基于条带波与卷积神经网络的极化SAR图像分类方法

摘要

本发明公开了一种基于条带波与卷积神经网络的极化SAR图像分类方法，主要解决现有技术中极化合成孔径雷达SAR图像分类精度低的问题。本发明的具体步骤如下：(1)输入极化SAR图像；(2)提取泡利分解特征；(3)构建特征矩阵；(4)选取训练样本和测试样本；(5)构建初始矩阵；(6)初始化卷积神经网络；(7)训练卷积神经网络；(8)测试卷积神经网络；(9)上色；(10)输出分类结果图。本发明与现有技术相比，有效地提高了极化SAR图像的分类精度。

主权项

一种基于条带波与卷积神经网络的极化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)构建特征矩阵：(3a)采用特征提取方法，对待分类的极化SAR图像的每个像素点提取特征向量；(3b)将所有像素点的特征向量组成一个21*63*N的极化特征矩阵，得到待分类的极化SAR图像的极化特征矩阵，其中，N表示待分类极化SAR图像中所有像素点的总数；(4)选取训练样本和测试样本：(4a)根据待分类的极化SAR图像的实际地物分布，在待分类的极化SAR图像的极化特征矩阵中标记出每类有标签的样本；(4b)从每类有标签的样本中随机选取10000个样本作为训练样本，将剩余所有的有标签样本作为测试样本；(5)按照下式，随机产生4×4大小的初始矩阵：$x=\left(rand\right(4,4)-0.5)*2*sqrt\left(\frac{6}{f_l}\right)$其中，x表示初始矩阵，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，f_l表示一个常数，l表示卷积神经网络的层数，当l＝2时，f_l＝144，当l＝4时，f_l＝288；(6)采用条带波Bandelet变换方法，初始化卷积神经网络：(6a)对初始矩阵进行二维小波变换，得到变换矩阵；(6b)对变换矩阵进行二进剖分，在条带波Bandelet变换的每个尺度上，连续地将一个区域剖分为四个大小相等的方形子块区域，并将每个方形子块区域的尺寸限制为宽度为L个像素，且4≤L≤2^j/2，j表示变换矩阵的宽度；(6c)对每个方形子块区域进行方向采样,对N*N大小的方形子块区域设定其采样方向数为4*N，每个方向对应于[0,π)区间的一个角度，步长为并将方形子块区域沿每个采样方向进行正交投影，得到投影信号；(6d)对投影信号重新排序，得到一个一维离散信号；(6e)对一维离散信号进行一维离散小波变换，得到一维小波系数；(6f)按照下式，计算每个方形子块区域的每个采样方向对应的拉格朗日Lagrangian目标函数值：其中，表示拉格朗日Lagrangian目标函数，f_d表示一维离散信号，R表示比特数，||·||²表示求2范数的平方操作，f_dR表示一维小波系数，λ表示Lagrangian乘子，取T表示量化阈值，R_G表示使用熵编码器对几何特征参数d编码时所需的比特数，R_B表示对计算条带波Bandelet系数的参数数目编码时所需的比特数；(6g)对方形子块区域的每个采样方向对应的的拉格朗日Lagrangian目标函数值按升序排序，将排序中最小的拉格朗日Lagrangian目标函数值对应的采样方向作为该方形子块区域的最佳方向；(6h)沿着方形子块区域的最佳方向投影，得到投影信号，对投影信号按升序排序，得到一维离散信号，对该离散信号进行一维离散小波变换，得到的一维小波系数，将该一维小波系数作为该方形子块区域的条带波Bandelet系数；(6i)将所有方形子块区域的条带波Bandelet系数组成条带波Bandelet系数矩阵；(6j)将条带波Bandelet系数矩阵作为卷积神经网络的滤波器，得到初始化的卷积神经网络；(7)训练卷积神经网络：将训练样本输入到初始化的卷积神经网络中，训练初始化的卷积神经网络，得到训练好的卷积神经网络；(8)测试卷积神经网络：(8a)将测试样本输入到训练好的卷积神经网络中，得到测试样本的预测标签；(8b)按照下式，计算测试样本的测试正确率：$b=\frac{size(p=l)}{size\left(l\right)}$其中，b表示测试样本的测试正确率，size表示求个数的操作，p表示测试样本的预测标签，l表示测试样本的实际标签；(8c)将待分类的极化SAR图像的极化特征矩阵输入到训练好卷积神经网络中，得到待分类的极化SAR图像的预测标签；(9)上色：(9a)将极化SAR图像的预测标签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，按照三基色上色法进行上色，得到上色后的极化SAR图像，输出上色后的极化SAR图像；(10)输出分类结果图。