[发明专利]基于曲线波深度阶梯网络模型的SAR图像分类方法

摘要

本发明公开了一种基于曲线波深度阶梯网络模型的SAR图像分类方法，其实现步骤为：输入待分类的SAR图像；对输入数据进行曲线波变换得到样本特征；对样本特征归一化；构造训练数据集及测试数据集；构造深度阶梯网络的分类器模型；用训练数据集对分类器模型进行训练；利用训练好的分类模型对测试数据集进行分类，得到分类结果。本发明采用曲线波变换对样本进行特征提取，充分利用样本的多尺度、多方向的特性，且降低了样本维度，提升了提取特征的鲁棒性，简化了网络，加快了网络的训练与分类速度。

主权项

1.一种基于曲线波深度阶梯网络模型的SAR图像分类方法，其特征在于，包括如下步骤：(1)构建初始样本集：对输入的待分类高分辨SAR图像进行滑窗切块，得到225010个33×33像素的图像块，将所有的图像块组成初始样本集；(2)利用曲线波变换构建样本特征向量集：(2a)对初始样本集中的每个样本进行快速傅里叶变换FFT，得到每个样本的傅里叶变换系数；(2b)对每个样本傅里叶变换系数进行尺度划分，得到每个样本的2个尺度系数；(2c)对每个样本的第1个尺度系数进行反傅里叶变换IFFT，并拉成列向量，得到每个样本第1组121维的系数；(2d)对每个样本的第2个尺度系数经过方向滤波器组，进行每个样本的4级多方向分解，并依次进行反傅里叶变换IFFT，得到每个样本第2组456维的系数；(2e)合并每个样本第1组系数与第2组系数，得到577维的曲线波变换样本特征；(2f)将所有样本的577维曲线波样本特征组成一个225010×577维矩阵，作为样本特征向量集；(3)获得归一化后的样本特征向量集：利用归一化公式，将样本特征向量集的数值归一化到[0，1]之间，得到归一化后的样本特征向量集；(4)构建样本数据集：从归一化后的样本特征向量集中随机选取5％的样本组成训练样本集，将剩余的95％的样本组成测试样本集；(5)构建深度阶梯网络的分类模型：构建一个依次由输入层→第一个全连接层→第二个全连接层→softmax分类器组成的4层深度阶梯网络；(6)利用分类模型进行分类：(6a)将训练样本集输入设置好参数的分类模型进行模型的训练，得到训练好的分类模型；(6b)将测试样本集输入训练好的分类模型，得到待分类SAR图像分类结果；(7)输出分类结果。