[发明专利]基于生成对抗网络的极化SAR图像分类方法

说明书

本发明公开了一种基于生成对抗网络的极化SAR图像分类方法，主要解决现有技术中极化SAR图像特征选取不合理导致分类精度不高的问题，充分利用无标签和有标签样本，无需设计复杂的代价函数。本发明的具体实现步骤如下：(1)输入待分类的极化合成孔径雷达SAR图像的相干矩阵；(2)滤波；(3)生成样本集；(4)选取样本；(5)构造生成对抗网络；(6)训练生成网络与对抗网络；(7)对样本集进行分类；(8)输出极化SAR图像样本集中所有样本的类别标签。本发明具有对极化SAR图像分类效果显著的优点，可进一步用于极化SAR图像目标检测和目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的基于生成对抗网络的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可用于对极化合成孔径雷达SAR图像进行地物分类和目标识别。

背景技术

极化SAR图像分类的目的是利用机载或星载极化传感器获得的极化测量数据，确定每个像素所属的类别，即给出每个像素点所包含的地物离别如海洋、城市、森林等。极化SAR数据的分类工作是使用获取到的极化成像数据按照像素进行归类，得到的结果就可以表示不同的地物信息。对于极化SAR分类方法，特征提取和分类技术是两个基本要素。极化SAR图像分类的性能在很大程度上依赖于特征。正因如此，对极化SAR图像分类方法的研究重点在于特征的提取，而这需要人工设计出来的。深度学习的方法因为无需设计特征，也被广泛的应用在极化SAR分类中。

付姣，张永红等人在其发表的论文“利用Yamaguchi分解保持地物散射特性的极化SAR分类”(测绘科学,[J]2014 39(3):81-84.)中提出了一种利用Yamaguchi分解保持地物散射特性的极化SAR数据分类方法。该方法利用Yamaguchi分解获得4种散射机理，根据4种散射机理的功率大小判断地物的主散射机理和类别之间的Wishart距离,合并到指定个数的初始类别，之后并结合Wishart距离分类器对初始类进行迭代修正,实现极化SAR图像的分类。该方法存在的不足之处是，对待分类的极化SAR图像信息的特征丰富性要求高，且计算量大。

西安电子科技大学在其申请的专利文献“基于去噪自动编码的极化SAR图像的分类方法”(专利申请号：201510108639.6，公开号：CN104751172A)中提出了一种基于去噪自动编码DA网络的极化SAR图像分类方法。该方法提取该极化SAR图像的原始特征以及其邻域特征，然后对原始特征及邻域特征取对数处理，使其噪声满足高斯分布，之后利用训练好的去噪自动编码DA网络，得到极化SAR图像的分类结果。该方法存在的不足之处是，需要对特征做预处理再做分类，其分类效果依赖于数据的表达形式。

西安电子科技大学在其申请的专利文献“基于Wishart深度网络的极化SAR图像分类方法”(专利申请号：201510341168.3，公开号：CN105046268A)中提出了一种基于Wishart深度网络的极化SAR图像分类方法。该方法首先用无监督的方法逐层训练深度网络，对图像构造多层Wishart RBM学习特征，最后利用部分有标签的样本进行有监督的微调。该方法存在的不足之处是，该方法依据对数据的分布的假设，设计了较为复杂的代价函数，训练过程复杂且不能充分利用无标签的样本。

发明内容

本发明的目的是克服上述现有技术的不足，提供一种基于生成对抗网络的极化SAR图像分类方法。本发明与现有技术中其他极化合成孔径雷达SAR图像分类技术相比计算量小，分类精度和分类效率高。