[发明专利]一种基于深度Curvelet残差网的极化SAR影像分类方法

摘要

本发明公开了一种基于多尺度深度残差网的极化SAR影像分类方法，主要解决现有的图像特征损失强烈使得分类精度低的问题，其方案是输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；本发明在深度残差网中加入多尺度Curvelet变换层更好的提取了极化SAR图像的尺度、位置和角度信息，更好的保留了图像中存在的边缘，有效去除极化SAR图像中的噪声，结合深度残差网可以完备学习特征的特性，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的分类精度，同时在视觉效果上也取得了更好的效果。

主权项

一种基于深度Curvelet残差网的极化SAR影像分类方法，其特征在于，包括：步骤1，输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；步骤2，用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；步骤3，用步骤2中得到的基于图像块的特征矩阵构造数据集D1；步骤4，对数据集D1中像素块进行多尺度Curvelet变换，提取图像的尺度、位置和角度信息，进行归一化处理，得到训练数据集D；步骤5，对步骤1得到的特征矩阵F做多尺度Curvelet变换并进行超像素处理，构造数据集T1；步骤6，构造基于深度Curvelet残差网的分类模型：选择一个由输入层→Curvelet层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器组成的33层神经网络；步骤7，用步骤4得到的训练数据集D对步骤6构建的分类模型进行训练，得到训练好的模型；步骤8，将步骤5构造的数据集T1送入步骤7训练好的模型进行分类并得到整张图的预测类标矩阵T2。