The invention discloses a polarimetric SAR image classification method based on ACGAN, which decomposes polarimetric scattering matrix by Pauli decomposition and constructs a feature matrix based on pixels; then replaces each element of the feature matrix with its neighborhood image blocks to obtain the feature matrix based on image blocks; and then constructs training data sets by using the feature matrix based on image blocks, and uses the training data sets. The ACGAN network model is trained to get the classification results at the pixel level. Finally, the feature matrix is transformed into RGB pseudo-color image, and the image is divided into K super-pixel regions using SLIC super-pixel algorithm. The final classification results are optimized by combining the classification results at the pixel level and the super-pixel blocks. The method makes full use of polarimetric scattering information and spatial neighborhood information of polarimetric SAR data, and uses generation antagonism network with auxiliary classifier to compete with each other for antagonism training, so that the classifier can extract classification features more effectively and obtain higher classification accuracy.
【技术实现步骤摘要】
一种基于ACGAN的极化SAR图像分类方法
本专利技术属于图像处理
,具体涉及一种基于ACGAN(AuxiliaryClassifierGAN)的极化合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法,本专利技术可应用于极化SAR图像的地物分类和目标识别等任务。
技术介绍
极化SAR是一种多参数、多通道的遥感成像系统,具有全天时、全天候、分辨率高、大面积覆盖等优点,可获得目标更为丰富的信息,被广泛应用于遥感和地图测绘等领域。极化SAR地物分类是一种解译极化SAR数据的重要方式,通过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其中每一个像素点所属的地物类型,在林业、农业、军事和海洋等方面具有广泛的应用。现有方法对地物分类结果图的区域一致性不好,噪声块较多,达不到很高的分类精度。并且由于未利用极化SAR数据的局部空间关联信息,分类结果精度不高。
技术实现思路
本专利技术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ACGAN的极化SAR图像分类方法,通过利用带有辅助分类器的生成对抗网络相互竞争对抗训练,充分利用极化SAR数据信息,使得分类器能更有效的提取分类特征,以解决现有技术中存在的图像分类准确率低的技术问题。本专利技术采用以下技术方案:一种基于ACGAN的极化SAR图像分类方法,对极化散射矩阵S进行Pauli分解,构建基于像素点的特征矩阵F;然后将特征矩阵F中的每个元素用其邻域的图像块进行替换,获取基于图像块的特征矩阵F1;再利用基于图像块的特征矩阵F1构造训练数据集T,使用训练数据集T对ACGAN网络 ...
【技术保护点】
1.一种基于ACGAN的极化SAR图像分类方法,其特征在于,对极化散射矩阵S进行Pauli分解,构建基于像素点的特征矩阵F;然后将特征矩阵F中的每个元素用其邻域的图像块进行替换,获取基于图像块的特征矩阵F1;再利用基于图像块的特征矩阵F1构造训练数据集T,使用训练数据集T对ACGAN网络模型进行训练,将数据集F1输入训练好的模型,得到像素级的分类结果;最后将特征矩阵F转化为RGB伪彩色图,利用SLIC超像素算法将图像划分为K个超像素区域;结合像素级分类结果和超像素块,优化最终分类结果。
【技术特征摘要】
1.一种基于ACGAN的极化SAR图像分类方法,其特征在于,对极化散射矩阵S进行Pauli分解,构建基于像素点的特征矩阵F;然后将特征矩阵F中的每个元素用其邻域的图像块进行替换,获取基于图像块的特征矩阵F1;再利用基于图像块的特征矩阵F1构造训练数据集T,使用训练数据集T对ACGAN网络模型进行训练,将数据集F1输入训练好的模型,得到像素级的分类结果;最后将特征矩阵F转化为RGB伪彩色图,利用SLIC超像素算法将图像划分为K个超像素区域;结合像素级分类结果和超像素块,优化最终分类结果。2.根据权利要求1所述的基于ACGAN的极化SAR图像分类方法,其特征在于,基于像素点的特征矩阵F具体为: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,SHH、SVV为共极化分量,SHV为交叉极化分量。3.根据权利要求2所述的基于ACGAN的极化SAR图像分类方法,其特征在于,构建基于像素点的特征矩阵F的步骤如下:S101、设置Pauli基{S1,S2,S3};S102、由Pauli分解定义得到S如下:其中,S1表示奇次散射,S2表示偶次散射,S3表示体散射;S103、通过步骤S101和S102得到奇次散射系数a,偶次散射系数b,体散射系数c,将a、b、c作为极化SAR图像的三维图像特征矩阵F。4.根据权利要求3所述的基于ACGAN的极化SAR图像分类方法,其特征在于,Pauli基{S1,S2,S3}具体为:5.根据权利要求1所述的基于ACGAN的极化SAR图像分类方法,其特征在于,特征矩阵F中的每个元素用其邻域28×28的图像块进行替换,获取基于图像块的特征矩阵F1。6.根据权利要求1所述的基于ACGAN的极化SAR图像分类方法,其特征在于,利用基于图像块的特征矩阵F1构造训练数据集T的步骤如下:S301、极化SAR图像地物共分为5类,取每一个像素周围28×28的图像块代表此像素点,该像素点的类标作为图像块的类标,分别存入对应的类别C1、C2、C3、C4、C5中;S302、从步骤S301的C1、C2、C3、C4、C5中随机选取5%的像素点生成训练数据集T。7.根据权利要求1所述的基于ACGA...
【专利技术属性】
技术研发人员:侯彪,焦李成,聂惠敏,马晶晶,马文萍,白静,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。