基于分层稀疏滤波卷积神经网络的SAR图像分类方法

摘要

本发明公开了一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。其步骤为：1.划分SAR数据库样本集为训练数据集和测试样本集；2.从训练数据集学第一层稀疏字典；3.利用第一层稀疏字典提取第一层稀疏特征图并进行非线性变换；3.从第一层非线性变换特征图学第二层稀疏字典；4.利用第二层稀疏字典提取第二层稀疏特征图并进行非线性变换；5.级联第一，二层非线性变换特征训练SVM分类器；6.利用第一，二层稀疏字典抽取测试集的稀疏特征，用SVM分类器进行分类。本发明解决了现有技术设计复杂，普适性和抗噪性差，分类精度低的问题，可用目标识别。

主权项

一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法，包括以下步骤：(1)将SAR图像数据库样本集划分为训练数据集x和测试样本集y；(2)训练SVM分类器：2a)从训练数据集x中随机抽取m块尺寸d×d的训练图像块，并进行全局对比度归一化，构成训练图像块集2b)利用训练图像块集X训练第一层稀疏字典其中N表示X中每个图像块的特征数目；2c)利用第一层的稀疏字典D₁求训练集x的第一层稀疏特征图：Z∈R^{N×(u‑d+1)×(v‑d+1)}，其中u,v分别表示图片的高度和宽度；2d)对第一层稀疏特征图Z进行非线性变换，得到特征图：C₁∈R^{N×(u‑d+1)/w×(v‑d+1)/w}，其中w表示池化的比例；2e)从训练集x的特征图C₁上随机抽取m₂块尺寸N×d₂×d₂的训练图像块，构成训练集2f)利用训练集X₂采用与2b)相同的方法，训练第二层稀疏字典：其中N₂表示X₂中每个图像块的特征数量；2g)利用第二层的稀疏字典D₂采用与2c)相同的方法，求训练集x的第二层稀疏特征图$\tilde{Z}\in R^{N_2\times [(u-d+1)/w-d_2+1]\times [(v-d+1)/w-d_2+1]};$2h)对第二层稀疏特征图进行与2d)相同的非线性变换，得到非线性变换特征图C₂；2i)级联C₁和C₂构成一维向量c，训练线性核SVM分类器；(3)抽取测试集y的特征并进行分类，得到分类结果：3a)对测试集y利用训练阶段获得的第一层稀疏字典D₁和第二层稀疏字典D₂，采用与训练集x相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征和级联和构成一维向量3b)将一维向量输入到SVM分类器进行分类，得到最终分类结果。