非下采样轮廓波卷积神经网络的极化sar图像分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，具体设及一种极化SAR图像分类方法，可用于目标 识别。
【背景技术】
[0002] 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。
[0003] 现在普遍使用的极化SAR图像分类方法是基于像素的方法，即仅利用各个像素本 身的特征进行分类。运些方法虽然能够较好地保留图像中像素级的细节，但由于相干斑的 影响，单个像素的测量值与真实值之间存在误差，分类图中难W避免存在较多的孤立像素 和小块区域，增加了分类难度。
[0004] 现有的基于散射特性的极化SAR图像目标特征提取方法，包括Cloude分解、 Rreeman分解等。
[0005] 1997年，Cloude等人提出了 Cloude分解，对H/a平面进行划分，通过H和a两个表征 极化数据的特征值把各像素化为相应区域的类别。H/a分类存在的一个缺陷是区域的划分 过于武断，当同一类的数据分布在两类或几类的边界时，分类器性能将变差，另一个不足之 处是，当同一个区域里共存几种不同的地物时，将不能有效区分；
[0006] 2004年，Lee等人提出了一种基于Freeman分解的特征提取方法，该方法能够保持 各类的极化散射特性，但分类结果易受Freeman分解性能的影响，对不同波段的极化数据该 算法的普适性差。
[0007] 运些特征提取方法均没有考虑到极化SAR图像的多尺度、多分辨特性，对背景复杂 的极化SAR图像很难得到较高的分类精度。
【发明内容】
[0008] 本发明的目的在于针对上述问题，提出一种基于非下采样轮廓波卷积神经网络的 极化SAR图像分类方法，W得到具有多尺度、多分辨特性的图像特征，提升分类精度。
[0009] 本发明的思路是:基于卷积神经网络对图像块特征进行处理，并通过在该网络中 引入非下采样轮廓波变换，有效提高极化SAR图像特征的表达能力，其实现方案包括如下：
[0010] (1)对待分类的极化SAR图像进行去噪，得到极化SAR图像滤波后的极化散射矩阵 S；
[0011] (2)对滤波后的极化散射矩阵S进行化Uli分解，将化Uli分解得到的奇次散射、偶 次散射、体散射的值作为极化SAR图像的图像特征；
[0012] (3)将化Uli分解得到的图像特征组合成极化SAR图像的基于像素点的特征矩阵F， 每个像素点对应3维化Uli分解特征，并将F中的元素值归一化到[0，1 ]之间，记作Fl;
[OOU] (4)对每个像素点取Fl周围22X22的块，得至蜡于块的特征矩阵F2,即每个像素点 对应3个22 X 22的块；
[0014] (5)从基于块的特征矩阵F2中选取训练数据集和测试数据集：
[0015] (5a)将极化SAR图像地物分为15类，分别从每个类别中随机选取N个有标记的像素 点作为训练样本Dl，其余有标记的像素点作为测试样本Tl，N取300~700之间的整数；
[0016] (5b)用Canny算子提取极化SAR图像的边缘点，在训练样本Dl中加入化nny算子提 取的边缘点，即增加置信度较高的训练样本，得到更新后的训练数据集D和测试数据集T;
[0017] (6)构造非下采样轮廓波卷积神经网络：
[0018] (6a)选择一个由输入层^卷积层^池化层^卷积层^池化层^全连接层^全连 接层^softmax分类器组成的8层卷积神经网络，并确定卷积神经网络的滤波器大小W及各 层的特征映射图；
[0019] (6b)用非下采样轮廓波变换层替换卷积神经网络中的第2层卷积层，得到非下采 样轮廓波卷积神经网络；
[0020] (7)用非下采样轮廓波卷积神经网络对训练数据集进行训练；
[0021] (8)利用训练好的非下采样轮廓波卷积神经网络对测试数据集进行分类，得到极 化SAR图像测试数据集中每个像素点的像素类别。
[0022] 本发明与现有的技术相比具有W下优点：
[0023] 1.本发明结合像素空间相关性提取图像块特征，减弱了相干斑影响，从而提升了 分类精度。
[0024] 2.本发明由于采用非下采样轮廓波卷积神经网络，并在卷积神经网络中引入非下 采样轮廓波变换得到具有多尺度、多分辨特性的图像特征，因而能更好的逼近原图像，提升 了分类精度。
【附图说明】
[0025] 图1是本发明的实现流程图；
[0026] 图2是本发明中对待分类图像去噪后的伪彩色图；
[0027] 图3是本发明中对待分类图像的人工标记图；
[0028] 图4是用本发明对待分类图像的分类结果图。
【具体实施方式】
[0029] W下结合附图对本发明的实现步骤和实验效果作进一步详细描述：
[0030] 参照图1，本发明的具体实现步骤如下：
[0031 ]步骤1，对待分类的极化SAR图像进行去噪。
[0032] 常用的极化SAR图像去噪方法有均值滤波、中值滤波、局域滤波、精致极化LEE滤波 等，本发明采用的是精致极化LEE滤波法，具体步骤如下：
[0033] (la)设定精致极化LEE滤波的滑动窗口，该滑动窗口的大小为5 X 5像素；
[0034] (化)将滑动窗口在输入的极化SAR图像的像素上，从左到右、从上到下漫游，每漫 游一步时，将滑动窗口按照像素空间位置，从左到右、从上到下依次分成9个子窗口，每个子 窗口的大小为3 X 3像素，子窗口之间有重叠；
[0035] (Ic)将每个子窗口对应位置的像素值求均值，将所得到的均值构成3X3像素的均 值窗口；
[0036] (Id)选取水平、垂直、45度和135度的四个方向的梯度模版，将均值窗口分别与四 个模版进行加权，对所得到的加权结果求绝对值，选出所有绝对值中的最大值，将该最大值 对应的方向作为边缘方向；
[0037] (Ie)从9个子窗口中取中屯、窗口边缘方向的左右2个子窗口，分别对运2个子窗口 内的所有像素值求均值，用得到的2个均值分别减去中屯、窗口所有像素值的均值，将均值差 值中绝对值小的值所对应的子窗口作为方向窗口，其中，中屯、窗口是指5 X 5窗口中屯、的3 X 3的子窗口；
[0038] (If)按照式<1〉，得到精致极化LEE滤波的权值：
[0039]
<：1>
[0040] 其中，b表示精致极化LEE滤波的权值，var(y)表示方向窗口内极化SAR总功率图像 像素的方差值，y表示方向窗口内极化SAR总功率图像的像素，P表示方向窗口内极化SAR总 功率图像所有像素的均值，^^^表示输入的极化543图像相干斑噪声的方差值；
[0041] (Ig)按照式<2〉，得到滤波后极化SAR图像中屯、像素的极化相干矩阵T:
[0042] T=w+b(z-w), <2>
[0043] 其中，W表示方向窗口内极化SAR图像像素的极化相干矩阵的均值，b表示精致LEE 滤波的权值，Z表示极化SAR图像中屯、像素的极化相干矩阵；
[0044] (化)按照式<3〉，可求得水平发射且水平接收的散射分量Shh、垂直发射且垂直接收 的散射分量Svv、水平发射且垂直接收的散射分量Shv:
[0045]
<3>
[0046] 其中，Ti1、T22、T33为极化相干矩阵T的对角线上元素。
[0047] 待分类图像去噪后的伪彩色图如图2所示。
[004引步骤2,对滤波后的极化散射矩阵S进行化Uli分解，将化Uli分解得到的奇次散射、 偶次散射、体散射的值作为极化SAR图像的图像特征。
[00例 （2a)定义基本的散射矩阵，称为化Uli基：{Sa，Sb，Sc，Sd}，公式如下：
[(K)加]
<斗>
[0051] 其中^ ^表示奇次散亂^ ^表示偶次散亂^ 1萊示体散亂表 0 1」 [0-1」 [10」 L'z 0_ 示不存在的地物类型，因此d取值为0;
[0052] (2b)根据式<4〉定义的化Uli基，得到极化散射矩阵S的表达式： 没 S
[005；3] S=曲 讯.="式 + M由 + 巧 + 游/ <5> _^VH ^rv _
[0054] 其中a对应奇次散射的值，b对应偶次散射的值，C表示体散射的值，d表示不存在的 地物类型所对应散射成分的值；
[0055] (2c)求解式巧〉，得到散射值a、b、c、d，将其表示为向量形式如下：
[0056]
巧〉
[0057] 当满足互易条件Shv = Svh时，式<6〉简化为：
[0化引
， 巧>
[0化9] 将式<3〉求得的5冊、5"、5肌代入式<7〉，求得极化特征1(。
[0060]步骤3,将化Uli分解得到的图像特征组合成特征矩阵F，并对其进行归一化。
[0061 ]构造一个特征矩阵F，矩阵大小设定为Ml X M2 X 3，将化Ul i分解得到的奇次散射、 偶次散射、体散射的值赋给特征矩阵F，其中Ml为待分类图像的长，M2为待分类图像的宽；
[0062] 对特征矩阵F归一化，采用特征线性缩放法，即先求出特征矩阵F的最大值max(F); 再将特征矩阵F中的每个元素均除W最大值max(巧，得到归一化的特征矩阵F1。
[0063] 步骤4,对归一化后的每个像素点取Fl周围22X22的块，得到基于块的特征矩阵 F2，即每个像素点对应3个22 X 22的块，特征矩阵F2大小为22 X 22 X (Ml XM2) X 3。
[0064] 步骤5,从基于块的特征矩阵F2中选取训练数据集和测试数据集。
[0065] (5a)将极化SAR图像地物分为15类，分别从每个类别中随机选取N个有标记的像素 点作为训练样本Dl，其余有标记的像素点作为测试样本Tl，N取300~700之间的整数；
[0066] (5b)用Canny算子提取极化SAR图像的边缘点，在训练样本Dl中加入化nny算子提 取的边缘点，即增加置信度较高的训练样本，得到更新后的训练数据集D和测试数据集T。
[0067] 步