一种基于非下采样轮廓波DCGAN的极化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CN107368852A(43)申请公布日2017.11.21(21)申请号201710571622.3(22)申请日2017.07.13(71)申请人西安电子科技大学地址710065陕西省西安市雁塔区太白南路2号(72)发明人焦李成屈嵘张婷马晶晶杨淑媛侯彪马文萍刘芳尚荣华张向荣张丹唐旭(74)专利代理机构西安通大专利代理有限责任公司61200代理人徐文权(51)Int.Cl.G06K9/62(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法(57)摘要本发明公开了一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，输入待分类的极化SAR图像进行Pauli分解；用归一化后的数据集取32×32的块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块，构造非下采样轮廓波DCGAN，用无标签训练数据集对训练网络模型非下采样轮廓波DCGAN进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。本发明能够提高极化SAR图像的分类精度，可用于目标识别与跟踪定位。CN107368852ACN107368852A权利要求书1/3页1.一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解；用归一化后的数据集取32×32的块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块，得到超像素块聚类中心测试数据集；构造非下采样轮廓波DCGAN，用无标签训练数据集对训练网络模型非下采样轮廓波DCGAN进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。2.根据权利要求1所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，对所述极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这三个系数作为极化SAR图像的三维图像特征。3.根据权利要求2所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，定义Pauli基{S1,S2,S3}，得到所述奇次散射系数a、偶次散射系数b和体散射系数c如下：4.根据权利要求1所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块的具体实现步骤如下：S31、按照设定的超像素个数K＝40000，在图像内均匀的分配种子点，假设图片总共有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，得到相邻种子点的近似距离；S32、在种子点的n×n邻域内重新选择种子点，n＝3，计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；S33、在每个种子点周围的邻域内为每个像素点分配类标签，搜索范围限制为2S*2S；S34、对颜色距离和空间距离进行度量，对于每个搜索到的像素点，分别计算它和该种子点的距离D'；S35、不断迭代上述步骤直到误差收敛，以边长为六重新划分原图，则有43400个超像素块，记录这些超像素块的中心像素点的位置；S36、根据超像素块的聚类中心像素点的位置，得到测试数据集超像素聚类中心的图像块数据集。5.根据权利要求4所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，步骤S31中，每个像素块的大小为39，像素块的边长为6，相邻种子点的距离近似为：2CN107368852A权利要求书2/3页6.根据权利要求4所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，步骤S34中种子点的距离D'具体如下：其中，dc代表颜色距离，ds代表空间距离，Ns是类内最大空间距离，定义为Ns＝S，适用于每个聚类，最大的颜色距离Nc既随图片不同而不同，也随聚类不同而不同，由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。7.根据权利要求1所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，所述构造非下采样轮廓波DCGAN具体