单尺度特征；

softmax分类器，用于对上一层特征进行类别输出；

所采用的激活函数均为Relu激活函数；

(6)通过反向传播算法对多尺度卷积融合网络进行训练，得到训练好的模型；

(7)通过训练好的模型对测试集进行分类，得到分类结果。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中对待分类的图像F采用灰度共生矩阵提取图像纹理特征，其实现如下：

(1a)选择4个离散的方向：0°，45°，90°和135°，在待分类图像F中提取以每个像素点为中心的15×15大小的像素块在这4个方向的4个共生矩阵；

(1b)对每个共生矩阵计算能量、熵、惯性矩和相关性这4个纹理参数，并取每个纹理参数的在(1a)所选4个方向上的均值，组成大小为1×4的向量作为被提取一个像素点的纹理特征向量；

(1c)将所有像素点的纹理特征向量按照原图像素点的位置进行合并，得到与待分类图像F相同尺寸的4通道纹理特征矩阵F₁。

3.根据权利要求1所述的方法，其特征在于，步骤(2)中对待分类的图像F采用gabor滤波器提取小波特征，其实现如下：

(2a)取方向数取4、尺度数为1的gabor滤波器组，通过该滤波器组对待分类图像F进行滤波，得到4幅滤波后的特征图像，

(2b)将这4张滤波后的特征图像进行通道方向的合并，得到与待分类图像F相同尺寸的4通道小波特征矩阵F₂。

4.根据权利要求1所述的方法，其特征在于，步骤(5)多尺度卷积融合网络中的输入层，其特征图通道数目设置为9。

5.根据权利要求1所述的方法，其特征在于，步骤(5)多尺度卷积融合网络中的多尺度卷积层的参数设置为：卷积核尺度数为3，尺度分别为3×3、5×5和7×7，每一尺度都添加保证输出特征图大小一致的边缘扩充，大小分别为1,2,3，步长均为1，卷积核个数均为12。

6.根据权利要求1所述的方法，其特征在于，步骤(5)多尺度卷积融合网络中的Shuffle层，其分组参数设置为6。

7.根据权利要求1所述的方法，其特征在于，步骤(5)多尺度卷积融合网络中的池化层参数设置如下：

第一池化层，其下采样尺寸设置为2，步长为2；

第二池化层，其下采样尺寸设置为2，步长为2。