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