基于轮廓波FCN‑CRF的SAR图像分类方法技术

本发明专利技术公开了一种基于轮廓波全卷积网络FCN‑条件随机场CRF的SAR图像分类方法，实现步骤为：(1)获得低频系数和高频系数；(2)构建特征矩阵；(3)归一化特征矩阵；(4)构建样本数据集；(5)选取样本；(6)构建全卷积网络FCN‑条件随机场CRF的分类模型；(7)设定分类模型各层的参数；(8)利用分类模型进行分类；(9)输出分类结果。本发明专利技术一方面引入了条件随机场CRF，且加入了非下采样轮廓波变换，考虑了SAR图像的方向信息和空间信息，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的分类精度。

【技术实现步骤摘要】
基于轮廓波FCN-CRF的SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及图像分类
中一种基于轮廓波全卷积网络FCN(FullyConvolutionalNetworks)-条件随机场CRF(ConditionalRandomField)的合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法。本专利技术可用于对合成孔径雷达SAR(SyntheticApertureRadar)图像的地物分类和目标识别。
技术介绍
合成孔径雷达SAR(SyntheticApertureRadar)是近年来得到广泛研究和应用的一种遥感传感器，和光学、红外等其它传感器相比，合成孔径雷达成像不受天气、光照等条件的限制，可以对感兴趣的目标进行全天候、全天时的侦查。合成孔径雷达SAR(SyntheticApertureRadar)图像分类是合成孔径雷达SAR(SyntheticApertureRadar)图像解译的重要研究内容，分类图既可作中间结果为边缘提取、目标检测、识别等提供辅助信息，也可作为最终结果直接输出给用户。它在民用和军用领域均有着巨大的应用价值和理论意义。近年来，很多合成孔径雷达SAR(SyntheticApertureRadar)图像分类的方法被提取出来，这些方法的基本原理都是根据给定图像的像素自身属性以及它与邻域像素的相关性，赋予每个像素一个类标，并将具有相同特性的所有像素聚集起来以辨别出像素所属的类别，实现对合成孔径雷达SAR(SyntheticApertureRadar)图像场景中的地物目标进行分类。经典的合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法包括：武汉大学在其申请的专利文献“基于中层语义属性和卷积神经网络的SAR图像分类方法”(专利申请号：201610860930.3，公开号：CN106408030A)中提出了一种基于中层语义属性和卷积神经网络的合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法。该方法首先对待分类的合成孔径雷达SAR(SyntheticApertureRadar)图像进行中层语义属性特征图像块的提取，然后利用所有待分类合成孔径雷达SAR(SyntheticApertureRadar)图像的属性训练卷积神经网络，再将图像的全局特征和每个属性的卷积神经网络特征串联，生成最终特征，最后用支持向量机对提取的最终特征进行分类。该方法虽然结合了中层语义特征和卷积神经网络，解决了训练数据少的问题，但是，仍然存在的不足之处是，没有考虑高分辨合成孔径雷达SAR(SyntheticApertureRadar)图像多尺度、多方向、多分辨的特性，导致特征提取的不合理，影响图像分割的稳定性，导致分类精度下降。西安电子科技大学在其申请的专利文献“基于分层稀疏滤波卷积神经网络的SAR图像分类方法”(专利申请号：201510497374.3，公开号：CN105139028A)中提出了一种基于分层稀疏滤波卷积神经网络的合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法。这种方法首先划分合成孔径雷达SAR(SyntheticApertureRadar)数据库样本为训练数据集和测试样本集，再从训练数据集学习第一层稀疏字典，提取第一层稀疏特征图并进行非线性变换，然后从第一层非线性变换特征图学习第二层稀疏字典，提取第二层稀疏特征图并进行非线性变换，级联第一，二层非线性变换特征训练支持向量机SVM(SupportVectorMachine)分类器，最后利用第一，二层稀疏字典抽取测试集的稀疏特征，用支持向量机SVM(SupportVectorMachine)分类器进行分类。该方法虽然通过逐层无监督的训练获得了适应合成孔径雷达SAR(SyntheticApertureRadar)图像特征分布的稀疏滤波器，能够很好的克服相干斑噪声的影响，但是，仍然存在的不足之处是，该方法对待分类的合成孔径雷达SAR(SyntheticApertureRadar)图像信息的丰富性要求高，待处理的高维数据具有无关性和冗余性，计算量大，实现过程复杂。
技术实现思路
本专利技术的目的是克服上述现有技术的不足，提供一种基于轮廓波全卷积网络FCN(FullyConvolutionalNetworks)-条件随机场CRF(ConditionalRandomField)的合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法。本专利技术与现有技术中其他合成孔径雷达SAR(SyntheticApertureRadar)图像分类技术相比计算量小，分类精度和分类效率高。本专利技术实现上述目的的思路是：先对待分类的高分辨合成孔径雷达SAR(SyntheticApertureRadar)图像进行3层非下采样轮廓波变换，得到低频系数和高频系数，再融合低频系数和高频系数，构成基于像素点的特征矩阵，将特征矩阵中的像素值归一化到[0，1]，得到归一化后的特征矩阵，然后对归一化后的特征矩阵切块处理，将图像块特征扩展成像素级特征，构成样本数据集，从样本数据集中随机选取5％的样本构建训练数据集的特征矩阵，用剩余95％的样本构建测试数据集的特征矩阵，最后利用全卷积网络FCN-条件随机场CRF的分类模型进行分类，得到最终分类结果。本专利技术实现的具体步骤包括如下：(1)获得低频系数和高频系数：输入一通道的待分类的高分辨SAR图像，对所输入的一通道的高分辨SAR图像进行3层非下采样轮廓波变换，得到1个低频系数和11个高频系数；(2)构建特征矩阵：融合低频系数和高频系数，构成基于像素点的特征矩阵；(3)归一化特征矩阵：利用最大最小值方法，将基于像素点的特征矩阵中的像素值归一化到[0，1]，得到归一化后的特征矩阵；(4)构建样本数据集：采用窗口大小为128*128，间隔为50的滤波器，对归一化后的特征矩阵切块处理，得到切割后所有的基于像素的特征矩阵块，构成样本数据集；(5)选取样本：从样本数据集中随机选取5％的样本构建训练数据集的特征矩阵，用剩余95％的样本构建测试数据集的特征矩阵；(6)构建全卷积网络FCN-条件随机场CRF的分类模型：选择一个依次由输入层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→丢弃Dropout层→卷积层→丢弃Dropout层→卷积层→上采样层→裁剪Crop层→分割Splitting层→条件随机场CRF层→分类器Softmax组成的19层深度神经网络；(7)设定分类模型各层的参数：将第1层输入层的特征映射图的总数设置为3个像素；将第2层卷积层的特征映射图的总数设置为32个像素，卷积核的长宽设置为5×5个像素；将第3层池化层的下采样的尺寸设置为2个像素；将第4层卷积层的特征映射图的总数设置为64个像素，卷积核的大小设置为5×5个像素；将第5层池化层的下采样的尺寸设置为2个像素；将第6层卷积层的特征映射图的总数设置为96个像素，卷积核的大小设置为3×3个像素；将第7层池化层的下采样的尺寸设置为2个像素；将第8层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第9层池化层的下本文档来自技高网...

【技术保护点】
一种基于轮廓波全卷积网络FCN‑条件随机场CRF的SAR图像分类方法，其特征在于，包括如下步骤：(1)获得低频系数和高频系数：输入一通道的待分类的高分辨SAR图像，对所输入的一通道的高分辨SAR图像进行3层非下采样轮廓波变换，得到1个低频系数和11个高频系数；(2)构建特征矩阵：融合低频系数和高频系数，构成基于像素点的特征矩阵；(3)归一化特征矩阵：利用最大最小值方法，将基于像素点的特征矩阵中的像素值归一化到[0，1]，得到归一化后的特征矩阵；(4)构建样本数据集：采用窗口大小为128*128，间隔为50的滤波器，对归一化后的特征矩阵切块处理，得到切割后所有的基于像素的特征矩阵块，构成样本数据集；(5)选取样本：从样本数据集中随机选取5％的样本构建训练数据集的特征矩阵，用剩余95％的样本构建测试数据集的特征矩阵；(6)构建全卷积网络FCN‑条件随机场CRF的分类模型：选择一个依次由输入层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→丢弃Dropout层→卷积层→丢弃Dropout层→卷积层→上采样层→裁剪Crop层→分割Splitting层→条件随机场CRF层→分类器Softmax组成的19层深度神经网络；(7)设定分类模型各层的参数：将第1层输入层的特征映射图的总数设置为3个像素；将第2层卷积层的特征映射图的总数设置为32个像素，卷积核的长宽设置为5×5个像素；将第3层池化层的下采样的尺寸设置为2个像素；将第4层卷积层的特征映射图的总数设置为64个像素，卷积核的大小设置为5×5个像素；将第5层池化层的下采样的尺寸设置为2个像素；将第6层卷积层的特征映射图的总数设置为96个像素，卷积核的大小设置为3×3个像素；将第7层池化层的下采样的尺寸设置为2个像素；将第8层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第9层池化层的下采样的尺寸为2个像素；将第10层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第11层丢弃Dropout层的稀疏系数设置为0.5个像素；将第12层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为1×1个像素；将第13层丢弃Dropout层的稀疏系数设置为0.5个像素；将第14层卷积层的特征映射图的总数设置为2个像素，卷积核的大小设置为1×1个像素；将第15层上采样层的征映射图的总数设置为2个像素，卷积核的大小设置为32×32个像素；将第16层裁剪Crop层的最终裁剪大小设置为32×32个像素；将第17层分割Splitting层的分离数设置为2个像素；将第18层条件随机场CRF层的特征映射图的总数设置为64个像素；将第19层分类器Softmax的特征映射图的总数设置为2个像素；(8)利用分类模型进行分类：(8a)将训练数据集的特征矩阵输入设置好参数的分类模型进行训练，得到训练好的分类模型；(8b)将测试数据集的特征矩阵输入训练好的分类模型，得到最终的分类结果；(9)输出分类结果。...

【技术特征摘要】
1.一种基于轮廓波全卷积网络FCN-条件随机场CRF的SAR图像分类方法，其特征在于，包括如下步骤：(1)获得低频系数和高频系数：输入一通道的待分类的高分辨SAR图像，对所输入的一通道的高分辨SAR图像进行3层非下采样轮廓波变换，得到1个低频系数和11个高频系数；(2)构建特征矩阵：融合低频系数和高频系数，构成基于像素点的特征矩阵；(3)归一化特征矩阵：利用最大最小值方法，将基于像素点的特征矩阵中的像素值归一化到[0，1]，得到归一化后的特征矩阵；(4)构建样本数据集：采用窗口大小为128*128，间隔为50的滤波器，对归一化后的特征矩阵切块处理，得到切割后所有的基于像素的特征矩阵块，构成样本数据集；(5)选取样本：从样本数据集中随机选取5％的样本构建训练数据集的特征矩阵，用剩余95％的样本构建测试数据集的特征矩阵；(6)构建全卷积网络FCN-条件随机场CRF的分类模型：选择一个依次由输入层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→池化层→卷积层→丢弃Dropout层→卷积层→丢弃Dropout层→卷积层→上采样层→裁剪Crop层→分割Splitting层→条件随机场CRF层→分类器Softmax组成的19层深度神经网络；(7)设定分类模型各层的参数：将第1层输入层的特征映射图的总数设置为3个像素；将第2层卷积层的特征映射图的总数设置为32个像素，卷积核的长宽设置为5×5个像素；将第3层池化层的下采样的尺寸设置为2个像素；将第4层卷积层的特征映射图的总数设置为64个像素，卷积核的大小设置为5×5个像素；将第5层池化层的下采样的尺寸设置为2个像素；将第6层卷积层的特征映射图的总数设置为96个像素，卷积核的大小设置为3×3个像素；将第7层池化层的下采样的尺寸设置为2个像素；将第8层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第9层池化层的下采样的尺寸为2个像素；将第10层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为3×3个像素；将第11层丢弃Dropout层的稀疏系数设置为0.5个像素；将第12层卷积层的特征映射图的总数设置为128个像素，卷积核的大小设置为1×1个像素；将第13层丢弃Dropout层的稀疏系数设置为0.5个像素；将第14层卷积层的特征映射图的总数设置为2个像素，卷积核的大小设置为1×1个像素；将第15层上采样层的征映射图的总数设置为2个像素，卷积核的大小设置为32×32个像素；将第16层裁剪Crop层的最终裁剪大小设置为32×32个像素；将第17层分割Splitting层的分离数设置为2个像素；将第18层条件随机场CRF层的特征映射图的总数设置为64个像素；将第19层分类器Softmax的特征映射图的总数设置为2个像素；(8)利用分类模型进行分类：(8a)将训练数据集的特征矩阵输入设置好参数的分类模型进行训练，得到训练好的分类模型；(8b)将测试数据集的特征矩阵输入训练好的分类模型，得到最终的分类结果；(9)输出分类结果。2.根据权利要求1所述的基于轮廓波全卷积网络FCN-条件随机场CRF的SAR图像分类方法，其特征在于，步骤(1)中所述的非下采样轮廓波变换的步骤如下：第1步，对一通道的待分类的高分辨SAR图像进行3级非下采样金字塔NSP变换，在时频二维平面上，将一通道的待分类的高分辨SAR图像，依次经过低通分析滤波和隔行隔列下采样，产生1个低频系数；第...

【专利技术属性】
技术研发人员：焦李成，屈嵘，孙莹莹，唐旭，杨淑媛，侯彪，马文萍，刘芳，尚荣华，张向荣，张丹，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61