基于复数NSCT神经网络和统计特征的极化SAR图像分类方法

本发明属于图像处理，具体涉及一种基于复数nsct神经网络和统计特征的极化sar图像分类方法。

背景技术：

1、极化合成孔径雷达(polsar，polarimetric synthetic aperture radar)是一种多通道相干微波成像系统，通过极化散射矩阵的形式表示地物目标的极化散射特性。由于极化sar图像具有全天时、全天候和高分辨的优点，在土地覆盖分类等相关任务中具有重要的地位。其中，极化sar图像分类是当今遥感领域的热门研究课题。

2、传统的极化sar图像分类方法包括基于极化散射特性的方法和基于统计特性的方法。前者通过极化目标分解提取目标的极化散射特性，如pauli分解、freeman分解等。然后将获得的特征送入分类器进行分类，常用的分类器有wishart分类器、支持向量机等。后者根据极化sar的统计分布特性对图像进行分类。例如，kong等人于1988年针对单视极化sar提出复高斯分布的最大似然分类器(kong j a,swartz aa,yueh h a,etal.identification of terrain cover using the optimum polarimetric classifier[j].journal of electromagnetic waves and applications,1988,2(2):171-94.)。lee等人于1994年针对多视极化sar数据建立了基于wishart分布的最大似然分类器(lee j s,grunes m r,kwok r.classification of multi-look polarimetric sar imagery basedon complex wishart distribution[j].international journal of remote sensing,1994,15(11):2299-311.)。后续的研究都是在这两种框架下发展而来的。然而，传统的极化sar图像分类方法根据人工经验设计的浅层特征，无法充分地表征目标像素点的地物属性和邻域相关性。而且随着极化sar空间分辨率的提高，其计算成本也相应增加。

3、近年来，卷积神经网络(convolutional neural networks，cnn)由于其强大的特征提取和抽象能力，在遥感图像分类任务上取得了显著的分类性能。

4、然而，现有的基于卷积神经网络的遥感图像分类方法还存在以下局限性：1、为了增加网络模型的学习能力，需要通过网络的层数和神经元个数，这样就引入了大量的参数进行学习和调节，同时增加了时间成本；而样本数不足则会导致网络的过拟合现象，降低分类的准确率。2、cnn的参数是随机初始化的，当输入图像的背景比较复杂时容易陷入局部最优。3、cnn对于数据结构信息的表征具有一定的局限性。特别是具有复值相位信息的极化sar图像。4、cnn缺乏对图像的频域信息的挖掘，由于cnn在空域中对图像的像素矩阵进行学习，单一的特征空间无法充分地对图像特征进行表示，忽略了频域中的多尺度、多方向特性。

5、因此，如何根据极化sar图像的特性，利用空域的cnn和频域的多尺度、多分辨分析充分挖掘图像的有效表征，成为提高极化sar图像分类模型性能的关键。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于复数nsct神经网络和统计特征的极化sar图像分类方法。本发明要解决的技术问题通过以下技术方案实现：

2、一种基于复数nsct神经网络和统计特征的极化sar图像分类方法，包括：

3、步骤1：对待分类的极化sar图像进行预处理，并将其分为训练集和测试集；

4、步骤2：构建复数nsct神经网络，并设置网络参数；所述复数nsct神经网络包括复空域特征学习模块、复频域nsct特征学习模块、统计特征集成模块以及分类模块；其中，

5、所述复空域特征学习模块用于对输入图像进行特征提取，得到空域特征图；

6、所述复频域nsct特征学习模块用于对输入图像进行非下采样contourlet变换，并对得到的nsct分解系数图进行特征提取，得到频域特征图的高维表示；

7、所述统计特征集成模块用于对所述nsct分解系数图进行分析，以获得nsct分解系数的统计特征；

8、所述分类模块用于对空域特征图和频域特征图进行级联，并将级联结果与所述nsct分解系数的统计特征结合起来进行分类；

9、步骤3：将所述训练集输入到所述复数nsct神经网络中，对网络进行训练；

10、步骤4：利用训练好的复数nsct神经网络对所述测试集进行分类，以获得极化sar图像分类结果。

11、本发明的有益效果：

12、1、本发明构建的具有空域分支和频域分支的复值nsct神经网络，将基于多分辨的非下采样contourlet变换的频域分支集成到空域的复值卷积神经网络中，综合了空域的复值卷积网络和频域的nsct特征学习的优势，能够充分地对图像进行多尺度、多方向、多分辨表征，增强了图像特征的方向性、奇异性和正则性的稀疏表示，实现了具有少量可训练参数的浅层网络结构，提升了网络的分类能力和逼近性能，从而得到了比单一域更好的分类结果；

13、2、本发明设计的网络结构能够充分利用极化sar图像的相位信息，将网络模型中的卷积、激活函数、池化、bp算法以及nsct的特征分解扩展至复数域，同时，提出的统计特征集成模块能够进一步将nsct分解系数的统计特征向量集成到网络中，以增强特征学习的可分辨性和极化sar图像的分类精度；

14、3、本发明基于nsct技术设计了的复数nsct神经网络，nsct以“长条形”的基函数逼近奇异曲线，凭借其过完备变换和紧凑的表达能力，很好地保留了图像的边缘和纹理细节信息，从而增加了网络模型的几何变换和特征感知能力，提升了模型的逼近性能；

15、4、本发明使用nsct的滤波器初始化网络的频域分支，相比于传统的随机初始化，避免了当输入图像的背景比较复杂时陷入局部最优，同时nsct核增加了网络模型的可解释性。

16、以下将结合附图及实施例对本发明做进一步详细说明。

技术特征：

1.一种基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，包括：

2.根据权利要求1所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，步骤1包括：

3.根据权利要求1所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，在步骤2中，构建复空域特征学习模块包括：

4.根据权利要求3所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，在所述复空域特征学习模块中，所述第一卷积层的卷积核大小为3×3×6，步长为1；所述第一池化层的核大小为2×2，步长为1。

5.根据权利要求1所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，在步骤2中，构建复频域nsct特征学习模块包括：

6.根据权利要求5所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，所述设置尺度滤波器和方向滤波器的类型以及分解的子带个数包括：

7.根据权利要求5所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，在所述复频域nsct特征学习模块中，所述第二卷积层的卷积核大小为3×3×9，步长为1；所述第二池化层的核大小为2×2，步长为1。

8.根据权利要求1所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，在步骤2中，所述统计特征集成模块对所述nsct分解系数图进行分析，以获得nsct分解系数的统计特征的过程表示为：

9.根据权利要求1所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，在步骤2中，构建分类模块包括：

10.根据权利要求9所述的基于复数nsct神经网络和统计特征的极化sar图像分类方法，其特征在于，所述第三卷积层的卷积核大小为3×3×6，步长为12。

技术总结
本发明公开了一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，包括：对待分类的极化SAR图像进行预处理，并将其分为训练集和测试集；构建复数NSCT神经网络，并设置网络参数；复数NSCT神经网络包括复空域特征学习模块、复频域NSCT特征学习模块、统计特征集成模块以及分类模块；将训练集输入到复数NSCT神经网络中，对网络进行训练；利用训练好的复数NSCT神经网络对测试集进行分类，以获得极化SAR图像分类结果。该方法缓解了斑点噪声对纹理信息提取的干扰，增强了图像特征的方向性、奇异性和正则性的稀疏表示，提升了网络的分类能力和逼近性能，从而提高了极化SAR图像的分类结果。

技术研发人员：刘梦琨,焦李成,刘芳,刘旭,李玲玲,郭雨薇,陈璞花,杨淑媛,侯彪
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/16