一种基于非下采样轮廓波DCGAN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非下采样轮廓波DCGAN的极化SAR图像分类方法，输入待分类的极化SAR图像进行Pauli分解；用归一化后的数据集取32×32的块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块，构造非下采样轮廓波DCGAN，用无标签训练数据集对训练网络模型非下采样轮廓波DCGAN进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。本发明专利技术能够提高极化SAR图像的分类精度，可用于目标识别与跟踪定位。

Polarimetric SAR image classification method based on non sampled contourlet DCGAN

The invention discloses a method for classification of polarimetric SAR images based on Nonsubsampled contourlet DCGAN, input to the classification of polarimetric SAR image is decomposed by Pauli; 32 * 32 blocks which image block data sets based on using the normalized data set; constructing labeled training data set and test data set label training data set, super pixel algorithm of Pauli decomposition of the pseudo color division super pixel blocks using SLIC structure, Nonsubsampled contourlet DCGAN, using unlabeled training data set for training the network model of Nonsubsampled contourlet DCGAN training; then labeled training data set input classification network model trained softmax classifier, and then the classification of fine tune the parameters of the network; network classification model using the trained on test data sets clustering center classification, and then the test data Label the categories of each pixel. The method can improve the classification accuracy of polarimetric SAR images, and can be used for target recognition and tracking positioning.

【技术实现步骤摘要】
一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法
本专利技术属于图像处理
，具体涉及一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法。
技术介绍
极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像分类的目的是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每个像素所属的类别，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。经典极化SAR图像分类方法有：1992年，Lee等研究认为，多视极化SAR图像可以表示为极化协方差矩阵的形式，并且该矩阵近似服从复Wishart分布，在此基础上，他提出一种简单有效的Wishart分类算法并用来对森林、城区、海洋、海冰等地物类型进行分类。1998年，Lee等用H/Alpha分解法提取的特征对图像进行初始聚类，得到8个聚类中心；然后用描述多视协方差矩阵的Wishart迭代分类器对图像进行分类(简称H/Alpha-Wishart分类器)。2000年，Pottier等提出了H/Alpha/A-Wishart分类器，在H本文档来自技高网...

【技术保护点】
一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解；用归一化后的数据集取32×32的块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块，得到超像素块聚类中心测试数据集；构造非下采样轮廓波DCGAN，用无标签训练数据集对训练网络模型非下采样轮廓波DCGAN进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后...

【技术特征摘要】
1.一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解；用归一化后的数据集取32×32的块构成基于图像块的数据集；构造无标签训练数据集、有标签训练数据集和测试数据集，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块，得到超像素块聚类中心测试数据集；构造非下采样轮廓波DCGAN，用无标签训练数据集对训练网络模型非下采样轮廓波DCGAN进行训练；再用有标签训练数据集输入判别分类网络模型训练softmax分类器，再微调整个判别分类网络的参数；利用训练好的判别分类网络模型对测试数据集的超像素聚类中心进行分类，然后对测试数据集中每个像素点的类别进行标记。2.根据权利要求1所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，对所述极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这三个系数作为极化SAR图像的三维图像特征。3.根据权利要求2所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，定义Pauli基{S1,S2,S3}，得到所述奇次散射系数a、偶次散射系数b和体散射系数c如下：4.根据权利要求1所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，利用SLIC超像素算法对Pauli分解后的伪彩图划分超像素块的具体实现步骤如下：S31、按照设定的超像素个数K＝40000，在图像内均匀的分配种子点，假设图片总共有N个像素点，预分割为K个相同尺寸的超像素，每个超像素的大小为N/K，得到相邻种子点的近似距离；S32、在种子点的n×n邻域内重新选择种子点，n＝3，计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；S33、在每个种子点周围的邻域内为每个像素点分配类标签，搜索范围限制为2S*2S；S34、对颜色距离和空间距离进行度量，对于每个搜索到的像素点，分别计算它和该种子点的距离D'；S35、不断迭代上述步骤直到误差收敛，以边长为六重新划分原图，则有43400个超像素块，记录这些超像素块的中心像素点的位置；S36、根据超像素块的聚类中心像素点的位置，得到测试数据集超像素聚类中心的图像块数据集。5.根据权利要求4所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，步骤S31中，每个像素块的大小为39，像素块的边长为6，相邻种子点的距离近似为：6.根据权利要求4所述的一种基于非下采样轮廓波DCGAN的极化SAR图像分类方法，其特征在于，步骤S34中种子点的距离D'具体如下：...

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