一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法与流程

本发明属于图像处理
技术领域：
，具体涉及一种基于非下采样轮廓波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。技术实现要素：本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于非下采样轮廓波dcgan的极化sar图像分类方法，不但能通过dcgan从大量无标记极化sar数据中学习其分布特性，同时引入非下采样轮廓波从极化sar数据中学习到多尺度、多分辨信息，以提高分类精度。本发明采用以下技术方案：一种基于非下采样轮廓波dcgan的极化sar图像分类方法，输入待分类的极化sar图像，对极化散射矩阵s进行pauli分解；用归一化后的数据集取32×32的块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用slic超像素算法对pauli分解后的伪彩图划分超像素块，得到超像素块聚类中心测试数据集；构造非下采样轮廓波dcgan，用无标签训练数据集对训练网络模型非下采样轮廓波dcgan进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。进一步的，对所述极化散射矩阵s进行pauli分解，得到奇次散射、偶次散射、体散射系数，用这三个系数作为极化sar图像的三维图像特征。进一步的，定义pauli基{s1,s2,s3}，得到所述奇次散射系数a、偶次散射系数b和体散射系数c如下：进一步的，利用slic超像素算法对pauli分解后的伪彩图划分超像素块的具体实现步骤如下：s31、按照设定的超像素个数k＝40000，在图像内均匀的分配种子点，假设图片总共有n个像素点，预分割为k个相同尺寸的超像素，每个超像素的大小为n/k，得到相邻种子点的近似距离；s32、在种子点的n×n邻域内重新选择种子点，n＝3，计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；s33、在每个种子点周围的邻域内为每个像素点分配类标签，搜索范围限制为2s*2s；s34、对颜色距离和空间距离进行度量，对于每个搜索到的像素点，分别计算它和该种子点的距离d'；s35、不断迭代上述步骤直到误差收敛，以边长为六重新划分原图，则有43400个超像素块，记录这些超像素块的中心像素点的位置；s36、根据超像素块的聚类中心像素点的位置，得到测试数据集超像素聚类中心的图像块数据集。进一步的，步骤s31中，每个像素块的大小为39，像素块的边长为6，相邻种子点的距离近似为：进一步的，步骤s34中种子点的距离d'具体如下：其中，dc代表颜色距离，ds代表空间距离，ns是类内最大空间距离，定义为ns＝s，适用于每个聚类，最大的颜色距离nc既随图片不同而不同，也随聚类不同而不同，由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。进一步的，所述构造非下采样轮廓波dcgan具体包括：s41、设置非下采样轮廓波dcgan中生成器g的结构：一个由输入层→反卷积层→反卷积层→反卷积层→输出层组成的5层微步幅卷积神经网络，给定各层的特征映射图，并确定各反卷积层的尺寸并随机初始化权值和偏置；s42、设置非下采样轮廓波dcgan中判别器d的结构：一个由输入层→非下采样轮廓波层→卷积层→卷积层→卷积层→二分类器组成的6层神经网络，其中卷积层均为带步长全卷积层，给定各层的特征映射图，并确定卷积层的尺寸并随机初始化权值和偏置；s43、向生成器g输入100维的均匀噪声，将无标签数据集和生成器g生成的数据样本输入判别器d，生成器g和判别器d互相竞争对抗学习训练，更新网络中参数。进一步的，利用训练好的dcgan中的判别器d，重用判别器d，对除了输入层、非下采样轮廓波层和输出层的所有卷积层的输出表征进行max-pooling统一生成一致大小的特征表示，然后将其拉成向量，再用softmax分类器进行分类，构造判别分类网络模型，所述判别分类网络模型的具体结构为：第1层输入层，设置特征映射图数目为3；第2层非下采样轮廓波层，设置特征映射图数目为9；第3层卷积层→池化层，设置滤波器尺寸为4×4；第4层卷积层→池化层，设置滤波器尺寸为2×2；第5层卷积层→池化层，设置滤波器尺寸为1×1；第6层为softmax分类器，设置特征映射图数目为3。进一步的，所述softmax分类器进行训练的具体操作为：将有标签训练数据集作为判别分类网络模型的输入，有标签训练数据集中每个像素点的类别作为判别分类网络模型的输出，训练softmax分类器，通过求解上述类别与人工标记的正确类别之间的误差并对误差后向传播，只更新softmax分类器的参数，得到训练好的softmax分类器。进一步的，所述微调整个判别分类网络的参数的具体操作为：将有标签训练数据集作为判别分类网络模型的输入，有标签训练数据集中每个像素点的类别作为判别分类网络模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差后向传播，更新整个分类网络模型的参数，得到训练好的分类网络模型。与现有技术相比，本发明至少具有以下有益效果：本发明基于非下采样轮廓波dcgan的极化sar图像分类方法引入多尺度非下采样轮廓波变换nsct，可以在获取图像本质的几何特征的基础上，对图像进行稀疏表达，实现对图像的多分辨率分析和多方向信息的获取，从而更有效地实现对图像分类，通过构造了非下采样轮廓波dcgan，将nsct和dcgan进行结合，不仅引入了nsct的多尺度、多分辨信息，同时结合了dcgan的从大量无标记样本中学习出数据的分布特性，克服了极化sar图像分类过程中分类精度低的问题；进一步的，本发明通过重用dcgan的判别网络，输入有标签样本，对除了输入层、非下采样轮廓波层和输出层的所有卷积层的输出表征来表征数据，能够充分利用数据的信息，对数据能更完整地特征表示，提高分类精度；进一步的，本发明采用slic超像素算法对pauli分解的伪彩图进行聚类，对超像素块的聚类中心进行分类，然后再根据聚类中心的类别对整张图像进行标记，相比超像素块边缘的图像块，网络更容易对聚类中心分类，这样能提高整张图的分类准确率。综上所述，本发明能够提高极化sar图像的分类精度，可用于目标识别与跟踪定位。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明图1为本发明的实现流程图；图2为本发明的判别分类网络模型结构图；图3为本发明中对待分类图像的人工标记图；图4为用本发明对待分类图像的分类结果图；图5为用dcgan方法对待分类图像的分类结果图。具体实施方式本发明提供了一种基于非下采样轮廓波dcgan的极化sar图像分类方法，输入待分类的极化sar图像，对极化散射矩阵s进行pauli分解；用归一化后的数据集取块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用slic超像素算法对pauli分解后的伪彩图划分超像素块，得到超像素块聚类中心测试数据集；构造非下采样轮廓波dcgan，用无标签训练数据集对训练网络模型非下采样轮廓波dcgan进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。请参阅图1，本发明包括以下步骤：s1、输入待分类的极化sar图像，对极化散射矩阵s进行pauli分解，得到奇次散射、偶次散射、体散射系数，用这三个系数作为极化sar图像的三维图像特征。待分类的极化sar图像选用德国dlr的esar传感器在德国慕尼黑附近的oberpfaffenhofen小镇获取的l波段全极化数据，图像大小为1300×1200。s11、定义pauli基{s1,s2,s3}的公式如下：其中s1表示奇次散射，s2表示偶次散射，s3表示体散射；s12、由pauli分解定义得到如下等式：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；s13、求解式<2>，得到3个散射系数a、b、c：s2、用归一化后的数据集中每个元素取周围32×32的块代表原来的元素值，构成基于图像块的数据集。s3、构造无标签训练数据集、有标签训练数据集和测试数据集，利用slic超像素算法对pauli分解后的伪彩图划分超像素块，得到超像素块的聚类中心，得到聚类中心测试数据集。利用slic超像素算法对pauli分解后的伪彩图划分超像素块的具体实现步骤如下：s31、用初始化种子点(聚类中心)：按照设定的超像素个数k＝40000，在图像内均匀的分配种子点，假设图片总共有n个像素点，预分割为k个相同尺寸的超像素，那么每个超像素的大小为n/k，则相邻种子点的距离(步长)近似为：计算每个像素块的大小为(1300×1200)÷40000＝39，像素块的边长约为6；s32、在种子点的n×n邻域内重新选择种子点(本发明取n＝3)，具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；s33、在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)，搜索范围限制为2s*2s；s34、距离度量，包括颜色距离和空间距离，对于每个搜索到的像素点，分别计算它和种子点的距离d'如下：其中，dc代表颜色距离，dc代表空间距离，ns是类内最大空间距离，定义为ns＝s，适用于每个聚类，最大的颜色距离nc既随图片不同而不同，也随聚类不同而不同，由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心；s35、不断迭代上述步骤直到误差收敛(可以理解为每个像素点聚类中心不再发生变化为止)，以边长为6重新划分原图，则有(1300×1200)÷36≈43400个超像素块，这就是最终的超像素块个数，记录这些超像素块的中心像素点的位置；s36、根据超像素块的聚类中心像素点的位置，得到测试数据集超像素聚类中心的图像块数据集。s4、先构造非下采样轮廓波dcgan，用无标签训练数据集对训练网络模型非下采样轮廓波dcgan进行训练，得到训练好的训练网络模型。在卷积层前设置非下采样轮廓波层能引入多尺度信息，可以在获取图像本质的几何特征的基础上，对图像进行稀疏表达，实现对图像的多分辨率分析和多方向信息的获取。s41、设置非下采样轮廓波dcgan中生成器g的结构：一个由输入层→反卷积层→反卷积层→反卷积层→输出层组成的5层微步幅卷积神经网络，给定各层的特征映射图，并确定各反卷积层的尺寸并随机初始化权值和偏置，每层参数设置如下：对于第1层输入层，输入为100维噪声向量；对于第2层反卷积层，设置特征映射图数目为256，设置滤波器尺寸为5；对于第3层反卷积层，设置特征映射图数目为128，设置滤波器尺寸为5；对于第4层反卷积层，设置特征映射图数目为64，设置滤波器尺寸为5；第5层输出层输出特征大小为32×32×9；s42、设置非下采样轮廓波dcgan中判别器d的结构：一个由输入层→非下采样轮廓波层→卷积层→卷积层→卷积层→二分类器组成的6层神经网络，其中卷积层均为带步长全卷积层，给定各层的特征映射图，并确定卷积层的尺寸并随机初始化权值和偏置，每层参数设置如下：对于第1层输入层，设置特征映射图数目为3；对于第2层非下采样轮廓波层，设置特征映射图数目为9，将上一层输出特征每一个分量变换为1个低频分量和2个高频分量；对于第3层卷积层，设置特征映射图数目为64，设置滤波器尺寸为5；对于第4层卷积层，设置特征映射图数目为128，设置滤波器尺寸为5；对于第5层卷积层，设置特征映射图数目为256，设置滤波器尺寸为5；第6层输出层为二分类器，二分类器输出一个标量，表示对样本真实性的评分；由于极化sar数据包含非常丰富的地物信息，且根据图像分辨率取32*32的块比较符合地物分布，同时根据数据量来设置参数，防止过拟合与欠拟合。因此，本发明的网络参数设置是根据数据和经验设置，能使网络提取更好的特征，从而提高分类精度。s43、向生成器g输入100维的均匀噪声，将无标签数据集和生成器g生成的数据样本输入判别器d，生成器g和判别器d互相竞争对抗学习训练，更新网络中参数；s5、构造判别分类网络模型，利用训练好的非下采样轮廓波dcgan中的判别器d，重用判别器d，对除了输入层、非下采样轮廓波层和输出层的所有卷积层的输出表征进行max-pooling统一生成一致大小的特征表示，然后将其拉成向量，再用softmax分类器进行分类。构造判别分类网络模型，判别分类网络模型的具体结构为：第1层输入层(特征映射图数目为3)；第2层非下采样轮廓波层，设置特征映射图数目为9；第3层卷积层→池化层(滤波器尺寸为4×4)；第4层卷积层→池化层(滤波器尺寸为2×2)；第5层卷积层→池化层，设置滤波器尺寸为1×1；第6层输出层为softmax分类器，设置特征映射图数目为3；将第3层到第5层得到的4×4大小的特征拉成向量，再输入softmax分类器，其中设置softmax分类器特征映射图数目为3；本发明对除了输入层、非下采样轮廓波层和输出层的所有卷积层的输出表征来表征数据，能够充分利用数据的信息，对数据能更完整地特征表示，提高分类精度。各层的参数根据经验和数据量进行设置，能够使得网络分类精度提高。s6、用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数，形成训练好的判别分类网络模型，如图2所示；s61、softmax分类器进行训练的具体操作为：将有标签训练数据集作为判别分类网络模型的输入，有标签训练数据集中每个像素点的类别作为判别分类网络模型的输出，训练softmax分类器，通过求解上述类别与人工标记的正确类别之间的误差并对误差后向传播，只更新softmax分类器的参数，得到训练好的softmax分类器，人工标记的正确类标如图2所示。s62、微调整个判别分类网络的参数的具体操作为：将有标签训练数据集作为判别分类网络模型的输入，有标签训练数据集中每个像素点的类别作为判别分类网络模型的输出，通过求解上述类别与人工标记的正确类别之间的误差并对误差后向传播，更新整个分类网络模型的参数，得到训练好的分类网络模型，人工标记的正确类标如图3所示。s7、利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。实施例仿真条件：硬件平台为：hpz840。软件平台为：tensorflow。仿真内容与结果：实验选取德国慕尼黑附近的oberpfaffenhofen小镇影像，总像素点个数为1300×1200。首先在所有像素点中选取总像素点的8％无标签像素点，记录这些点的位置。然后在这些点周围取32×32的块组成无标签训练样本，将无标签样本输入训练网络模型进行无监督训练。然后在标记过的像素点(有标签像素点共1374298个)中每个类别里选择5％的有标签像素点，记录这些点的位置，其余的有标记像素点取块作为测试集。然后在这些点周围取32×32的块组成有标签训练样本集，将有标签样本集输入分类网络模型训练。最后，将测试集超像素块聚类中心输入分类网络模型进行分类，再标记整张图的类标，最后计算分类准确率。分类结果图如图4，其分类精度达97.5117％。将本方法与传统深度卷积生成式对抗网dcgan的测试分类精度进行比较，结果如表1所示，用dcgan分类结果图为图5。表1分类方法dcgan本发明类别1(％)94.888296.0734类别2(％)95.377496.5796类别3(％)98.417698.4752总准确率96.952197.5117由表1的对比实验结果可以看出，本方法的每一类别的分类精度均比传统dcgan分类效果好，提高了分类精度。而且由分类结果图可以看出，两种方法对类别3的分类准确率都很高，分别为98.4176％和98.4627％。而在类别1和类别2的分类时，用传统dcgan进行分类略逊于本方法。而本方法的结果图中分类结果的区域一致性较好，不同区域划分后的边缘清晰可辨，且保持了细节信息，分类结果图中噪声也比较少。不管从分类精度还是视觉效果，本方法都具有明显的优势。接着减少有标签样本至4％，与dcgan的测试数据集分类精度进行对比，分类精度如下表2所示：表2从表1和表2可见，在有标记样本为5％和4％的条件下，本发明的测试数据集每一类别的分类精度均高于dcgan，能够提高分类精度。综上所述，这证明了本方法在dcgan网络模型中引入nsct，不仅引入了nsct的多尺度、多分辨信息，可以在获取图像本质的几何特征的基础上，对图像进行稀疏表达，实现对图像的多分辨率分析和多方向信息的获取，同时结合了dcgan的从大量无标记样本中学习出数据的分布特性，有效提高了图像特征的表达能力，增强了模型的泛化能力，从而提高分类精度。以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。当前第1页12