基于多尺度深度方向波网络的极化SAR图像分类方法

摘要

本发明公开了一种基于多尺度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)初始化多尺度深度方向波网络；(5)训练多尺度深度方向波网络；(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。本发明将不同尺度的方向波滤波器作为多尺度深度方向波网络的滤波器，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图像的方向特征和全局特征的优点。

主权项

一种基于多尺度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)初始化多尺度深度方向波网络：(4a)按照下式，随机产生n×n大小的矩阵作为初始滤波器组：$x=\left(rand\right(n,n)-0.5)*2*sqrt\left(\frac{6}{f}\right)$其中，x表示初始滤波器组，rand表示随机产生矩阵的操作，n表示滤波器的不同尺度，取3、4、6，*表示相乘操作，sqrt表示开方操作，f表示滤波器组参数，l表示多尺度深度方向波网络的层数；(4b)按照下式，将初始滤波器组变换成高斯滤波器组：$y=-{\mathrm{xe}}^{\frac{-x^2}{2}}$其中，y表示高斯滤波器组，x表示初始滤波器组，e表示以e为自然底数的指数操作；(4c)按照下式，将高斯滤波器组逆时针旋转不同的角度，得到方向波滤波器组：$z=\left\{\begin{array}{cc}rot0\left(y\right),& i\%3=1\\ rot90\left(y\right),& i\%3=2\\ rot180\left(y\right),& i\%3=0\end{array}\right.$其中，z表示方向波滤波器组，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，％表示取余操作，i表示高斯滤波器组的序号，i＝1,2,3,...,M，M表示高斯滤波器组的总数；(4d)将方向波滤波器组输入到多尺度深度方向波网络中去，得到初始化的多尺度深度方向波网络；(5)训练多尺度深度方向波网络：(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多尺度深度方向波网络中；(5b)训练初始化的多尺度深度方向波网络，得到训练好的多尺度深度方向波网络；(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多尺度深度方向波网络中，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。