[发明专利]一种基于DCGAN的极化SAR图像分类方法

摘要

本发明公开了一种基于DCGAN的极化SAR图像分类方法，包括以下步骤1)得奇次散射系数、偶次散射系数及体散射系数，再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)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)构造测试数据集T的超像素聚类中心的特征矩阵W3；6)得到训练后的训练网络模型DCGAN；7)构建判别分类网络模型，然后通过判别分类网络模型对特征矩阵W3进行分类，该方法能够实现极化SAR图像的分类，并且分类精度较高。

主权项

一种基于DCGAN的极化SAR图像分类方法，其特征在于，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，再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。