一种基于卷积神经网络的Sentinel-1雷达图像分类方法技术

本发明专利技术公开了一种基于卷积神经网络的Sentinel‑1雷达图像分类方法，包括包括以下步骤：步骤A、图像输入之后，对图像进行预处理，其中，图像预处理包括ROI剪裁、归一化处理、CFAR算法处理和RGB图形分析；步骤B、对预处理的图像进行训练，选取一组函数f1、f2...fn，对数据进行训练，选取最佳函数f；步骤C、对步骤B选取的最佳函数f进行测试，从而对采集的图像进行分类。本发明专利技术提出适用于数据集的图像预处理方法，利用CFAR方法对图像进行特征提取，并进行了孤立点移除及孔洞填充；构建了采用多通道输入模式的4层的卷积神经网络模型；用卷积神经网络CNN训练数据集时，通过正则化及数据增强去避免过拟合，得到了测试精度91％的良好分类效果。

【技术实现步骤摘要】
一种基于卷积神经网络的Sentinel-1雷达图像分类方法
本专利技术涉及一种雷达图像分类方法，具体为一种基于卷积神经网络的Sentinel-1雷达图像分类方法，属于雷达图像分类应用

技术介绍
在一种基于自动截尾的自适应快速CFAR算法在高分辨率SAR图像目标检测中的应用中提出一种自适应的CFAR检测算法，构建了相应的聚类统计模型，实现了SAR雷达图像目标的快速提取。在基于TelasAR-X影像的冰山自动探测和冰凌分类导航中将TerraSAR-X在HH极化图像上进行海冰与冰山的监测，对文本特征进行提取后，将其作为神经网络的输入，然后使用迭代的CFAR算法对图像进行检测，找到冰山及海冰区域，增强了图像的解译效果。在基于对象的SAR图像冰山探测算法在Amundsen海域的应用文献提出了一种区别冰山和零散的海冰的方法，该方法基于雷达图像的光谱亮度进行分类，在气候恶劣(如冰冻及强风)的情况下，能得到较好的分类效果，为保证船舶航线的安全，冰山与船只的监测一直是科学研究的热点之一，著名的泰坦尼克号就是因为撞上冰山而船毁人亡的，随着科技发展进步，现在我们可以通过卫星图像对冰山和船只加以区别，从而避免这一悲剧的发生。目前国内外许多研究聚焦在TerraSAR-X波段上对冰山的分类，而对sentinel-1C波段的雷达图像分类研究较少，而且传统的雷达图像经常出现孔洞和孤立点，容易影响图像处理的精度和效果，因此，针对上述问题提出一种基于卷积神经网络的Sentinel-1雷达图像分类方法。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种基于卷积神经网络的Sentinel-1雷达图像分类方法。本专利技术通过以下技术方案来实现上述目的，一种基于卷积神经网络的Sentinel-1雷达图像分类方法，包括以下步骤：步骤A、图像输入之后，对图像进行预处理，其中，图像预处理包括ROI剪裁、归一化处理、CFAR算法处理和RGB图形分析；步骤B、对预处理的图像进行训练，选取一组函数f1、f2...fn，对数据进行训练，选取最佳函数f；步骤C、对步骤B选取的最佳函数f进行测试，从而对采集的图像进行分类。优选的，所述步骤A中的ROI剪裁时，将雷达采集到的卫星图像通过剪裁的方式剪为75*75大小的ROI图像，卫星图像经裁剪后，生成1604幅HH及HV波段的ROI图像数据集。优选的，所述步骤A中的CFAR算法，确定三个窗口的大小及位置,分别是:theboxCFARwindow,thecellundertest及guardwindow，theboxCFARwindow为进行统计计算的范围，设置theboxCFARwindow与ROI后的图像一样大小，大小为75*75；cellundertest设置在图像的中心位置，一个75*75的中心点，按像素坐标从0开始编号应为(75-1)/2，中心点的坐标为(37，37)，guardwindow根据目标的大致大小，设定为21*21像素；阈值的确定使用累计分布函数，通过公式来确定阈值；threshold＝Φ-1(1-Pfa)(1)其中，Pfa代表虚警率，Φ-1表示累计分布函数的反函数，最后依据阈值构建掩膜；对于掩膜过滤后的目标图像中孔洞及少数孤立点进行孔洞填充及移除孤立点；孔洞填充主要使用膨胀算法进行，为避免待处理图像的(0，0)位置像素是孔洞的情况，将原图像向外延展1个像素，膨胀算法填充完毕后，去掉延展部分，取反加上初始图像即为孔洞填充后的图像；孤立点的剔除根据图像中灰度分布密度来进行，设定一个密度阈值，低于这个阈值的孤立点进行剔除，如公式(2)所示：优选的，所述步骤A中的归一化处理：归一化用来减少目标中一些强的后向散射信号，而强的后向散射信号通常具有较高的灰度值，将影响训练过程稳定性，将像素值被归一化为0-1的范围；构建CNN模型：CNN模型采用多输入的方式，将预处理后的HH极化图像，HV极化图像特征输入进CNN模型；CNN模型由输入层，卷积层，取样层，全连接层及输出层构成；卷积层是一个权值矩阵，它由多个特征面组成，每个特征面由多个神经元组成，每一个神经元通过卷积核与上一层特征面的局部区域相连；卷积层通过卷积操作提取输入的不同特征，第一层卷积提取低级特征；取样层在语义上把相似的特征合并起来，通过池化操作使得特征对噪声和变形具有鲁棒性；各层所提取的特征以增强的方式从不同的角度表现原始图像，并且随着层数的增加，提取的特征也越来越抽象。优选的，卷积层和取样层交替设置，即一个卷积层连接一个取样层，取样层后再连接一个卷积层；全连接层中每个神经元与其前一层进行全连接，将前期所提取的各种局部特征综合起来，最后通过输出层得到每个类别的后验概率；优选的，所述步骤B训练中：使用数据增强、正则化二种方法，dropout是正则化方法的一种，指在CNN训练过程中，对于神经网络单元，通过在反向传播误差更新权值时随机选择一部分权值不更新，通过这样的方法防止过拟合；在数据增强上所做的工作是对原始ROI图像拉伸变形，通过增加输入图像的数量来对抗过拟合，提高模型的泛化能力。优选的，训练过程中预先估计学习率，然后在训练过程中依据算法进行调整。本专利技术的有益效果是：本专利技术提出适用于数据集的图像预处理方法，利用CFAR方法对图像进行特征提取，并进行了孤立点移除及孔洞填充；构建了采用多通道输入模式的4层的卷积神经网络模型；用卷积神经网络CNN训练数据集时，通过正则化及数据增强去避免过拟合，得到了测试精度91％的良好分类效果，有良好的经济效益和社会效益，适合推广使用。附图说明图1为本专利技术流程示意图；图2为本专利技术的CFAR处理后的目标提取及背景提取ROI图；图3为本专利技术的孔洞填充及孤立点移除后的目标图像图；图4为本专利技术的目标ROI图像的归一化图；图5为本专利技术的CNN模型结构图；图6为本专利技术的训练过程精度与损失度的曲线a图；图7为本专利技术的训练过程精度与损失度的曲线b图；图8为本专利技术的CNN5模型预测结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1所示，一种基于卷积神经网络的Sentinel-1雷达图像分类方法，包括以下步骤：步骤A、图像输入之后，对图像进行预处理，其中，图像预处理包括ROI剪裁、归一化处理、CFAR算法处理和RGB图形分析；步骤B、对预处理的图像进行训练，选取一组函数f1、f2...fn，对数据进行训练，选取最佳函数f；步骤C、对步骤B选取的最佳函数f进行测试，从而对采集的图像进行分类。实施例：由于CNN网络的输入是固定大小的二维图像，因此，需要将雷达采集到的卫星图像通过剪裁的方式剪为75*75大小的ROI图像；卫星图像经裁剪后，生成了1604幅HH及HV波段的ROI图像数据集。CFAR算法：进行CFAR算法时，要确定3个窗口的大小及位置,分别是:theboxCFARwindow,thecellundertest(CUT)及guardwindow，theboxCFARwindow表示进行本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的Sentinel‑1雷达图像分类方法，其特征在于：包括以下步骤：步骤A、图像输入之后，对图像进行预处理，其中，图像预处理包括ROI剪裁、归一化处理、CFAR算法处理和RGB图形分析；步骤B、对预处理的图像进行训练，选取一组函数f1、f2...fn，对数据进行训练，选取最佳函数f；步骤C、对步骤B选取的最佳函数f进行测试，从而对采集的图像进行分类。

【技术特征摘要】
1.一种基于卷积神经网络的Sentinel-1雷达图像分类方法，其特征在于：包括以下步骤：步骤A、图像输入之后，对图像进行预处理，其中，图像预处理包括ROI剪裁、归一化处理、CFAR算法处理和RGB图形分析；步骤B、对预处理的图像进行训练，选取一组函数f1、f2...fn，对数据进行训练，选取最佳函数f；步骤C、对步骤B选取的最佳函数f进行测试，从而对采集的图像进行分类。2.根据权利要求1所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法，其特征在于：所述步骤A中的ROI剪裁时，将雷达采集到的卫星图像通过剪裁的方式剪为75*75大小的ROI图像，卫星图像经裁剪后，生成1604幅HH及HV波段的ROI图像数据集。3.根据权利要求1所述的一种基于卷积神经网络的Sentinel-1雷达图像分类方法，其特征在于：所述步骤A中的CFAR算法，确定三个窗口的大小及位置,分别是:theboxCFARwindow,thecellundertest及guardwindow，theboxCFARwindow为进行统计计算的范围，设置theboxCFARwindow与ROI后的图像一样大小，大小为75*75；cellundertest设置在图像的中心位置，一个75*75的中心点，按像素坐标从0开始编号应为(75-1)/2，中心点的坐标为(37，37)，guardwindow根据目标的大致大小，设定为21*21像素；阈值的确定使用累计分布函数，通过公式来确定阈值；threshold＝Φ-1(1-Pfa)(1)其中，Pfa代表虚警率，Φ-1表示累计分布函数的反函数，最后依据阈值构建掩膜；对于掩膜过滤后的目标图像中孔洞及少数孤立点进行孔洞填充及移除孤立点；孔洞填充主要使用膨胀算法进行，为避免待处理图像的(0，0)位置像素是孔洞的情况，将原图像向外延展1个像素，膨胀算法填充完毕后，去掉延展部分，取反加上初始图像即为孔洞填充后的图像；孤立点的剔除根据图像中灰度分布密度来进行，设定一...

【专利技术属性】
技术研发人员：宋岚，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西,36