国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò)的極化sar圖像分類方法

      文檔序號(hào):9929868閱讀:1824來源:國知局
      非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò)的極化sar圖像分類方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,具體設(shè)及一種極化SAR圖像分類方法,可用于目標(biāo) 識(shí)別。
      【背景技術(shù)】
      [0002] 極化SAR是一種高分辨率主動(dòng)式有源微波遙感成像雷達(dá),具有全天候、全天時(shí)、分 辨率高、可側(cè)視成像等優(yōu)點(diǎn),能獲得目標(biāo)更豐富的信息。極化SAR圖像分類的目的是利用機(jī) 載或者星載極化SAR傳感器獲得的極化測(cè)量數(shù)據(jù)確定每個(gè)像素所屬的類別,在農(nóng)業(yè)、林業(yè)、 軍事、地質(zhì)學(xué)、水文學(xué)和海洋等方面具有廣泛的研究和應(yīng)用價(jià)值。
      [0003] 現(xiàn)在普遍使用的極化SAR圖像分類方法是基于像素的方法,即僅利用各個(gè)像素本 身的特征進(jìn)行分類。運(yùn)些方法雖然能夠較好地保留圖像中像素級(jí)的細(xì)節(jié),但由于相干斑的 影響,單個(gè)像素的測(cè)量值與真實(shí)值之間存在誤差,分類圖中難W避免存在較多的孤立像素 和小塊區(qū)域,增加了分類難度。
      [0004] 現(xiàn)有的基于散射特性的極化SAR圖像目標(biāo)特征提取方法,包括Cloude分解、 Rreeman分解等。
      [0005] 1997年,Cloude等人提出了 Cloude分解,對(duì)H/a平面進(jìn)行劃分,通過H和a兩個(gè)表征 極化數(shù)據(jù)的特征值把各像素化為相應(yīng)區(qū)域的類別。H/a分類存在的一個(gè)缺陷是區(qū)域的劃分 過于武斷,當(dāng)同一類的數(shù)據(jù)分布在兩類或幾類的邊界時(shí),分類器性能將變差,另一個(gè)不足之 處是,當(dāng)同一個(gè)區(qū)域里共存幾種不同的地物時(shí),將不能有效區(qū)分;
      [0006] 2004年,Lee等人提出了一種基于Freeman分解的特征提取方法,該方法能夠保持 各類的極化散射特性,但分類結(jié)果易受Freeman分解性能的影響,對(duì)不同波段的極化數(shù)據(jù)該 算法的普適性差。
      [0007] 運(yùn)些特征提取方法均沒有考慮到極化SAR圖像的多尺度、多分辨特性,對(duì)背景復(fù)雜 的極化SAR圖像很難得到較高的分類精度。

      【發(fā)明內(nèi)容】

      [0008] 本發(fā)明的目的在于針對(duì)上述問題,提出一種基于非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò)的 極化SAR圖像分類方法,W得到具有多尺度、多分辨特性的圖像特征,提升分類精度。
      [0009] 本發(fā)明的思路是:基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像塊特征進(jìn)行處理,并通過在該網(wǎng)絡(luò)中 引入非下采樣輪廓波變換,有效提高極化SAR圖像特征的表達(dá)能力,其實(shí)現(xiàn)方案包括如下:
      [0010] (1)對(duì)待分類的極化SAR圖像進(jìn)行去噪,得到極化SAR圖像濾波后的極化散射矩陣 S;
      [0011] (2)對(duì)濾波后的極化散射矩陣S進(jìn)行化Uli分解,將化Uli分解得到的奇次散射、偶 次散射、體散射的值作為極化SAR圖像的圖像特征;
      [0012] (3)將化Uli分解得到的圖像特征組合成極化SAR圖像的基于像素點(diǎn)的特征矩陣F, 每個(gè)像素點(diǎn)對(duì)應(yīng)3維化Uli分解特征,并將F中的元素值歸一化到[0,1 ]之間,記作Fl;
      [OOU] (4)對(duì)每個(gè)像素點(diǎn)取Fl周圍22X22的塊,得至蠟于塊的特征矩陣F2,即每個(gè)像素點(diǎn) 對(duì)應(yīng)3個(gè)22 X 22的塊;
      [0014] (5)從基于塊的特征矩陣F2中選取訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集:
      [0015] (5a)將極化SAR圖像地物分為15類,分別從每個(gè)類別中隨機(jī)選取N個(gè)有標(biāo)記的像素 點(diǎn)作為訓(xùn)練樣本Dl,其余有標(biāo)記的像素點(diǎn)作為測(cè)試樣本Tl,N取300~700之間的整數(shù);
      [0016] (5b)用Canny算子提取極化SAR圖像的邊緣點(diǎn),在訓(xùn)練樣本Dl中加入化nny算子提 取的邊緣點(diǎn),即增加置信度較高的訓(xùn)練樣本,得到更新后的訓(xùn)練數(shù)據(jù)集D和測(cè)試數(shù)據(jù)集T;
      [0017] (6)構(gòu)造非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò):
      [0018] (6a)選擇一個(gè)由輸入層^卷積層^池化層^卷積層^池化層^全連接層^全連 接層^softmax分類器組成的8層卷積神經(jīng)網(wǎng)絡(luò),并確定卷積神經(jīng)網(wǎng)絡(luò)的濾波器大小W及各 層的特征映射圖;
      [0019] (6b)用非下采樣輪廓波變換層替換卷積神經(jīng)網(wǎng)絡(luò)中的第2層卷積層,得到非下采 樣輪廓波卷積神經(jīng)網(wǎng)絡(luò);
      [0020] (7)用非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練;
      [0021] (8)利用訓(xùn)練好的非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類,得到極 化SAR圖像測(cè)試數(shù)據(jù)集中每個(gè)像素點(diǎn)的像素類別。
      [0022] 本發(fā)明與現(xiàn)有的技術(shù)相比具有W下優(yōu)點(diǎn):
      [0023] 1.本發(fā)明結(jié)合像素空間相關(guān)性提取圖像塊特征,減弱了相干斑影響,從而提升了 分類精度。
      [0024] 2.本發(fā)明由于采用非下采樣輪廓波卷積神經(jīng)網(wǎng)絡(luò),并在卷積神經(jīng)網(wǎng)絡(luò)中引入非下 采樣輪廓波變換得到具有多尺度、多分辨特性的圖像特征,因而能更好的逼近原圖像,提升 了分類精度。
      【附圖說明】
      [0025] 圖1是本發(fā)明的實(shí)現(xiàn)流程圖;
      [0026] 圖2是本發(fā)明中對(duì)待分類圖像去噪后的偽彩色圖;
      [0027] 圖3是本發(fā)明中對(duì)待分類圖像的人工標(biāo)記圖;
      [0028] 圖4是用本發(fā)明對(duì)待分類圖像的分類結(jié)果圖。
      【具體實(shí)施方式】
      [0029] W下結(jié)合附圖對(duì)本發(fā)明的實(shí)現(xiàn)步驟和實(shí)驗(yàn)效果作進(jìn)一步詳細(xì)描述:
      [0030] 參照?qǐng)D1,本發(fā)明的具體實(shí)現(xiàn)步驟如下:
      [0031 ]步驟1,對(duì)待分類的極化SAR圖像進(jìn)行去噪。
      [0032] 常用的極化SAR圖像去噪方法有均值濾波、中值濾波、局域?yàn)V波、精致極化LEE濾波 等,本發(fā)明采用的是精致極化LEE濾波法,具體步驟如下:
      [0033] (la)設(shè)定精致極化LEE濾波的滑動(dòng)窗口,該滑動(dòng)窗口的大小為5 X 5像素;
      [0034] (化)將滑動(dòng)窗口在輸入的極化SAR圖像的像素上,從左到右、從上到下漫游,每漫 游一步時(shí),將滑動(dòng)窗口按照像素空間位置,從左到右、從上到下依次分成9個(gè)子窗口,每個(gè)子 窗口的大小為3 X 3像素,子窗口之間有重疊;
      [0035] (Ic)將每個(gè)子窗口對(duì)應(yīng)位置的像素值求均值,將所得到的均值構(gòu)成3X3像素的均 值窗口;
      [0036] (Id)選取水平、垂直、45度和135度的四個(gè)方向的梯度模版,將均值窗口分別與四 個(gè)模版進(jìn)行加權(quán),對(duì)所得到的加權(quán)結(jié)果求絕對(duì)值,選出所有絕對(duì)值中的最大值,將該最大值 對(duì)應(yīng)的方向作為邊緣方向;
      [0037] (Ie)從9個(gè)子窗口中取中屯、窗口邊緣方向的左右2個(gè)子窗口,分別對(duì)運(yùn)2個(gè)子窗口 內(nèi)的所有像素值求均值,用得到的2個(gè)均值分別減去中屯、窗口所有像素值的均值,將均值差 值中絕對(duì)值小的值所對(duì)應(yīng)的子窗口作為方向窗口,其中,中屯、窗口是指5 X 5窗口中屯、的3 X 3的子窗口;
      [0038] (If)按照式<1〉,得到精致極化LEE濾波的權(quán)值:
      [0039]
      <:1>
      [0040] 其中,b表示精致極化LEE濾波的權(quán)值,var(y)表示方向窗口內(nèi)極化SAR總功率圖像 像素的方差值,y表示方向窗口內(nèi)極化SAR總功率圖像的像素,P表示方向窗口內(nèi)極化SAR總 功率圖像所有像素的均值,^^^表示輸入的極化543圖像相干斑噪聲的方差值;
      [0041] (Ig)按照式<2〉,得到濾波后極化SAR圖像中屯、像素的極化相干矩陣T:
      [0042] T=w+b(z-w), <2>
      [0043] 其中,W表示方向窗口內(nèi)極化SAR圖像像素的極化相干矩陣的均值,b表示精致LEE 濾波的權(quán)值,Z表示極化SAR圖像中屯、像素的極化相干矩陣;
      [0044] (化)按照式<3〉,可求得水平發(fā)射且水平接收的散射分量Shh、垂直發(fā)射且垂直接收 的散射分量Svv、水平發(fā)射且垂直接收的散射分量Shv:
      [0045]
      <3>
      [0046] 其中,Ti1、T22、T33為極化相干矩陣T的對(duì)角線上元素。
      [0047] 待分類圖像去噪后的偽彩色圖如圖2所示。
      [004引步驟2,對(duì)濾波后的極化散射矩陣S進(jìn)行化Uli分解,將化Uli分解得到的奇次散射、 偶次散射、體散射的值作為極化SAR圖像的圖像特征。
      [00例 (2a)定義基本的散射矩陣,稱為化Uli基:{Sa,Sb,Sc,Sd},公式如下:
      [(K)加]
      <斗>
      [0051] 其中^ ^表示奇次散亂^ ^表示偶次散亂^ 1萊示體散亂表 0 1」 [0-1」 [10」 L'z 0_ 示不存在的地物類型,因此d取值為0;
      [0052] (2b)根據(jù)式<4〉定義的化Uli基,得到極化散射矩陣S的表達(dá)式: 沒 S
      [005;3] S=曲 訊.="式 + M由 + 巧 + 游/ <5> _^VH ^rv _
      [0054] 其中a對(duì)應(yīng)奇次散射的值,b對(duì)應(yīng)偶次散射的值,C表示體散射的值,d表示不存在的 地物類型所對(duì)應(yīng)散射成分的值;
      [0055] (2c)求解式巧〉,得到散射值a、b、c、d,將其表示為向量形式如下:
      [0056]
      巧〉
      [0057] 當(dāng)滿足互易條件Shv = Svh時(shí),式<6〉簡(jiǎn)化為:
      [0化引
      , 巧>
      [0化9] 將式<3〉求得的5冊(cè)、5"、5肌代入式<7〉,求得極化特征1(。
      [0060]步驟3,將化Uli分解得到的圖像特征組合成特征矩陣F,并對(duì)其進(jìn)行歸一化。
      [0061 ]構(gòu)造一個(gè)特征矩陣F,矩陣大小設(shè)定為Ml X M2 X 3,將化Ul i分解得到的奇次散射、 偶次散射、體散射的值賦給特征矩陣F,其中Ml為待分類圖像的長,M2為待分類圖像的寬;
      [0062] 對(duì)特征矩陣F歸一化,采用特征線性縮放法,即先求出特征矩陣F的最大值max(F); 再將特征矩陣F中的每個(gè)元素均除W最大值max(巧,得到歸一化的特征矩陣F1。
      [0063] 步驟4,對(duì)歸一化后的每個(gè)像素點(diǎn)取Fl周圍22X22的塊,得到基于塊的特征矩陣 F2,即每個(gè)像素點(diǎn)對(duì)應(yīng)3個(gè)22 X 22的塊,特征矩陣F2大小為22 X 22 X (Ml XM2) X 3。
      [0064] 步驟5,從基于塊的特征矩陣F2中選取訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。
      [0065] (5a)將極化SAR圖像地物分為15類,分別從每個(gè)類別中隨機(jī)選取N個(gè)有標(biāo)記的像素 點(diǎn)作為訓(xùn)練樣本Dl,其余有標(biāo)記的像素點(diǎn)作為測(cè)試樣本Tl,N取300~700之間的整數(shù);
      [0066] (5b)用Canny算子提取極化SAR圖像的邊緣點(diǎn),在訓(xùn)練樣本Dl中加入化nny算子提 取的邊緣點(diǎn),即增加置信度較高的訓(xùn)練樣本,得到更新后的訓(xùn)練數(shù)據(jù)集D和測(cè)試數(shù)據(jù)集T。
      [0067] 步
      當(dāng)前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1