一种基于深度Curvelet残差网的极化SAR影像分类方法.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CN107358192A(43)申请公布日2017.11.17(21)申请号201710551722.X(22)申请日2017.07.07(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)发明人焦李成屈嵘王美玲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.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图3页(54)发明名称一种基于深度Curvelet残差网的极化SAR影像分类方法(57)摘要本发明公开了一种基于多尺度深度残差网的极化SAR影像分类方法，主要解决现有的图像特征损失强烈使得分类精度低的问题，其方案是输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；本发明在深度残差网中加入多尺度Curvelet变换层更好的提取了极化SAR图像的尺度、位置和角度信息，更好的保留了图像中存在的边缘，有效去除极化SAR图像中的噪声，结合深度残差网可以完备学习特征的特性，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，同时在视觉效果上也取得了更好的效果。CN107358192ACN107358192A权利要求书1/3页1.一种基于深度Curvelet残差网的极化SAR影像分类方法，其特征在于，包括：步骤1，输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；步骤2，用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；步骤3，用步骤2中得到的基于图像块的特征矩阵构造数据集D1；步骤4，对数据集D1中像素块进行多尺度Curvelet变换，提取图像的尺度、位置和角度信息，进行归一化处理，得到训练数据集D；步骤5，对步骤1得到的特征矩阵F做多尺度Curvelet变换并进行超像素处理，构造数据集T1；步骤6，构造基于深度Curvelet残差网的分类模型：选择一个由输入层→Curvelet层→卷积层→残差块→残差块→残差块→残差块→残差块→归一化层→池化层→全连接softmax分类器组成的33层神经网络；步骤7，用步骤4得到的训练数据集D对步骤6构建的分类模型进行训练，得到训练好的模型；步骤8，将步骤5构造的数据集T1送入步骤7训练好的模型进行分类并得到整张图的预测类标矩阵T2。2.根据权利要求1所述的基于深度Curvelet残差网的极化SAR影像分类方法，其特征在于，步骤1的具体步骤如下：1a)定义Pauli基{S1,S2,S3}，公式如下：其中S1表示奇次散射，S2表示偶次散射，S3表示体散射；1b)由Pauli分解定义得到如下等式：其中a为奇次散射系数，b为偶次散射系数，c为体散射系数；1c)求解式<2>，代入式<1>求得的SHH、SVV、SHV，得到3个散射系数a、b、c：2CN107358192A权利要求书2/3页1d)定义一个大小为H×W×3的矩阵F，并将奇次散射系数a、偶次散射系数b和体散射系数c赋给矩阵F，得到基于像素点的特征矩阵F，其中H为待分类极化SAR图像的长，W为待分类极化SAR图像的宽。3.根据权利要求1所述的基于深度Curvelet残差网的极化SAR影像分类方法，其特征在于，步骤3中构造数据集D1的步骤如下：3a)将极化SAR图像地物分为5类，以中心像素点类标作为图像块的类标，其周围28×28的块代表此像素点，分别存入对应类别A1、A2、A3、A4、A5当中；3b)从上述A1、A2、A3、A4、A5中随机各选取5％的元素，生成5种对应不同类地物被选做训练数据集的图像块B1、B2、B3、B4、B5，其中B1为对应第1类地物中被选作训练数据集的中心像素点对应的图像块，B2为对应第2类地物中被选作训练数据集的中心像素点对应的图像块，B3为对应第3类地物中被选作训练数据集的中心像素点对应的图像块，其中B4为对应第4类地物中被选作训练数据集的中心像素点对应的图像块，B5为对应第5类地物中被选作训练数据集的中心像素点对应的图像块；图像块B1、B2、B3、B4和B5共同构成数据集D1。4.根据权利要求1所述的基于深度Curvelet残差网的极化SAR影像分类方法，其特征在于，步骤4的具体步骤如下：4a)对数据集D1中的图像块进行Curvelet变换，得到每个子带