[发明专利]非下采样轮廓波卷积神经网络的极化SAR图像分类方法

摘要

本发明公开了一种基于非下采样轮廓波卷积神经网络的极化SAR图像分类方法，主要解决现有技术难以避免相干斑噪声的影响及分类精度低的问题，其实现步骤是：对待分类的极化SAR图像进行去噪，对去噪得到的极化散射矩阵S进行Pauli分解；将Pauli分解得到的图像特征组合成特征矩阵F，并对其归一化，记作F1；对每个像素点取F1周围的22×22块，得到基于块的特征矩阵F2；从F2中选取训练数据集和测试数据集；构造非下采样轮廓波卷积神经网络，对训练数据集进行训练；利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类。本发明提高了极化SAR图像特征的表达能力和分类精度，可用于目标识别。

主权项

一种非下采样轮廓波卷积神经网络的极化SAR图像分类方法，包括：(1)对待分类的极化SAR图像进行去噪，得到极化SAR图像滤波后的极化散射矩阵S；(2)对滤波后的极化散射矩阵S进行Pauli分解，将Pauli分解得到的奇次散射、偶次散射、体散射的值作为极化SAR图像的图像特征；(3)将Pauli分解得到的图像特征组合成极化SAR图像的基于像素点的特征矩阵F，每个像素点对应3维Pauli分解特征，并将F中的元素值归一化到[0，1]之间，记作F1；(4)对每个像素点取F1周围22×22的块，得到基于块的特征矩阵F2，即每个像素点对应3个22×22的块；(5)从基于块的特征矩阵F2中选取训练数据集和测试数据集：(5a)将极化SAR图像地物分为15类，分别从每个类别中随机选取N个有标记的像素点作为训练样本D1，其余有标记的像素点作为测试样本T1，N取300～700之间的整数；(5b)用Canny算子提取极化SAR图像的边缘点，在训练样本D1中加入Canny算子提取的边缘点，即增加置信度较高的训练样本，得到更新后的训练数据集D和测试数据集T；(6)构造非下采样轮廓波卷积神经网络：(6a)选择一个由输入层→卷积层→池化层→卷积层→池化层→全连接层→全连接层→softmax分类器组成的8层卷积神经网络，并确定卷积神经网络的滤波器大小以及各层的特征映射图；(6b)用非下采样轮廓波变换层替换卷积神经网络中的第2层卷积层，得到非下采样轮廓波卷积神经网络；(7)用非下采样轮廓波卷积神经网络对训练数据集进行训练；(8)利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类，得到极化SAR图像测试数据集中每个像素点的像素类别。