[发明专利]带有ASPP反卷积网络的SAR图像分类方法

说明书

本发明公开了一种带有ASPP反卷积网络的SAR图像分类方法，主要解决在对SAR图像分类过程中分类准确率不高、分类效率低、操作复杂的问题。本发明的具体步骤如下：(1)读取训练图像和测试图像；(2)生成训练集和测试集；(3)构建带有空洞空间金字塔池化ASPP的反卷积网络；(4)训练带有空洞空间金字塔池化ASPP的反卷积网络；(5)对测试图像进行分类。本发明克服了现有SAR图像分类算法中无法充分利用多尺度目标信息、无法实现端到端分类的问题，具有分类准确率高、分类快速、操作简单的优点。

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带有空洞空间金字塔池化ASPP(Atrous Spatial Pyramid Pooling)反卷积网络的合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可用于对合成孔径雷达SAR图像中的地物目标类型进行分类，地物目标类型诸如建筑区域、农田区域、机场跑道区域。

背景技术

合成孔径雷达SAR因其全天时、全天候、穿透力强等特点，SAR成像技术得到了广泛的研究。由此SAR成像技术不断成熟，获得的图像分辨率越来越高。SAR图像分类是雷达图像处理技术领域的一个重要分支。SAR图像分类是对SAR图像中不同的地物目标，如建筑区域、农田区域、机场跑道区域，利用不同的纹理特征实现分类。SAR图像分类中所选取的特征决定了分类结果的好坏，常用的纹理特征包括均值、方差、熵、能量和灰度共生矩阵等。深度学习方法能够自动提取有效特征，解决了传统方法中人工选取特征难的问题，目前已经被广泛应用于SAR图像分类。常用的深度学习分类方法包括基于卷积神经网络的分类方法、基于深度置信网络的分类方法、基于反卷积神经网络的分类方法等。

西安电子科技大学在其申请的专利文献“基于超像素分割和卷积反卷积网络的SAR图像分类方法”(专利申请号：201810512092.X，申请公布号：CN 108764330A)中公开了一种基于超像素分割和卷积反卷积网络的SAR图像分类方法。该方法首先将SAR图像数据送入卷积反卷积网络，得到图像的初始分类结果，将SAR图像数据的超像素分割结果与初始分类结果相结合得到最终分类结果。该方法利用超像素分割平滑SAR图像的初始分类结果，克服了基于深度学习的SAR图像分类方法中分类耗时长的问题，提高了SAR图像的分类精度。但是，该方法仍然存在的不足之处是，将SAR图像数据送入卷积反卷积神经网络，没有充分利用SAR图像的多尺度目标信息，SAR图像分类准确率仍不够高。

合肥工业大学在其申请的专利文献“一种基于纹理特征和DBN的SAR图像分类方法”(专利申请号：201710652513.4，申请公布号：CN 107506699A)中公开了一种基于纹理特征和DBN的SAR图像分类方法。该方法主要将灰度图像块的GLCM特征和原始数据图像块的GMRF特征及图像的强度信息送入深度置信网络DBN，得到图像的分类结果。该方法引入图像的纹理特征辅助DBN网络分类，克服了基于深度学习的SAR图像分类方法只利用图像强度信息的问题，提高了SAR图像的分类精度。但是，该方法仍然存在的不足之处是，利用图像的纹理特征辅助DBN网络分类，并未直接得到待分类SAR图像的分类结果，无法实现端到端的分类，导致操作复杂，并且每次测试仅能得到一个像素点的分类结果，不利于工程实现，SAR图像分类效率低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种带有ASPP反卷积网络的SAR图像分类方法，主要解决在对SAR图像分类过程中分类准确率仍不够高、操作复杂、分类效率低的问题。

实现本发明目的的思路是：读取训练图像和测试图像，利用滑窗从训练图像中提取训练数据集并进行数据扩充生成训练集，利用滑窗从测试图像的不同起始位置进行滑动生成测试集，构建带有空洞空间金字塔池化ASPP的反卷积网络，将训练集送入反卷积网络进行训练至网络参数收敛，得到训练好的反卷积网络，分别将起始位置不同的测试集送入训练好的反卷积网络进行分类得到最终分类结果。

本发明的具体步骤包括如下：

(1)读取训练图像和测试图像：