基于多尺度深度滤波器的极化SAR图像分类方法技术

本发明专利技术公开了一种基于多尺度深度滤波器的极化SAR图像分类方法，主要解决现有技术分类精度低的问题，其方案是：输入待分类的极化SAR图像，由极化相干矩阵T求得极化散射矩阵S；对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F；对F归一化，并对归一化后的特征矩阵F1中的每个元素取块，构成基于图像块的特征矩阵F2；根据F2得到训练数据集的特征矩阵W1和测试数据集的特征矩阵W2；构造基于多尺度深度滤波器的分类模型；用训练数据集的特征矩阵W1对分类模型进行训练；利用训练好的分类模型对测试数据集的特征矩阵W2分类。本发明专利技术引入多尺度深度滤波器，提高了极化SAR图像的分类精度，可用于目标识别。

【技术实现步骤摘要】
201610237878

【技术保护点】
一种基于多尺度深度滤波器的极化SAR图像分类方法，包括：(1)输入待分类的极化SAR图像，由该极化SAR图像的极化相干矩阵T求得极化散射矩阵S；(2)对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；(3)将基于像素点的特征矩阵F中的元素值归一化到[0，1]之间，记作F1；(4)用归一化后的特征矩阵F1中每个元素取周围22×22的块代表原来的元素值，构成基于图像块的特征矩阵F2；(5)构造训练数据集D的特征矩阵W1和测试数据集T的特征矩阵W2；(6)构造基于多尺度深度滤波器的分类模型：(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，给定各层的特征映射图，并确定卷积层的滤波器尺寸并随机初始化滤波器；(6b)用Gabor滤波器和非下采样轮廓波变换中的尺度滤波器构造多尺度深度滤波器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度深度滤波器的分类模型为：输入层→多尺度深度滤波器层→池化层→卷积层→池化层→全连接层→全连接层→softmax分类器这8层结构；(7)用训练数据集对分类模型进行训练，得到训练好的模型；(8)利用训练好的模型对测试数据集进行分类，得到测试数据集中每个像素点的类别。...

【技术特征摘要】
1.一种基于多尺度深度滤波器的极化SAR图像分类方法，包括：(1)输入待分类的极化SAR图像，由该极化SAR图像的极化相干矩阵T求得极化散射矩阵S；(2)对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；(3)将基于像素点的特征矩阵F中的元素值归一化到[0，1]之间，记作F1；(4)用归一化后的特征矩阵F1中每个元素取周围22×22的块代表原来的元素值，构成基于图像块的特征矩阵F2；(5)构造训练数据集D的特征矩阵W1和测试数据集T的特征矩阵W2；(6)构造基于多尺度深度滤波器的分类模型：(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，给定各层的特征映射图，并确定卷积层的滤波器尺寸并随机初始化滤波器；(6b)用Gabor滤波器和非下采样轮廓波变换中的尺度滤波器构造多尺度深度滤波器，并替换卷积神经网络的卷积层中随机初始化的滤波器，得到基于多尺度...

【专利技术属性】
技术研发人员：焦李成，马文萍，马丽媛，张丹，马晶晶，杨淑媛，侯彪，尚荣华，王爽，
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