基于复数轮廓波卷积神经网络的极化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CN106934419A(43)申请公布日2017.07.07(21)申请号201710137886.8(22)申请日2017.03.09(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人焦李成马丽媛孙其功赵进马文萍屈嵘杨淑媛侯彪田小林尚荣华张向荣(74)专利代理机构陕西电子工业专利中心61205代理人王品华朱红星(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)权利要求书2页说明书5页附图2页(54)发明名称基于复数轮廓波卷积神经网络的极化SAR图像分类方法(57)摘要本发明公开了一种基于复数轮廓波卷积神经网络的极化SAR图像分类方法，主要解决现有技术分类精度较低的问题。其实现步骤是：1.输入待分类极化SAR图像的极化相干矩阵T并归一化；2.根据归一化后的矩阵，分别构造训练数据集和测试数据集的特征矩阵；3.构造复数卷积神经网络，进而得到复数轮廓波卷积神经网络；4.用训练数据集训练复数轮廓波卷积神经网络，得到训练好的模型；5.将测试数据集的特征矩阵输入到训练好的模型中进行分类，得到分类结果。本发明将卷积神经网络延拓至复数域进行运算并提取多尺度、多方向、多分辨特性的图像特征，有效提高了极化SAR图像的分类精度，可用于目标检测与识别。CN106934419ACN106934419A权利要求书1/2页1.一种基于复数轮廓波卷积神经网络的极化SAR图像分类方法，包括：(1)输入待分类极化SAR图像的极化相干矩阵T；(2)将极化相干矩阵T分为实部特征矩阵T1和虚部特征矩阵T2，分别将实部特征矩阵T1和虚部特征矩阵T2中的元素值归一化到[0，1]之间，得到归一化后的实部特征矩阵F1和归一化后的虚部特征矩阵F2；(3)在归一化后的实部特征矩阵F1和归一化后的虚部特征矩阵F2中的每个元素周围取37×37的块代表中心元素，构成基于图像块的实部特征矩阵F3和基于图像块的虚部特征矩阵F4；(4)将待分类的极化SAR图像地物分为15类，在基于图像块的实部特征矩阵F3中的每类中随机选取200个有标记的元素作为训练样本，其余作为测试样本，得到训练数据集的实部特征矩阵W1和测试数据集的实部特征矩阵W2；在基于图像块的虚部特征矩阵F4中的每类中随机选取200个有标记的元素作为训练样本，其余作为测试样本，得到训练数据集的虚部特征矩阵W3和测试数据集的虚部特征矩阵W4；(5)构造复数卷积神经网络：构造一个由输入层→复数卷积层→复数池化层→复数卷积层→复数池化层→复数卷积层→复数池化层→全连接层→全连接层→softmax分类器组成的10层复数卷积神经网络，给定各层的特征映射图，确定复数卷积层的滤波器尺寸并随机初始化滤波器；(6)构造复数轮廓波卷积神经网络：用非下采样轮廓波变换中的尺度滤波器和方向滤波器构造多尺度深度滤波器，并替换复数卷积神经网络第一个复数卷积层中随机初始化的滤波器，得到由输入层→多尺度深度滤波器层→复数池化层→复数卷积层→复数池化层→复数卷积层→复数池化层→全连接层→全连接层→softmax分类器这10层结构组成的复数轮廓波卷积神经网络；(7)用训练数据集对复数轮廓波卷积神经网络进行训练，得到训练好的模型；(8)将测试数据集的实部特征矩阵W2和虚部特征矩阵W4作为步骤(7)训练好模型的输入，得到测试数据集中每个元素的类别。2.根据权利要求1所述的方法，其中步骤(2)中对实部特征矩阵T1和虚部特征矩阵T2归一化，采用特征线性缩放法，即先分别求出实部特征矩阵T1的最大值max(T1)和虚部特征矩阵T2的最大值max(T2)；再将实部特征矩阵T1和虚部特征矩阵T2中的每个元素分别除以对应的最大值max(T1)和max(T2)，得到归一化后的实部特征矩阵F1和归一化后的虚部特征矩阵F2。3.根据权利要求1所述的方法，其中步骤(5)中构造得到的10层复数卷积神经网络，其参数设置如下：对于第1层输入层，设置特征映射图数目为18；对于第2层复数卷积层，设置特征映射图数目为72；对于第3层复数池化层，设置池化半径为2；对于第4层复数卷积层，设置特征映射图数目为48，设置滤波器尺寸为4；对于第5层复数池化层，设置池化半径为2；对于第6层复数卷积层，设置特征映射图数目为16，设置滤波器尺寸为4；对于第7层复数池化层，设置池化半径为2；2CN106934419A权利要求书2/2页对于第8层全连接层，设置特征映射图数目为128；对于第9层全连接层，设置特征映射图数目为50；对于第10层softmax分类器，设置特征映射图数目为15。4.根据权利要求1所述的方法，其中步骤(6)中构造得到10层的复数轮廓波卷积神经网络，其各层的参