一种基于深度阶梯网络的高分辨SAR图像分类方法技术

本发明专利技术公开了一种基于深度阶梯网络的高分辨SAR图像分类方法，该方法主要解决高分辨SAR图像有类标数据较少无法有效对网络进行训练的问题。其实现步骤为：输入待分类的高分辨SAR图像及其标记信息；构造训练数据集D1与测试数据集D2；对数据集D1、D2的特征进行归一化得到数据集D3、D4；构造基于深度阶梯网络的分类器模型；用训练数据集D3对网络进行训练；利用训练好的分类模型对测试数据集D4进行分类。本发明专利技术可充分利用少量有类标的训练样本，而获得较高的分类精度。

【技术实现步骤摘要】
一种基于深度阶梯网络的高分辨SAR图像分类方法
本专利技术属于图像处理
，具体涉及一种基于深度阶梯网络的高分辨SAR图像分类方法，能够用于目标检测与地物分类方法。
技术介绍
合成孔径雷达SAR在地球科学遥感领域的应用十分广泛，为它不仅具有全天时、全天候的特性、而且它还能提供不同于红外和可见光传感器的不同的信息。因此对SAR图像进行理解与解译成为一个研究热点。SAR图像地物分类是模式分类在SAR图像处理中的应用，它完成将图像从二维灰度空间转换到目标模式空间的工作，其分类的结果是将图像根据不同属性划分为多个不同类别的子区域。即根据SAR图像的基本特征，提取可靠特征，将图像区分为人造目标、自然目标、背景和阴影四种类别，为不同的应用提供对应的感兴趣区域。人造目标包括机动车辆、建筑物等强散射体；自然目标包括树木、灌木、树林等自然作物；背景包括草地、平地、植被等占图像大部分面积的地域；阴影包括目标阴影、湖泊、水域等镜面散射体。SAR图像地物分类是传统自动地物分类SAR技术的扩展。一方面可以作为SAR图像解译系统的中前端，以带层次信息的感兴趣区域取代目标检测和鉴别模块，为目标识别过程本文档来自技高网...

【技术保护点】
一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，包括如下步骤：(1)通过高分辨SAR图像及其人工标记图来构造训练数据集D1和测试数据集D2；(2)将训练数据集D1和测试数据集D2中每个元素归一化至[0，1]之间，分别得到归一化后的训练数据集D3和归一化后的测试数据集D4；(3)构造基于深度阶梯网络的分类模型；(4)用训练数据集D1对基于深度阶梯网络进行训练，得到训练好的模型；(5)利用训练好的模型对测试数据集D2进行分类，获得最终的分类结果。

【技术特征摘要】
1.一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，包括如下步骤：(1)通过高分辨SAR图像及其人工标记图来构造训练数据集D1和测试数据集D2；(2)将训练数据集D1和测试数据集D2中每个元素归一化至[0，1]之间，分别得到归一化后的训练数据集D3和归一化后的测试数据集D4；(3)构造基于深度阶梯网络的分类模型；(4)用训练数据集D1对基于深度阶梯网络进行训练，得到训练好的模型；(5)利用训练好的模型对测试数据集D2进行分类，获得最终的分类结果。2.根据权利要求1所述的一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，所述步骤(1)的具体步骤如下：(1a)先对高分辨SAR图像进行三倍降采样，再在该图上采用滑窗的方法取21×21像素大小的块代表该块区域，将21×21像素大小的块拉成441维的列向量作为训练数据集D1的特征部分；再将待分类的高分辨SAR图像的人工标记图采用滑窗的方法取21×21像素大小的图像块，并统计每个图像块中每类标记像素的个数，若未标记像素占整个图像块的30％以上则抛弃该像素块，否则选取像素个数最多的类别作为这块图像的类标，得到训练数据集D1的类标；在D1中取5％作为有类标数据L，剩下数据作为无类标数据U；(1b)对高分辨SAR图像进行三倍降采样后的图进行超像素分割，以每个超像素的中心点取21×21大小的图像块代表整个超像素区域，将其拉成441维的列向量作为测试数据集D2的特征部分。3.根据权利要求1所述的一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，所述步骤(2)中归一化处理采用线性缩放的方法，具体为：对训练数据集D1的特征先求出其最大值max(D1)；再将训练数据集D1特征中的每个元素均除以最大值max(D1)，得到归一化后的训练数据集D3，对测试数据集D2进行相同的操作得到归一化后的测试数据集D4。4.根据权利要求1所述的一种基于深度阶梯网络的高分辨SAR图像分类方法，其特征在于，所述步骤(3)的具体步骤如下：(3a)构造一个编码器，分为含噪通路与不含噪通路，含噪通路中每...

【专利技术属性】
技术研发人员：焦李成，屈嵘，李晰，张丹，杨淑媛，侯彪，马文萍，刘芳，尚荣华，张向荣，唐旭，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