[发明专利]基于显著性和多尺度深度网络模型的SAR图像分类方法

权利要求书

1.一种基于显著性和多尺度深度网络模型的SAR图像分类方法，其特征在于，包括如下步骤：

(1)读入数据集：

读入由20幅场景图和1200幅目标切片组成的合成孔径雷达SAR数据集；其中，每幅目标切片的大小为128*128个像素；

(2)获得训练场景图和显著特征图：

(2a)从1200幅目标切片图中随机选取15个目标切片，组成一个目标切片组；

(2b)从20幅场景图中随机选取一幅场景图，将目标切片组中的所有目标切片随机分布到所选取的场景图中，得到一幅训练场景图；

(2c)生成与训练场景图大小相等的全零矩阵；

(2d)将目标切片组中的所有目标切片在训练场景图中的位置所对应的全零矩阵中的位置设置为1，得到显著特征图；

(2e)判断重复从1200幅目标切片图中选取15个目标切片组成的目标切片组的数目是否达到3000组，若是，则执行步骤(3)；否则，执行步骤(2a)；

(3)生成显著性检测训练数据集：

将3000幅训练场景图和与之对应的显著特征图，组成显著性检测训练数据集；

(4)生成目标分类训练样本集：

(4a)从1200幅目标切片中随机选取600幅作为目标训练集，其余600幅作为目标测试集；

(4b)从目标训练集中随机选取一幅目标切片，从所选目标切片中随机裁剪6个88*88像素的小切片；

(4c)判断目标训练集中的目标切片是否选完，若是，则执行步骤(4e)；否则，执行步骤(4b)；

(4e)将所有的小切片组成目标分类训练数据集；

(5)构建显著性网络模型：

利用深度学习平台，构建一个九层的显著性网络模型；

该模型的结构为：第一层至第四层为卷积下采样层，第五层至第八层为卷积上采样层，第九层为卷积层；

该模型的参数设置为：卷积采样层的参数设置为：8个卷积核，卷积核窗口大小为3*3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，采样窗口大小为2*2个像素；卷积层的参数设置为：1个卷积核，卷积核窗口大小为3*3个像素，相邻局部接受域的大小为1，激活函数为Sigmoid函数；

(6)训练显著性网络模型：

将显著性检测训练数据集输入到显著性网络模型中，使用训练参数对显著性网络模型进行迭代训练，得到训练好的显著性网络模型；

(7)构建多尺度深度网络模型：

利用深度学习平台，构建一个七层的多尺度深度网络模型：

该模型的结构为：第一层到第五层均为卷积下采样层，第六层为转换层，第七层为全连接层；

该模型的参数设置为：卷积下采样层的参数设置为：16个卷积核，卷积核窗口大小为3*3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，下采样窗口大小为2*2个像素；全连接层的参数设置为：神经元个数为128个，激活函数为softmax；

(8)构建曲线波Curvelet重构层：

利用程序语言，构建重构系数为0.5的曲线波Curvelet重构层；

(9)生成目标分类网络模型：

将曲线波Curvelet重构层与多尺度深度网络，组成目标分类网络模型；

(10)训练目标分类网络模型：

将目标分类训练数据集输入到目标分类网络模型中，使用训练参数对目标分类网络模型进行迭代训练，得到训练好的目标分类网络模型；

(11)获得显著特征图：

将待测试的场景图输入到训练好的显著性网络模型中，得到显著特征图；

(12)对显著特征图进行形态学处理：

(12a)对显著特征图进行膨胀系数为10个像素的膨胀处理，去除显著特征图内部的缝隙；

(12b)对膨胀后的显著特征图进行去除小连通域的处理，去除面积小于300个像素的连通域；

(12c)对显著特征图进行连通域标记，计算连通域的质心，作为目标区域质心；

(13)提取检测切片：

以目标区域质心为中心，在10*10个像素范围的像素中，随机选取6个像素，以每个所选取的像素为中心，提取6个88*88像素的检测切片；

(14)对检测切片进行分类：

将6个检测切片送入训练好的目标分类网络模型中，得到6个分类结果；

(15)对分类结果进行投票：

对6个分类结果进行多数投票，得到最终分类结果；

(16)标记检测与分类结果图：

在待测试的场景图中，分别标记每个目标区域质心对应的88*88像素的目标区域与最终分类结果，得到检测与分类结果图。