基于轮廓波FCN‑CRF的SAR图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107944470A(43)申请公布日2018.04.20(21)申请号201711068659.0(22)申请日2017.11.03(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人焦李成屈嵘孙莹莹唐旭杨淑媛侯彪马文萍刘芳尚荣华张向荣张丹马晶晶(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书7页附图2页(54)发明名称基于轮廓波FCN-CRF的SAR图像分类方法(57)摘要本发明公开了一种基于轮廓波全卷积网络FCN-条件随机场CRF的SAR图像分类方法，实现步骤为：(1)获得低频系数和高频系数；(2)构建特征矩阵；(3)归一化特征矩阵；(4)构建样本数据集；(5)选取样本；(6)构建全卷积网络FCN-条件随机场CRF的分类模型；(7)设定分类模型各层的参数；(8)利用分类模型进行分类；(9)输出分类结果。本发明一方面引入了条件随机场CRF，且加入了非下采样轮廓波变换，考虑了SAR图像的方向信息和空间信息，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。CN107944470ACN107944470A权利要求书1/3页1.一种基于轮廓波全卷积网络FCN-条件随机场CRF的SAR图像分类方法，其特征在于，包括如下步骤：(1)获得低频系数和高频系数：输入一通道的待分类的高分辨SAR图像，对所输入的一通道的高分辨SAR图像进行3层非下采样轮廓波变换，得到1个低频系数和11个高频系数；(2)构建特征矩阵：融合低频系数和高频系数，构成基于像素点的特征矩阵；(3)归一化特征矩阵：利用最大最小值方法，将基于像素点的特征矩阵中的像素值归一化到[0，1]，得到归一化后的特征矩阵；(4)构建样本数据集：采用窗口大小为128*128，间隔为50的滤波器，对归一化后的特征矩阵切块处理，得到切割后所有的基于像素的特征矩阵块，构成样本数据集；(5)选取样本：从样本数据集中随机选取5％的样本构建训练数据集的特征矩阵，用剩余95％的样本构建测试数据集的特征矩阵；(6)构建全卷积网络FCN-条件随机场CRF的分类模型：选择一个依次由输入层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→丢弃Dropout层→卷积层→丢弃Dropout层→卷积层→上采样层→裁剪Crop层→分割Splitting层→条件随机场CRF层→分类器Softmax组成的19层深度神经网络；(7)设定分类模型各层的参数：将第1层输入层的特征映射图的总数设置为3个像素；将第2层卷积层的特征映射图的总数设置为32个像素，卷积核的长宽设置为5×5个像素；将第3层池化层的下采样的尺寸设置为2个像素；将第4层卷积层的特征映射图的总数设置为64个像素，卷积核的大小设置为5×5个像素；将第5层池化层的下采样的尺寸设置为2个像素；将第6层卷积层的特征映射图的总数设置为96个像素，卷积核的大小设置为3×3个像素；将第7层池化层的下采样的尺寸设置为2个像素；将第8层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第9层池化层的下采样的尺寸为2个像素；将第10层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第11层丢弃Dropout层的稀疏系数设置为0.5个像素；将第12层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为1×1个2CN107944470A权利要求书2/3页像素；将第13层丢弃Dropout层的稀疏系数设置为0.5个像素；将第14层卷积层的特征映射图的总数设置为2个像素，卷积核的大小设置为1×1个像素；将第15层上采样层的征映射图的总数设置为2个像素，卷积核的大小设置为32×32个像素；将第16层裁剪Crop层的最终裁剪大小设置为32×32个像素；将第17层分割Splitting层的分离数设置为2个像素；将第18层条件随机场CRF层的特征映射图的总数设置为64个像素；将第19层分类器Softmax的特征映射图的总数设置为2个像素；(8)利用分类模型进行分类：(8a)将训练数据集的特征矩阵输入设置好参数的分类模型进行训练，得到训练好的分类模型；(8b)将测试数据集的特征矩阵输入训练好的分类模型，得到最终的分类结果；(9)输出分类结果。2.根据权利要求1所述的基于轮廓波全卷积网络FCN-条件随机场CRF的SAR图像分类方法，其特征在于，步骤(1)中所述的非下采样轮廓波变换的步骤如下：第1步，对一通道的待分类的高分辨SAR图像进行3级非