[发明专利]一种基于多任务DCGAN的SAR图像分类方法

说明书

本发明涉及图像处理技术领域，旨在提供一种基于多任务DCGAN的SAR图像分类方法。包括步骤：构建多任务DCGAN网络框架；对原始SAR数据进行合理表征；生成训练数据集和测试数据集；训练多任务DCGAN；对测试SAR图像数据集进行地物分类并计算评价指标。本发明的DCGAN网络能够协同处理生成任务、重构任务、分类任务。能够同时判断图像真假、捕获其低维流形稀疏特征、并用编码的稀疏特征进行图像分类，克服了通过DCGAN网络对SAR图像进行分类时特征信息不全面问题，缓解了模式坍塌问题。对于多任务DCGAN网络结构，自适应损失函数权值参数能在网络训练过程中被自动学习。因此克服了现有技术中模式坍塌或训练不稳定的问题，使SAR图像分类精度得以提高。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像分类技术领域中的基于多任务DCGAN(深度卷积生成对抗网络，Deep Convolutional Generative AdversarialNetwork)的SAR(合成孔径雷达)图像分类方法。本发明可用于对SAR图像中的地物目标进行分类。

背景技术

随着合成孔径雷达(SAR)图像数据资源的不断丰富，SAR图像解译变得更为重要。然而，相比SAR成像技术的快速发展，现有的SAR图像解译技术发展相对滞后。SAR图像分类通过分析获取地物后向散射信号来提取地物类别信息，是SAR图像解译的重要内容，在农业植被调研、资源勘测、海洋环境监测等众多应用中都涉及到SAR图像分类技术。考虑到SAR图像特殊的成像机理，使得光学遥感图像分类算法在SAR图像上往往难以取得优异的效果。SAR图像分类关键问题包括以下两个方面：(1)有效的特征表达；(2)鲁棒的分类器。

传统的SAR图像特征提取算法主要分为以灰度共生矩阵(Gray-Level Co-occurrence Matrix，GLCM)、马尔可夫随机场(Markov Random Fields，MRF)、基于形态学闭运算、统计建模等空间域特征提取算法，以小波、曲波、轮廓波等为代表的多尺度几何分析(Multi-scale Geometric Analysis，MGA)的变换域特征提取算法以及以相干目标分解、非相关目标分解的极化特征提取算法。上述传统方法需要依赖人工经验，对不同数据、不同地物目标的适应性较差。近年来深度学习作为一种自动提取特征的手段，为SAR图像分类提供了新的思路。

以堆叠自动编码器、深度置信网络、深度卷积网络、生成对抗网络等的深度学习框架都被应用于SAR图像分类问题中，在上述深度学习网络中，生成对抗网络作为一种生成模型，可以捕获图像的高阶统计特征，被广泛用于特征工程中，但是其固有的模式坍塌、训练不稳定问题可能会造成特征不能有效表达。在SAR图像分类的特征提取中，可能出现类间特征模糊，类内特征差异大的特点，进而影响对地物的准确识别，降低分类精度。

发明内容

本发明要解决的技术问题是，克服现有技术中存在的不足，提出一种基于多任务DCGAN(深度卷积生成对抗网络)的SAR(合成孔径雷达)图像分类方法。

为解决技术问题，本发明的解决方案是：

提供一种基于多任务DCGAN的SAR图像分类方法，包括以下步骤：

(1)构建多任务DCGAN网络框架

构建内容包括：对抗任务模块、分类任务模块、自编码任务模块，及多任务GAN的自适应损失函数。

(2)对原始SAR数据进行合理表征

包括：对于单极化数据，采用幅度或强度进行表征；对于极化数据，采用水平-水平、水平-垂直、垂直-垂直三种极化的幅度、强度或者极化分解得到的相应物理量进行表征；

(3)生成训练数据集和测试数据集

包括：采用滑窗法生成SAR图像每个像素点的切片图像；对每种地物类别随机取10％的切片图像数据作为训练集，其余数据作为测试集；