[发明专利]基于深层特征学习和分水岭的SAR图像分类方法

说明书

本发明公开了一种基于深度特征学习和分水岭的SAR图像分类方法，它属于图像处理技术领域，主要解决中低层特征应用于SAR图像分类易产生场景错分，区域一致性性差，边界有毛刺的问题。其分类过程为：对输入的SAR图像计算分水岭过分割类标L；计算输入的SAR图像伽马(Gabor)特征F₁；对F₁采样后输入到奇异值分解(KSVD)算法得到训练字典D；将F₁与D进行卷积与最大值池化，得到卷积特征F₂；然后将F₂输入到稀疏自编码器中获到深层特征F₃；将F₃输入到SVM中分类，获得分类结果R₁；在分水岭分割结果L的每个子块位置对R₁进行投票统计，获得最终分类结果。本发明具有运算速度快，边缘分类精确，区域一致性好的优点，可用于SAR目标识别。

技术领域

本发明属于图像处理领域，特别是一种涉及SAR图像分类的方法，可应用于目标识别。

背景技术

合成孔径雷达(SAR)是一种全天时，全天候对地球进行探测和侦察的高分辨微波成像雷达。SAR能有效识别伪装和穿透掩盖物，因此在遥感测绘、军事侦察、抗震救灾等军事和民用领域得到了广泛应用。SAR图像具有丰富的纹理信息、较强的乘性相干斑噪声等特点。在SAR图像的成像过程中,不同的地物有不同的后向反射和散射特性,从而呈现不同的纹理，因此SAR图像中常常会包含有丰富的纹理信息。另一方面，由于SAR采用的是相干成像体制，使得成像后的SAR图像不可避免的受到相干斑噪声的影响，从而隐藏或减弱SAR图像中的精细结构，为SAR图像的理解与解译带来困难甚至错判。SAR图像分类是SAR图像解译中基本而关键的技术之一，因此SAR图像分类技术研究是一个具有非常大的研究价值的挑战性课题。

目前SAR图像分类技术发展状况可归纳如下：

基于模型驱动的分类方法。需要对SAR图像数据进行数学建模。主要包括概率统计分布模型和马尔可夫随机场模型，以及优化模型等。SAR强度图像的统计特性通常被建模为Gamma概率分布，但Gamma分布只符合分辨率较低时大部分自然场景的统计特性，随着SAR图像分辨率的提高，SAR图像的统计特性不在完全符合Gamma分布。目前已有许多不同的统计模型应用于SAR图像，如经验分布模型：Weibull分布，Fisher分布等；基于SAR图像乘积模型的统计分布模型：k分布，Beta分布，Gaussian分布等。目前基于马尔可夫场的SAR图像分类方法中广泛应用由SAR图像乘积模型发展而来的概率统计分布模型。但是，所有的统计模型只能够描述具有简单内容，场景类型较少的区域。对于具有复杂内容，场景类型较多的大尺度SAR图像，使用较少参数的统计模型来描述整幅图像是不可行的。

基于数据驱动的分类方法。直接利用SAR图像灰度，纹理等信息进行分类处理。目前已经存在许多不同的SAR图像分类方法，例如边缘检测方法、基于区域的方法、聚类方法等。特征提取和表示是SAR图像分类技术一个至关重要的步骤。目前SAR图像的纹理特征表示方法主要包括灰度共生矩阵(GLCM)、Gabor滤波、马尔可夫特征等。虽然Gabor滤波能够提取SAR图像不同频率，不同方向的特征，但由灰度共生矩阵计算的熵，相关性等统计特征能够更好的分类SAR图像。因此产生了将Gabor滤波和灰度特征进行融合，原因是Gabor能够捕获低频纹理信息，GLCM和高频带响应相关。但特征融合的同时使得特征向量的维度过高，并且由于特征内部具有很强的互相关性，因此分类正确率仅有些许提高。