[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

说明书

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。其步骤为：读入数据集；获得训练场景图和显著特征图；生成显著性检测训练数据集；生成目标分类训练样本集；构建显著性网络模型；训练显著性网络模型；构建多尺度深度网络模型；构建曲线波Curvelet重构层；生成目标分类网络模型；训练目标分类网络模型；获得显著特征图；对显著特征图进行形态学处理；提取检测切片；对检测切片进行分类；对分类结果进行投票；标记检测与分类结果图。本发明提高了分类准确率和分类速度，本发明可应用于对合成孔径雷达SAR图像的目标准确地进行分类、识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像分类技术领域中的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。本发明是一种结合多尺度深度和显著性网络模型的合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明可应用于对合成孔径雷达SAR图像的目标准确地进行分类、识别。

背景技术

合成孔径雷达SAR图像分类是通过对SAR数据的分析，划分出感兴趣的目标或区域的过程。合成孔径雷达SAR图像分类是遥感图像分类的主要组成部分，随着雷达技术的发展，利用合成孔径雷达SAR图像分类的研究日益受到人们的重视。合成孔径雷达SAR图像分类技术在地质勘探、森林状态监控、海冰分布监视以及农作物生长状况评估等多个领域得到广泛的应用。

由于雷达图像在成像过程中不可避免地会产生相干斑，从分类的角度看，相干斑可被认为是噪声，而基于像素的分类方法对噪声的敏感度很高，所以合成孔径雷达SAR图像的分类方法经常是基于目标或对象的区域处理方式。例如：

Jinxin Li等人在其发表的论文“Classification of very high resolutionSAR image based on convolutional neural network”(2017International Workshopon Remote Sensing with Intelligent Processing(RSIP))中提出了一种基于卷积神经网络的SAR图像分类方法。该方法先利用卷积神经网络滑窗式提取SAR图像的局部特征，再利用softmax分类器对每一个目标进行分类，从而有效地提高了分类的精度，但是该方法仍然存在的不足之处是，该方法使用了传统的卷积神经网络自动学习图像特征，没有利用到SAR图像的特性和多尺度信息，分类精度较低。此外，该方法使用滑窗选取局部目标，计算量大。

西安电子科技大学在其申请的专利文献“基于稠密SAR-SIFT和稀疏编码的SAR分类方法”(专利申请号：2016102178991，公开号：CN105913083A)中提出一种基于稠密SAR-SIFT和稀疏编码的SAR分类方法。该方法首先利用稠密SAR-SIFT提取图像的局部特征，然后对图像的特征编码进行空域最大值池化，得到图像的特征向量，最后采用快速稀疏SVM分类器对特征向量进行分类。该方法存在的不足之处是，该方法使用了稀疏编码技术，需要大量的计算且分类精度较低。

发明内容

本发明的目的在于克服上述现有技术的不足，提出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。本发明相比基于人工特征提取或传统卷积神经网络的方法提高了对SAR图像信息的利用效率，充分利用了SAR图像本身的特性和SAR图像的多尺度信息，提高了SAR图像目标分类的精度。

本发明实现上述目的的思路是：首先通过显著性模型，得到目标可能存在的区域，然后通过形态学处理对目标可能存在的区域进行鉴别，确定目标的存在，最后利用Curvelet重构层和多尺度深度网络模型对目标进行分类，得到最终的分类结果。

本发明的步骤包括如下：

(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；