[发明专利]基于残差学习和条件GAN的极化SAR图像分类方法

摘要

一种基于残差学习和条件GAN的极化SAR图像分类方法，其步骤为：(1)构建条件GAN的生成器；(2)构建条件GAN的鉴别器；(3)对待分类极化SAR图像进行滤波；(4)对滤波散射矩阵进行pauli分解；(5)对特征矩阵进行归一化；(6)生成训练数据集和测试数据集；(7)对生成器中的深浅层特征进行残差学习；(8)对残差学习后的特征进行分类；(9)获得分类正确率；(10)训练条件GAN的生成器；(11)对测试数据集进行分类。本发明将极化SAR图像在生成器中得到的深浅层特征进行残差学习，提取了全面的特征信息，使分类结果图区域一致性好，分类精度高。

主权项

1.一种基于残差学习和条件生成对抗网GAN的极化SAR图像分类方法，其特征在于，该方法将含有地物目标的极化SAR图像输入到条件生成对抗网GAN的生成器中，得到浅层特征和深层特征，使用残差学习方法，将浅层特征和深层特征中对应的每个像素进行相加，得到残差学习后的特征，用残差学习后的特征对地物目标进行分类得到地物目标分类结果图，具体步骤包括如下：(1)构建条件生成对抗网GAN的生成器：搭建一个29层的条件生成对抗网GAN的生成器，其结构依次为：输入层→第一卷积层→第二卷积层→第一像素相加层→池化层→第三卷积层→第一上采样层→第二像素相加层→池化层→第四卷积层→第二上采样层→第三像素相加层→池化层→第五卷积层→第三上采样层→第四像素相加层→第四上采样层→第六卷积层→第五上采样层→第五像素相加层→第六上采样层→第七卷积层→第七上采样层→第六像素相加层→第八上采样层→第七像素相加层→分类层；各层的参数设置如下：将输入层的特征映射图的总数设置为3个；将第一至第七卷积层共七个卷积层的特征映射图的总数，依次设置为48个、48个、96个、192个、384个、192个、96个，每层卷积层的卷积核的尺度均设置为3*3个节点；将第一至第七像素相加层共七个像素相加层的特征映射图的总数，依次设置为48个、96个、192个、384个、192个、96个、96个；将第一至第八上采样层共八个上采样层中的每层上采样层的上采样尺度，依次设置为2*2个节点、4*4个节点、8*8个节点、2*2个节点、4*4个节点、2*2个节点、2*2个节点、2*2个节点；将池化层的下采样尺度设置为2*2个节点；将输出层的特征映射图的总数设置为3个；(2)构建条件生成对抗网GAN的鉴别器：搭建一个6层的条件生成对抗网GAN的鉴别器，其结构依次为：输入层→第一卷积层→第二卷积层→第三卷积层→第四卷积层→输出层；各层的参数设置如下：将输入层的特征映射图的总数设置为3个；将第一至第四卷积层的特征映射图的总数，依次设置为64个、128个、256个、256个，每层卷积层的卷积核的尺度均设置为3*3个节点；将输出层的特征映射图的总数设置为1个；(3)对待分类极化SAR图像进行滤波：(3a)选取一帧含有地物目标的待分类极化SAR图像；(3b)用精致极化Lee滤波方法，滤除所选取的待分类极化SAR图像中的相干噪声，得到滤波散射矩阵；(4)对滤波散射矩阵进行pauli分解，得到极化SAR图像的特征矩阵；(5)在[0，255]区间，对极化SAR图像的特征矩阵中的特征值进行归一化处理，得到归一化后的特征矩阵；(6)生成训练数据集和测试数据集：(6a)从归一化后的特征矩阵中随机选取10％的特征值，以所选取的每一个特征值为中心点，在中心点左和上两个方向分别选取31个特征值，在中心点右和下两个方向分别选取32个特征值，将所选取的特征值与其周围所选的特征值，组成64×64像素的特征矩阵块；(6b)从特征矩阵块中随机选取5％的特征矩阵块，组成训练数据集，其余的特征矩阵块组成测试数据集；(7)利用残差学习方法，对条件生成对抗网GAN的生成器中的深浅层特征进行残差学习：将训练数据集输入到条件生成对抗网GAN的生成器中，得到条件生成对抗网GAN的生成器中的浅层特征和深层特征，使用残差学习方法，将深层特征与浅层特征中对应的每个像素进行相加，得到残差学习后的特征；(8)对残差学习后的特征进行分类：将残差学习后的特征输入到条件生成对抗网GAN的生成器的分类层中，用残差学习后的特征进行地物目标分类，得到地物目标分类结果图；(9)获得分类正确率：将地物目标分类结果图输入到条件生成对抗网GAN的鉴别器中，得到分类正确率；(10)训练条件生成对抗网GAN的生成器：将分类正确率传送到条件生成对抗网GAN的生成器的每一层中，用分类正确率更新条件生成对抗网GAN的生成器每一层的参数，得到训练好的条件生成对抗网GAN的生成器；(11)对测试数据集进行分类：将测试数据集输入到训练好的条件生成对抗网GAN的生成器中，得到测试数据集中极化SAR图像的分类结果。