驟6,構造非下采樣輪廓波卷積神經網絡。
[0068] (6a)選擇一個由輸入層^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層卷積神經網絡，并確定卷積神經網絡的濾波器大小W及各 層的特征映射圖；
[0069] (6b)用非下采樣輪廓波變換層替換卷積神經網絡中的第2層卷積層，得到非下采 樣輪廓波卷積神經網絡，得到如下8層結構：
[0070] 輸入層^非下采樣輪廓波變換層^池化層^卷積層^池化層^全連接層^全連 接層一 SOf tmax分類器；
[0071] 各層的參數為：
[0072] 第1層輸入層:輸出特征映射圖=3;
[0073] 第2層非下采樣輪廓波變換層:輸出特征映射圖= 12;
[0074] 第3層池化層:下采樣尺度=2;
[0075] 第4層卷積層:輸出特征映射圖=20,濾波器尺寸=4;
[0076] 第5層池化層:下采樣尺度=2;
[0077] 第6層全連接層:輸出特征映射圖=100;
[0078] 第7層全連接層:輸出特征映射圖=64;
[00巧]第8層SOftmax分類器:輸出特征映射圖= 15。
[0080] 步驟7,用非下采樣輪廓波卷積神經網絡對訓練數據集進行訓練。
[0081] 將訓練數據集的特征矩陣作為非下采樣輪廓波卷積神經網絡的輸入，網絡輸出層 是對應的預測類標，通過求解預測類標與人工標記的正確類標之間的誤差，并對誤差進行 反向傳播，優(yōu)化非下采樣輪廓波卷積神經網絡的權值，本發(fā)明誤差反向傳播方式與卷積神 經網絡相同，人工標記的正確類標如圖3所示。
[0082] 步驟8,利用訓練好的非下采樣輪廓波卷積神經網絡對測試數據集進行分類，得到 極化SAR圖像測試數據集中每個像素點的像素類別。
[0083] 本發(fā)明的效果可W通過W下仿真實驗進一步說明：
[0084] 1.仿真條件：
[00化]仿真實驗采用NASA/肝L實驗室AIRSAR系統(tǒng)的L波段荷蘭Flevoland地區(qū)的全極化 數據，基于化Uli分解得到的圖像大小為750X1024像素點。
[00化]硬件平臺為：InteKlOXeon(R)CPU E5-2620,2.00GHz*18,內存為64G。
[0087]軟件平臺為:MATLAB_2014a。
[008引2.仿真內容與結果：
[0089] 用本發(fā)明方法在上述仿真條件下進行實驗，即分別從極化SAR數據的每個類別中 隨機選取700個有標記的像素點作為訓練樣本，其余有標記的像素點作為測試樣本，訓練數 據集占樣本總數的6%，得到如圖4的分類結果，從圖4可W看出：除了極少數錯分像素點，分 類結果的區(qū)域一致性較好，輪廓非常清晰。
[0090] 再依次減少訓練樣本，使訓練數據集占樣本總數的5%、4%、3%，將本發(fā)明與卷積 神經網絡的測試數據集精度W及模型訓練時間進行對比，結果如表1所示：
[0091] 表1
[0092]
[0093] 從表1可見，本發(fā)明在訓練數據集占樣本總數的6%、5%、4%、3%時，測試數據集 精度均高于卷積神經網絡，且需要的模型訓練時間更短；在訓練數據集占樣本總數的3% 時，本發(fā)明可W得到92%的分類精度，而卷積神經網絡的分類精度不收斂。
[0094] 綜上，本發(fā)明通過在卷積神經網絡中引入非下采樣輪廓波變換有效提高了極化 SAR圖像特征的表達能力，提升分類精度，并減少了模型訓練時間。在樣本數目較少時，優(yōu)勢 明顯。
【主權項】
1. 一種非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法，包括： (1) 對待分類的極化SAR圖像進行去噪，得到極化SAR圖像濾波后的極化散射矩陣S; (2) 對濾波后的極化散射矩陣S進行Pauli分解，將Pauli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； (3) 將Pauli分解得到的圖像特征組合成極化SAR圖像的基于像素點的特征矩陣F，每個 像素點對應3維Pauli分解特征，并將F中的元素值歸一化到[0，1 ]之間，記作F1; (4) 對每個像素點取F1周圍22X22的塊，得到基于塊的特征矩陣F2,即每個像素點對應 3個22X22的塊； (5) 從基于塊的特征矩陣F2中選取訓練數據集和測試數據集： (5a)將極化SAR圖像地物分為15類，分別從每個類別中隨機選取N個有標記的像素點作 為訓練樣本D1，其余有標記的像素點作為測試樣本ΤΙ，N取300~700之間的整數； (5b)用Canny算子提取極化SAR圖像的邊緣點，在訓練樣本D1中加入Canny算子提取的 邊緣點，即增加置信度較高的訓練樣本，得到更新后的訓練數據集D和測試數據集T; (6) 構造非下采樣輪廓波卷積神經網絡： (6a)選擇一個由輸入層-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層卷積神經網絡，并確定卷積神經網絡的濾波器大小以及各層的 特征映射圖； (6b)用非下采樣輪廓波變換層替換卷積神經網絡中的第2層卷積層，得到非下采樣輪 廓波卷積神經網絡； (7) 用非下采樣輪廓波卷積神經網絡對訓練數據集進行訓練； (8) 利用訓練好的非下采樣輪廓波卷積神經網絡對測試數據集進行分類，得到極化SAR 圖像測試數據集中每個像素點的像素類別。2. 根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法，其中 步驟(1)中對待分類的極化SAR圖像進行去噪，采用精致極化LEE濾波法，其步驟如下： (la) 設定精致極化LEE濾波的滑動窗口，該滑動窗口的大小為5 X 5像素； (lb) 將滑動窗口在輸入的極化SAR圖像的像素上，從左到右、從上到下漫游，每漫游一 步時，將滑動窗口按照像素空間位置，從左到右、從上到下依次分成9個子窗口，每個子窗口 的大小為3 X 3像素，子窗口之間有重疊； (lc) 將每個子窗口對應位置的像素值求均值，將所得到的均值構成3 X 3像素的均值窗 P; (1 d)選取水平、垂直、45度和135度的四個方向的梯度模版，將均值窗口分別與四個模 版進行加權，對所得到的加權結果求絕對值，選出所有絕對值中的最大值，將該最大值對應 的方向作為邊緣方向； (le) 從9個子窗口中取中心窗口邊緣方向的左右2個子窗口，分別對這2個子窗口內的 所有像素值求均值，用得到的2個均值分別減去中心窗口所有像素值的均值，將均值差值中 絕對值小的值所對應的子窗口作為方向窗口，其中，中心窗口是指5 X 5窗口中心的3 X 3的 子窗口； (lf) 按照式〈1>，得到精致極化LEE濾波的權值： <1> 其中，b表示精致極化LEE濾波的權值，var(y)表示方向窗口內極化SAR總功率圖像像素 的方差值，y表示方向窗口內極化SAR總功率圖像的像素，p表示方向窗口內極化SAR總功率 圖像所有像素的均值，表示輸入的極化SAR圖像相干斑噪聲的方差值。 (lg) 按照式〈2>，得到濾波后極化SAR圖像中心像素的極化相干矩陣T: T=w+b(z-w), <2> 其中，w表示方向窗口內極化SAR圖像像素的極化相干矩陣的均值，b表示精致LEE濾波 的權值，z表示極化SAR圖像中心像素的極化相干矩陣。 (lh) 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Sw、水平發(fā)射且垂直接收的散射分量Shv:<3> 其中，Tn、T22、T33為極化相干矩陣T的對角線上元素。3.根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法，其中 步驟(2)中對濾波后的極化散射矩陣S進行Pauli分解，其步驟如下： (2a)定義基本的散射矩陣，稱為Pauli基：{Sa，Sb，S。，Sd}，公式如下：<4> 其中Λ Y表不奇次散射，Λ \表不偶次散射，< Λ表不體散射，Λ_表不不 οι」 L〇 _1」 L]- 卜.〇 存在的地物類型，因此d取值為0; (2b)根據式〈4>定義的Pauli基，得到極化散射矩陣S的表達式：<：5> 其中a對應奇次散射的值，b對應偶次散射的值，c表示體散射的值，d表示不存在的地物 類型所對應散射成分的值； (2c)求解式〈5>，得到散射值a、b、c、d，將其表示為向量形式如下：當滿足互易條件SHV= S?時，式〈6>簡化為：將式〈3>求得的Shh、Sw、Shv代入式〈7>，求得極化特征K。4. 根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法，其中 步驟(3)中對基于像素點的特征矩陣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中的每個元素均除以最大值max(F)，得到歸一化的特征矩陣 Fl〇5. 根據權利要求1所述的非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法，其中 步驟(6b)中的非下采樣輪廓波卷積神經網絡，其結構為8層，表示為： 輸入層-非下采樣輪廓波變換層-池化層-卷積層-池化層-全連接層-全連接層 -softmax分類器 各層的參數為： 第1層輸入層:輸出特征映射圖=3; 第2層非下采樣輪廓波變換層:輸出特征映射圖=12; 第3層池化層:下采樣尺度=2。 第4層卷積層:輸出特征映射圖=20，濾波器尺寸=4; 第5層池化層:下采樣尺度=2; 第6層全連接層:輸出特征映射圖=100; 第7層全連接層:輸出特征映射圖=64; 第8層sof tmax分類器:輸出特征映射圖=15 〇
【專利摘要】本發(fā)明公開了一種基于非下采樣輪廓波卷積神經網絡的極化SAR圖像分類方法，主要解決現(xiàn)有技術難以避免相干斑噪聲的影響及分類精度低的問題，其實現(xiàn)步驟是：對待分類的極化SAR圖像進行去噪，對去噪得到的極化散射矩陣S進行Pauli分解；將Pauli分解得到的圖像特征組合成特征矩陣F，并對其歸一化，記作F1；對每個像素點取F1周圍的22×22塊，得到基于塊的特征矩陣F2；從F2中選取訓練數據集和測試數據集；構造非下采樣輪廓波卷積神經網絡，對訓練數據集進行訓練；利用訓練好的非下采樣輪廓波卷積神經網絡對測試數據集進行分類。本發(fā)明提高了極化SAR圖像特征的表達能力和分類精度，可用于目標識別。
【IPC分類】G06K9/62, G06N3/02
【公開號】CN105718957
【申請?zhí)枴緾N201610051110
【發(fā)明人】焦李成, 楊淑媛, 馬麗媛, 趙佳琦, 馬文萍, 馬晶晶, 劉紅英, 尚榮華, 侯彪
【申請人】西安電子科技大學
【公開日】2016年6月29日
【申請日】2016年1月26日