[发明专利]基于深度卷积神经网络的SAR图像地物分类识别方法

说明书

本发明公开了基于深度卷积神经网络的SAR图像地物分类识别方法，包括以下步骤：1）将经过滤波处理的SAR图像作为原始输入数据，对作为原始输入数据的图像进行裁剪，从裁剪后的图像中抽出部分作为训练样本，剩下的作为测试样本；2）利用深度学习建立用于地物信息分类的卷积神经网络,该神经网络依次包括输入层、卷积层、池化层以及输出层；3）再将经过滤波处理的SAR图像经过步骤2）中建立好的分类的卷积神经网络得到识别出的地物信息，通过本发明能够大幅提高识别SAR图像的精度。

技术领域

本发明是一个基于机器学习中的深度学习算法来处理SAR图像而进行地物分类的识别技术，属于图像处理领域。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时，全天候观测地物的能力，已经在农业，环境，军事等各个方面产生广泛的作用。其中，对SAR图像进行地物分类是对SAR图像进行应用的基础。

对于SAR图像的分类目前已有大量研究，这些研究仍然是着眼于传统的研究方法，大多数是监督学习分类，而这中分类方法需要有大量的标记样本，和专业人才进行识别，往往需要大量的人力和物力，并且结果精度不高。

发明内容

针对现有技术存在的问题，本发明提供一种基于深度卷积神经网络的SAR图像地物分类识别方法，能够提高识别SAR图像的精度。

本发明所要解决的技术问题是通过以下技术方案实现的：

基于深度卷积神经网络的SAR图像地物分类识别方法，包括：

首先从得到的SAR图像中筛选出对研究目的有用的图像。

接下来对筛选出的SAR图像通过利用离散小波变换的稀疏性进行滤波抑制图像的噪点，以提高图像的质量。

再接下来，将滤波处理后的图像作为原始输入数据，对该原始数据图像进行裁剪，将其裁剪为10000*10000(长*宽，单位：像素)的多幅图像。然后从这些图像中抽取80％作为训练样本，剩下的20％作为测试样本用来评估结果精度。

原始输入数据准备好之后开始建立用于地物信息分类的卷积神经网络，通过深度学习方法搭建该卷积神经网络,该神经网络依次包括输入层、卷积层、池化层以及输出层。

其中，第一层是输入层(Input Layer)，其将输入的裁剪后的SAR图像分解成一个像素矩阵,像素矩阵由像素点构成，以便对单个像素点进行处理。

其后的卷积层共由七层过滤器组成，第一层过滤器的尺寸长*宽为25*25，深度为16，第二层过滤器的尺寸为长*宽为25*25，深度为32，第三层的过滤器的尺寸长*宽为15*15，深度为64；第四层的过滤器的尺寸长*宽为12*12，深度为128,第五层过滤器的尺寸长*宽为4*4，深度为256，第六层过滤器的尺寸长*宽3*3，深度为512，第七层过滤器的尺寸长*宽2*2，深度为1024。

再接下来的池化层采用两种参数的最大池化层，共七层，分别是降维最大池化层和精度最大池化层，前五层降维最大池化层设定池化层的采样窗口为(Pooling Size)4*4，滑动步长为4，后两层精度最大池化层设定其采样窗口的大小2*2，滑动步长2。

经过池化层后，图像中的信息被抽象成信息含量更高的特征，被抽象过的图像再经过全连接层(全连接层在输出层的前面，将每个神经元和前面一层的所有神经元相连接，然后最后一层全连接层的输出值就可以用softmax来分类)，使用ReLU函数f(x)＝max(x,0)作为全连接层的激活函数，x表示输入的神经元，使用SoftMax回归使神经网络向前传播得到的结果变成一个概率分布。从而通过交叉熵(Cross Entropy)来计算预测的概率分布和真实答案的距离，距离越近则说明其更加接近真实值，则取预测结果最接近的作为分类结果，从而完成分类识别。

本发明所达到的有益效果是：