[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

说明书

本发明公开了一种基于深度阶梯网络的高分辨SAR图像分类方法，该方法主要解决高分辨SAR图像有类标数据较少无法有效对网络进行训练的问题。其实现步骤为：输入待分类的高分辨SAR图像及其标记信息；构造训练数据集D1与测试数据集D2；对数据集D1、D2的特征进行归一化得到数据集D3、D4；构造基于深度阶梯网络的分类器模型；用训练数据集D3对网络进行训练；利用训练好的分类模型对测试数据集D4进行分类。本发明可充分利用少量有类标的训练样本，而获得较高的分类精度。

【技术领域】

本发明属于图像处理技术领域，具体涉及一种基于深度阶梯网络的高分辨SAR图像分类方法，能够用于目标检测与地物分类方法。

【背景技术】

合成孔径雷达SAR在地球科学遥感领域的应用十分广泛，为它不仅具有全天时、全天候的特性、而且它还能提供不同于红外和可见光传感器的不同的信息。因此对SAR图像进行理解与解译成为一个研究热点。

SAR图像地物分类是模式分类在SAR图像处理中的应用，它完成将图像从二维灰度空间转换到目标模式空间的工作，其分类的结果是将图像根据不同属性划分为多个不同类别的子区域。即根据SAR图像的基本特征，提取可靠特征，将图像区分为人造目标、自然目标、背景和阴影四种类别，为不同的应用提供对应的感兴趣区域。人造目标包括机动车辆、建筑物等强散射体；自然目标包括树木、灌木、树林等自然作物；背景包括草地、平地、植被等占图像大部分面积的地域；阴影包括目标阴影、湖泊、水域等镜面散射体。

SAR图像地物分类是传统自动地物分类SAR技术的扩展。一方面可以作为SAR图像解译系统的中前端，以带层次信息的感兴趣区域取代目标检测和鉴别模块，为目标识别过程提供潜在目标切片以及空间位置、尺寸等信息，另一方面，可以直接为人工判读提供必要参数，建立独立的辅助判别系统。

SAR图像特征的提取是分类的核心，传统的SAR图像特征提取主要采用人工设计的特征，如广泛使用灰度共生矩阵来提取SAR图像的空域特征，但随着分辨率的提高，提取图像中更为复杂的结构变得极为重要，因此采用多尺度滤波器如Gabor滤波器组、小波变换等方法去建模SAR图像中的局部信息，但是无法自适应的确定滤波器的尺度及方向来提取SAR图像的判别信息。

对于大多数现存的SAR图像分类系统来说，他们的性能主要取决于高质量的SAR图像人工标记，及其特征的有效提取。然而，人工进行标记非常耗时，并且由于对目标区域的不了解，标记的图像并不可靠。

【发明内容】

针对上述问题，本发明的目的在于提出一种基于深度阶梯网络的高分辨SAR图像分类方法，通过该方法能够减少训练样本个数，提高分类速度精度。

本发明的目的通过如下技术方案实现：

一种基于深度阶梯网络的高分辨SAR图像分类方法，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；