基于显著性和多尺度深度网络模型的SAR图像分类方法技术

一种基于显著性和多尺度深度网络模型的SAR图像分类方法。其步骤为：读入数据集；获得训练场景图和显著特征图；生成显著性检测训练数据集；生成目标分类训练样本集；构建显著性网络模型；训练显著性网络模型；构建多尺度深度网络模型；构建曲线波Curvelet重构层；生成目标分类网络模型；训练目标分类网络模型；获得显著特征图；对显著特征图进行形态学处理；提取检测切片；对检测切片进行分类；对分类结果进行投票；标记检测与分类结果图。本发明专利技术提高了分类准确率和分类速度，本发明专利技术可应用于对合成孔径雷达SAR图像的目标准确地进行分类、识别。

【技术实现步骤摘要】
基于显著性和多尺度深度网络模型的SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及雷达图像分类
中的一种基于显著性和多尺度深度网络模型的SAR图像分类方法。本专利技术是一种结合多尺度深度和显著性网络模型的合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法。本专利技术可应用于对合成孔径雷达SAR图像的目标准确地进行分类、识别。
技术介绍
合成孔径雷达SAR图像分类是通过对SAR数据的分析，划分出感兴趣的目标或区域的过程。合成孔径雷达SAR图像分类是遥感图像分类的主要组成部分，随着雷达技术的发展，利用合成孔径雷达SAR图像分类的研究日益受到人们的重视。合成孔径雷达SAR图像分类技术在地质勘探、森林状态监控、海冰分布监视以及农作物生长状况评估等多个领域得到广泛的应用。由于雷达图像在成像过程中不可避免地会产生相干斑，从分类的角度看，相干斑可被认为是噪声，而基于像素的分类方法对噪声的敏感度很高，所以合成孔径雷达SAR图像的分类方法经常是基于目标或对象的区域处理方式。例如：JinxinLi等人在其发表的论文“Classificationofvery本文档来自技高网...

【技术保护点】
一种基于显著性和多尺度深度网络模型的SAR图像分类方法，其特征在于，包括如下步骤：(1)读入数据集：读入由20幅场景图和1200幅目标切片组成的合成孔径雷达SAR数据集；其中，每幅目标切片的大小为128*128个像素；(2)获得训练场景图和显著特征图：(2a)从1200幅目标切片图中随机选取15个目标切片，组成一个目标切片组；(2b)从20幅场景图中随机选取一幅场景图，将目标切片组中的所有目标切片随机分布到所选取的场景图中，得到一幅训练场景图；(2c)生成与训练场景图大小相等的全零矩阵；(2d)将目标切片组中的所有目标切片在训练场景图中的位置所对应的全零矩阵中的位置设置为1，得到显著特征图；(...

【技术特征摘要】
1.一种基于显著性和多尺度深度网络模型的SAR图像分类方法，其特征在于，包括如下步骤：(1)读入数据集：读入由20幅场景图和1200幅目标切片组成的合成孔径雷达SAR数据集；其中，每幅目标切片的大小为128*128个像素；(2)获得训练场景图和显著特征图：(2a)从1200幅目标切片图中随机选取15个目标切片，组成一个目标切片组；(2b)从20幅场景图中随机选取一幅场景图，将目标切片组中的所有目标切片随机分布到所选取的场景图中，得到一幅训练场景图；(2c)生成与训练场景图大小相等的全零矩阵；(2d)将目标切片组中的所有目标切片在训练场景图中的位置所对应的全零矩阵中的位置设置为1，得到显著特征图；(2e)判断从1200幅目标切片图中重复选取15个目标切片，组成一个目标切片组的数目是否达到3000组，若是，则执行步骤(3)；否则，执行步骤(2a)；(3)生成显著性检测训练数据集：将3000幅训练场景图和与之对应的显著特征图，组成显著性检测训练数据集；(4)生成目标分类训练样本集：(4a)从1200幅目标切片中随机选取600幅作为目标训练集，其余600幅作为目标测试集；(4b)从目标训练集中随机选取一幅目标切片，从所选目标切片中随机裁剪6个88*88像素的小切片；(4c)判断目标训练集中的目标切片是否选完，若是，则执行步骤(4e)；否则，执行步骤(4b)；(4e)将所有的小切片组成目标分类训练数据集；(5)构建显著性网络模型：利用深度学习平台，构建一个九层的显著性网络模型；该模型的结构为：第一层至第四层为卷积下采样层，第五层至第八层为卷积上采样层，第九层为卷积层；该模型的参数设置为：卷积采样层的参数设置为：8个卷积核，卷积核窗口大小为3*3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，采样窗口大小为2*2个像素；卷积层的参数设置为：1个卷积核，卷积核窗口大小为3*3个像素，相邻局部接受域的大小为1，激活函数为Sigmoid函数；(6)训练显著性网络模型：将显著性检测训练数据集输入到显著性网络模型中，使用训练参数对显著性网络模型进行迭代训练，得到训练好的显著性网络模型；(7)构建多尺度深度网络模型：利用深度学习平台，构建一个七层的多尺度深度网络模型：该模型的结构为：第一层到第五层均为卷积下采样层，第六层为转换层，第七层为全连接层；该模型的参数设置为：卷积下采样层的参数设置为：16个卷积核，卷积核窗口大小为3*3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，下采样窗口大小为2*2个像素；全连接层的参数设置为：神经...

【专利技术属性】
技术研发人员：焦李成，屈嵘，侯瑶淇，马文萍，杨淑媛，侯彪，刘芳，陈璞花，古晶，张丹，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