[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

说明书

本发明公开了一种基于多尺度卷积与特征融合的高分辨SAR地物分类方法主要解决现有技术分类精度较低及易出现过拟合的问题。实现方案是：1.提取待分类图像的纹理特征和小波特征；2.对待分类图像、纹理特征和小波特征进行融合，组成融合特征矩阵；3.根据融合特征矩阵构建训练数据集和测试数据集；4.对现有的CNN网络添加多尺度卷积层和shuffle层，并将全连接层改为卷积层，构建多尺度卷积融合网络；5.用训练数据集训练多尺度卷积融合网络得到模型参数；6.用模型参数初始化多尺度融合网络对测试集进行分类。本发明提高减少了网络的参数，缓解了小样本问题的过拟合现象，提高了分类精度，可用于高分辨SAR图像地物分类。

技术领域

本发明属于图像处理技术领域，特别是一种高分辨SAR地物分类方法，可应用于图像解译，目标识别和目标跟踪等领域。

背景技术

SAR雷达卫星是载有合成孔径雷达SAR的对地观测遥感卫星的统称。SAR的全天候、全天时及能穿透一些地物的成像特点，显示出它与光学遥感器相比的优越性。雷达遥感数据也在多学科领域中得到了广泛的应用，可应用于军事，农业，导航，地理监视等诸多领域。SAR图像是对雷达波散射特性的一种表征，是地物目标对它的一种反映，图像中存在的斑点噪声表现为在均匀的表面上，像素点呈现出或暗点或亮点，是一种表示灰度像素值出现了急剧变化的现象。这种现象降低了图像的空间分辨率，模糊了图像的边缘信息，使得解译图像的准确率降低。SAR图像的灰度值具有两种基本特点：第一是相似性，表示依据事先制定好的标准将图像分割成若干个相似区域；第二是不连续性，因为图像的灰度值是在变化，所以具有不连续性，可以利用这种特性来进行图像分割。

SAR图像分类方法，包括基于非深度学习的方法和基于深度学习的方法两大类。其中：

基于非深度学习的方法，如Aytekin等人2013年在IEEE TRANS-ACTIONS ONGEOSCIENCE AND REMOTE SENSING，VOL.51，NO.4上发表的“Local Primitive Pattern forthe Classification of SAR Images”中提出的LPP算法，其结合图像空间信息和结构信息，首先对图像的每个像素使用局部原始模式LPP方法获取只与该像素相关的邻域信息作为特征，然后将该特征作为训练样本训练SVM分类器，得到分类结果。该方法通过设计一种自适应的方法获取每一个像素周围相关的邻域，而非使用固定大小的矩形区域，虽说在一定程度上提高了特征的可判别性和鲁棒性，降低了SVM训练时间的复杂度，但是仍未有效地克服SAR图像相干斑噪声的影响，特别是对包含复杂纹理的SAR图像易产生误分割和区域一致性不理想的问题，且SVM分类器对于数据量比较大的训练样本集，训练时间过长。

基于深度学习的方法，如刘晨等人2017年在《雷达与科学技术》第15卷上发表的“基于CNN的SAR图像目标分类优化算法”，其采用了普通卷积神经网络CNN对SAR图像进行分类，即首先对SAR图像采用ZAC白化与主成分分析结合的方法进行预处理，再将预处理后图像直接送入CNN网络模型进行特征学习，然后将得到的特征送入Softmax分类器进行分类，得到分类结果。该方法可以自动学习到非噪声的鲁棒特征，而不用进行手工特征的设计，并且可以端到端进行训练，提高了图像分类的精度，但该方法由于仅输入原始SAR灰度图像的ZAC白化和主成分信息，输入信息较少，且模型全连接层网络参数较多，对于小样本分类容易产生过拟合现象，另外该方法提取的特征缺乏多尺度信息，导致分类精度较低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多尺度卷积与特征融合的高分辨SAR地物分类方法，以减小过拟合现象，提取图像的小波特征和纹理特征，增加多尺度卷积核提取图像多尺度特征信息，进一步提高分类精度

为实现上述目的，本发明的技术方案包括如下：

(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；