基于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。

主权项

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：$y=-{\mathrm{xe}}^{\frac{-x^2}{2}}$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：$z=\left\{\begin{array}{cc}rot0\left(y\right),& i\%3=1\\ rot90\left(y\right),& i\%3=2\\ rot180\left(y\right),& i\%3=0\end{array}\right.$其中，z表示方向波滤波器，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。