[发明专利]一种基于DCGAN的极化SAR图像分类方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于DCGAN的极化SAR图像分类方法。

背景技术

极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像分类的目的是利用机载或者星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。经典极化SAR图像分类方法有：

1992年，Lee等研究认为，多视极化SAR图像可以表示为极化协方差矩阵的形式，并且该矩阵近似服从复Wishart分布，在此基础上，他提出一种简单有效的Wishart分类算法并用来对森林、城区、海洋、海冰等地物类型进行分类。

1998年，Lee等用H/Alpha分解法提取的特征对图像进行初始聚类，得到8个聚类中心；然后用描述多视协方差矩阵的Wishart迭代分类器对图像进行分类(简称H/Alpha-Wishart分类器)。

2000年，Pottier等提出了H/Alpha/A-Wishart分类器，在H/Alpha分解的基础上，加入A特征，将图像聚成16类，然后再对图像进行Wishart迭代分类。

极化SAR由于起步较晚，目前发展还不成熟，很多核心技术，如滤波技术、极化目标分解技术、分类技术亟待提高，特别是极化SAR图像分类目前还缺少高效可靠的算法，一些先进的机器学习理论和方法尚未在极化SAR图像分类中得到应用。经典的极化SAR图像分类方法，难以适应越来越多的极化SAR数据，从而难以充分学习利用到极化SAR数据的分布特性，难以提取到好的特征，达不到很高的分类精度。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于DCGAN的极化SAR图像分类方法，该方法能够实现极化SAR图像的分类，并且分类精度较高。

为达到上述目的，本发明所述的基于DCGAN的极化SAR图像分类方法包括以下步骤：

1)获取极化散射矩阵S，对极化散射矩阵S进行Pauli分解，得奇次散射系数、偶次散射系数及体散射系数，再将奇次散射系数、偶次散射系数及体散射系数作为待分类极化SAR图像的三维图像特征构建基于像素点的特征矩阵F；

2)将基于像素点的特征矩阵F中的各元素值归一化到[0，1]内，并将归一化的结果记作特征矩阵F1；

3)将特征矩阵F1中的每个元素通过其周围64×64的图像块进行替换，得基于图像块的特征矩阵F2；

4)利用基于图像块的特征矩阵F2构造无标签训练数据集D1的特征矩阵W1及有标签训练数据集D2的特征矩阵W2；

5)利用基于图像块的特征矩阵F2构造测试数据集T，再在基于像素点的特征矩阵F中利用SLIC超像素算法划分超像素块，得超像素块的聚类中心，然后在基于图像块的特征矩阵F2中构造测试数据集T的超像素聚类中心的特征矩阵W3；

6)通过无标签训练数据集D1对训练网络模型DCGAN进行训练，得到训练后的训练网络模型DCGAN；

7)将训练后的训练网络模型DCGAN中判别器D中的二分类器更换为softmax分类器，再将更换后的判别器D作为分类网络模型；

8)将有标签训练数据集D2的特征矩阵W2输入到分类网络模型中，并更新softmax分类器的参数，然后通过有标签训练数据集D2的特征矩阵W2更新整个分类网络模型的参数，然后通过判别分类网络模型对测试数据集T的超像素聚类中心的特征矩阵W3进行分类，再标记测试数据集T的类标，实现基于DCGAN的极化SAR图像分类。

步骤1)中对极化散射矩阵S进行Pauli分解，得到奇次散射系数、偶次散射系数及体散射系数的操作为：

1a)设置Pauli基{S₁,S₂,S₃}，其中，

其中，S₁为奇次散射，S₂为偶次散射，S₃为体散射；

1b)由Pauli分解定义得：

其中，a为奇次散射系数，b为偶次散射系数，c为体散射系数；

1c)求解式(2)，得奇次散射系数a、偶次散射系数b及体散射系数c，其中，

步骤1)中构建基于像素点的特征矩阵F的具体操作为：