基于深度方向波网络的极化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CN105913076A(43)申请公布日2016.08.31(21)申请号201610213957.3(22)申请日2016.04.07(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)发明人焦李成屈嵘王继雷张丹马文萍马晶晶尚荣华赵进赵佳琦侯彪杨淑媛(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)G06N3/08(2006.01)权利要求书2页说明书6页附图3页(54)发明名称基于深度方向波网络的极化SAR图像分类方法(57)摘要本发明公开了一种基于深度方向波网络的极化SAR图像分类方法，本方法实现步骤为：(1)输入极化SAR图像；(2)提取泡利分解特征；(3)构建训练样本特征矩阵；(4)初始化卷积神经网络；(5)训练卷积神经网络；(6)构建测试样本特征矩阵；(7)得到测试样本的类标；(8)计算分类精度；(9)上色；(10)输出上色后的极化SAR图像。本发明将方向滤波器作为卷积神经网络的滤波器，对极化SAR图像进行分类，使得本发明具有很好地保留极化SAR图像的方向信息的优点。CN105913076ACN105913076A权利要求书1/2页1.一种基于深度方向波网络的极化SAR图像分类方法，包括如下步骤：(1)输入一幅待分类的极化SAR图像的相干矩阵；(2)提取泡利Pauli分解特征值：(2a)采用泡利Pauli分解公式，从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a，b，c三个特征值；(2b)将从待分类的极化SAR图像的每个像素中提取泡利Pauli分解的a，b，c三个特征值分别归一到[0,255]之间；(3)构建训练样本的特征矩阵：(3a)从待分类的极化SAR图像的每类物体中随机选取20000个像素点作为训练样本；(3b)以训练样本中的每个像素点为中心，选取该中心周围的21×21大小的正方形区域中的所有像素点，将该正方形区域中的每个像素点提取的泡利Pauli分解的a，b，c三个特征值，组成训练样本中的每个像素点的的21×21×3大小的特征矩阵；(4)初始化卷积神经网络：(4a)按照下式，随机产生4×4大小的矩阵作为初始滤波器：x＝(rand(4,4)-0.5)*2*sqrt(6/f)其中，x表示初始滤波器，rand表示随机产生矩阵的操作，*表示相乘操作，sqrt表示开方操作，/表示除法操作，f表示滤波器参数，l表示卷积神经网络的层数；(4b)按照下式，将初始滤波器变换成高斯滤波器：其中，y表示方向波滤波器，x表示初始滤波器，e表示自然底数；(4c)按照下式，将高斯滤波器逆时针旋转不同的角度得到方向波滤波器：其中，z表示方向波滤波器，rot0表示逆时针旋转0度，rot90表示逆时针旋转90度，rot180表示逆时针旋转180度，％表示取余运算，i表示高斯滤波器的序号，i＝1,2,3,...,M，M表示卷积层的高斯滤波器的总数；(4d)将方向滤波器作为卷积神经网络的滤波器，得到初始化的卷积神经网络；(5)训练卷积神经网络：(5a)将训练样本中的每个像素点的21×21×3大小的特征矩阵输入到初始化的卷积神经网络中；(5b)训练初始化的卷积神经网络，得到训练好的卷积神经网络；(6)构建测试样本的特征矩阵：(6a)从待分类的极化SAR图像的每类物体中选取所有像素点作为测试样本；(6b)以测试样本中的每个像素点为中心，选取该中心周围的21×21大小的正方形区域中的所有像素点，将该正方形区域中的每个像素点提取的泡利Pauli分解的a，b，c三个特征2CN105913076A权利要求书2/2页值，组成测试样本中的每个像素点的的21×21×3大小的特征矩阵；(7)得到测试样本中每个像素点的类标：将测试样本中的每个像素点的的21×21×3大小的特征矩阵输入到训练好的卷积神经网络中，得到测试样本中每个像素点的类标；(8)计算极化SAR图像的分类精度：将到测试样本中每个像素点的类标与真实物体类标进行对比，将类标一致的像素点个数与测试样本中像素点个数的比值作为极化SAR图像的分类精度；(9)上色：(9a)将分类后的极化SAR图像像素点的类标排列成与待分类的极化SAR图像大小相等的标签矩阵，将该标签矩阵表示为一幅图像，得到分类后的极化SAR图像；(9b)在分类后的极化SAR图像上，将红色、绿色、蓝色三个颜色作为三基色，按照三基色上色原理进行上色，得到上色后的极化SAR图像；(10)输出上色后的极化SAR图像。2.根据权利要求1所述的基于深度方向波网络的极化SAR图像分类方法，其特征在于：步骤(2a)中所述的泡利Pauli分解公