[发明专利]一种基于深度阶梯网络的高分辨SAR图像分类方法

权利要求书

1.一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，包括如下步骤：

(1)通过高分辨SAR图像及其人工标记图来构造训练数据集D1和测试数据集D2；

(2)将训练数据集D1和测试数据集D2中每个元素归一化至[0，1]之间，分别得到归一化后的训练数据集D3和归一化后的测试数据集D4；

(3)构造基于深度阶梯网络的分类模型；

(4)用训练数据集D1对基于深度阶梯网络进行训练，得到训练好的模型；

(5)利用训练好的模型对测试数据集D2进行分类，获得最终的分类结果；

所述步骤(1)的具体步骤如下：

(1a)先对高分辨SAR图像进行三倍降采样，再在该图上采用滑窗的方法取21×21像素大小的块代表该块区域，将21×21像素大小的块拉成441维的列向量作为训练数据集D1的特征部分；

再将待分类的高分辨SAR图像的人工标记图采用滑窗的方法取21×21像素大小的图像块，并统计每个图像块中每类标记像素的个数，若未标记像素占整个图像块的30％以上则抛弃该像素块，否则选取像素个数最多的类别作为这块图像的类标，得到训练数据集D1的类标；在D1中取5％作为有类标数据L，剩下数据作为无类标数据U；

(1b)对高分辨SAR图像进行三倍降采样后的图进行超像素分割，以每个超像素的中心点取21×21大小的图像块代表整个超像素区域，将其拉成441维的列向量作为测试数据集D2的特征部分；

所述步骤(3)的具体步骤如下：

(3a)构造一个编码器，分为含噪通路与不含噪通路，含噪通路中每层均会加入一定的噪声，不含噪通路则不加，两者采用相同的结构，其结构为：由输入层→隐藏层1→隐藏层2→隐藏层3→隐藏层4→softmax分类器组成的6层全连接神经网络，给定各层的节点数，所采用的6层全连接神经网络，每层的权重与偏置参数对含噪通路与不含噪通路是共享的；

(3b)构造一个解码器，其接受来自编码器含噪通路中对应层的输出以及解码器上一层的输出作为解码器的输入，其每一层重构出编码器不含噪通路对应层的特征；

(3c)构造损失函数C；

所述步骤(3b)中，中构造解码器器时，其重构函数为其中，为含噪通路第l层的输出，为解码器l+1层的输出，为解码器第l层的输出；

步骤(3c)构造的损失函数C为：

其中，为交叉熵损失函数，其中为分类器输出，t(n)为第n个样本的类标，N为每批训练样本个数；为每层重构均方误差项，其中z^(l)为第l层不含噪通路的特征，为解码器第l层重构特征，L为网络的层数，λ_l代表每层重构误差在损失函数中所占权重，设置为[1000，10，0.1，0.1，0.1，0.1]，m_l每层神经元个数。

2.根据权利要求1所述的一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，所述步骤(2)中归一化处理采用线性缩放的方法，具体为：对训练数据集D1的特征先求出其最大值max(D1)；再将训练数据集D1特征中的每个元素均除以最大值max(D1)，得到归一化后的训练数据集D3，对测试数据集D2进行相同的操作得到归一化后的测试数据集D4。

3.根据权利要求1所述的一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，所述步骤(3a)中，对含噪通路中添加的噪声为均值为0，方差为0.2的高斯噪声，输入层、隐藏层1、隐藏层2、隐藏层3、隐藏层4和softmax分类器的参数如下：

第一层为输入层，设置单元个数为441；

第二层为隐藏层1，设置单元个数为800；

第三层为隐藏层2，设置单元个数为500；

第四层为隐藏层3，设置单元个数为300；

第五层为隐藏层4，设置单元个数为100；

第六层为softmax分类器，设置输出单元个数为3。