[发明专利]基于DCCGAN模型的极化SAR图像分类方法

摘要

本发明公开了一种基于DCCGAN的极化SAR图像分类方法，其实现步骤为：(1)输入图像；(2)预处理数据；(3)特征矩阵归一化及取块；(4)构造数据集；(5)构造DCCGAN模型；(6)训练DCCGAN模型；(7)构造判别分类网络模型并初始化模型；(8)训练判别分类网络模型；(9)预测分类。本发明无需对极化合成孔径雷达SAR图像的极化目标进行分解，可直接从极化散射矩阵中提取特征，充分利用极化合成孔径雷达SAR图像的丰富信息，有效地提高了极化合成孔径雷达SAR图像的分类精度。

主权项

1.一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法，其特征在于，包括如下步骤：(1)输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像；(2)预处理数据：采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征，得到极化SAR图像的8维实数特征矩阵；所述的实虚分离方法，具体步骤如下：第一步，从下式矩阵每一复数元素中分别提取回波数据的实数数值：其中，S表示待分类的极化合成孔径雷达SAR图像每一个像素点的极化散射矩阵，[]表示矩阵符号，A表示输入的极化散射矩阵S中垂直方向接收的垂直方向发射的回波数据的实部的实数数值，B表示输入的极化散射矩阵S中垂直方向接收的垂直方向发射的回波数据的虚部的实数数值，i表示虚数单位，C表示输入的极化散射矩阵S中水平方向接收的垂直方向发射的回波数据的实部的实数数值，D表示输入的极化散射矩阵S中水平方向接收的垂直方向发射的回波数据的虚部的实数数值，E表示输入的极化散射矩阵S中垂直方向接收的水平方向发射的回波数据的实部的实数数值，F表示输入的极化散射矩阵S中垂直方向接收的水平方向发射的回波数据的虚部的实数数值，G表示输入的极化散射矩阵S中水平方向接收的水平方向发射的回波数据的实部的实数数值，H表示输入的极化散射矩阵S中水平方向接收的水平方向发射的回波数据的虚部的实数数值；第二步，将得到的A、B、C、D、E、F、G、H8个实数数值按A、C、E、G、B、D、F、H顺序排列，组成8维的实数特征矩阵；(3)特征矩阵归一化及取块；将特征矩阵中的元素值归一化到[0，1]之间，得到归一化后的特征矩阵，对归一化后的特征矩阵按步长为1的滑窗取块，得到1560000个32×32的特征矩阵块，将所有特征矩阵块组成基于特征矩阵块的数据集；(4)构造数据集：(4a)在所有特征矩阵块中随机选取8％的特征矩阵块，组成无标签训练数据集；(4b)在有标记的特征矩阵块的每个类别中随机选取5％的特征矩阵块，组成有标签训练数据集；(4c)将选取有标签训练数据集后剩余的所有特征矩阵块，组成测试数据集；(5)构造深度复卷积生成式对抗网络DCCGAN模型：(5a)搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G；(5b)搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D；(5c)将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型；(6)训练深度复卷积生成式对抗网络DCCGAN模型：将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中，对该模型进行训练，得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型；(7)构造判别分类网络模型并初始化模型：(7a)构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型；(7b)利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重，初始化判别分类网络模型对应复卷积层的参数，用(0,1)区间的随机数初始化softmax分类器的参数；(8)训练判别分类网络模型：(8a)将有标签训练数据集输入到判别分类网络模型中，更新softmax分类器参数，得到训练好的softmax分类器；(8b)将有标签训练数据集输入到判别分类网络模型中，更新整个判别分类网络模型参数，得到训练好的判别分类网络模型；(9)预测分类：利用训练好的判别分类网络模型，对待分类的极化SAR图像进行分类，得到极化SAR图像的像素类别。