[发明专利]基于分布和结构匹配生成对抗网络的SAR图像地物分类方法

权利要求书

1.基于分布和结构匹配生成对抗网络的SAR图像地物分类方法，其特征在于，通过选取训练集中的真实数据与生成器生成的伪数据训练DSM-ACGAN中的判别器并更新其参数；然后固定判别器参数，再次生成伪数据训练DSM-ACGAN中的生成器并更新其参数；再计算生成数据和真实数据的分布和结构特性差异，作为样本权重引导DSM-ACGAN训练和判别器中的特征学习；最后利用训练好的判别器对测试SAR图像进行预测并计算分类指标，包括以下步骤：

S1、输入高分辨SAR图像，随机选取像块组成训练集；

S2、将随机噪声通过生成器映射到数据空间得到伪数据，并与真实数据一同送入判别器训练，更新判别器参数；

S3、将随机噪声送入网络训练，更新生成器参数；

S4、分别对比伪数据和真实数据的统计特性和视觉特性，得到统计特性和视觉特性的差异，并结合得到最终的差异，作为下代训练样本的权重，具体计算如下：

采用Kolmogorov-Smirnov距离和对称的Kullback-Leibler散度度量生成样本与真实样本的统计特性差异如下：

表示拟合的累积分布F(t_n)与实际累积分布的最大绝对值差异D_KS如下：

其中，t_n表示分布曲线中的第n个采样点；

从信息论角度表示估计的概率密度函数和归一化直方图的不一致程度D_sKL如下：

其中，f(t_n)为估计的概率密度函数，g(t_n)为归一化直方图；

采用多尺度的结构化相似度度量准则，度量生成样本与真实样本的视觉特性差异如下：

对光照、对比度和结构对比度进行测定，定义通用的结构相似度如下：

SSIM(x,y)＝[l(x,y)]^α·[c(x,y)]^β·[s(x,y)]^γ

其中，x和y分别表示输入的非负信号，α、β、γ分别定义三个组分相对重要性的参数；

定义多尺度的结构相似度如下：

其中，M表示尺度因子，l_M(x,y)表示规模M时的光照对比计算，c_j(x,y)和s_j(x,y)分别表示尺度为j时的对比度和结构对比度；

总的统计差异如下：

其中，和分别表示第c类真实和生成样本的KS距离和sKL散度；

真实和生成样本间的结构差异计算如下：

其中，是第c类的第j个样本，是第i个随机噪声，生成样本被判别器划分为第c类，N_c和N′_c分别代表真实和生成样本属于第c类的数目；

最终得到的混合差异，即样本权重D^c如下：

其中，λ∈[0,1]，λ表示调节分布和结构差异的平衡因子，采用多尺度的结构化相似度度量准则，对光照、对比度和结构比较的测定如下：

其中，x和y分别表示输入的非负信号，μ_x和μ_y分别是其均值，和是其方差，σ_xy表示二者的协方差，C₁＝(k₁L)²，C₂＝(k₂L)²，C₃＝C₂/2是三个用于稳定计算的因子，L是像素值的动态范围，L＝255，k₁＝0.01，k₃＝0.03；

S5、重复步骤S2～S4直至达到最大训练次数；

S6、利用训练好的判别器实现SAR图像分类，得到预测结果图，计算分类指标。

2.根据权利要求1所述基于分布和结构匹配生成对抗网络的SAR图像地物分类方法，其特征在于，步骤S1中，输入高分辨Traunstein地区的SAR图像，从建筑、水域、森林和农田四类中每类随机选取5000个样本，每个样本为28×28的图像块，减去图像均值后除以最大值实现归一化，作为网络真实数据的输入。