基于DCCGAN模型的极化SAR图像分类方法技术

本发明专利技术公开了一种基于DCCGAN的极化SAR图像分类方法，其实现步骤为：(1)输入图像；(2)预处理数据；(3)特征矩阵归一化及取块；(4)构造数据集；(5)构造DCCGAN模型；(6)训练DCCGAN模型；(7)构造判别分类网络模型并初始化模型；(8)训练判别分类网络模型；(9)预测分类。本发明专利技术无需对极化合成孔径雷达SAR图像的极化目标进行分解，可直接从极化散射矩阵中提取特征，充分利用极化合成孔径雷达SAR图像的丰富信息，有效地提高了极化合成孔径雷达SAR图像的分类精度。

【技术实现步骤摘要】
基于DCCGAN模型的极化SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及极化合成孔径雷达图像地物分类
中的一种基于深度复卷积生成式对抗网络DCCGAN(DeepComplexConvolutionalGenerativeAdversarialNetwork)模型的极化合成孔径雷达SAR(SyntheticApertureRadar)图像分类方法。本专利技术可用于对极化SAR图像中的地物目标进行分类，能有效的提高极化SAR图像分类的精度，可用于目标识别与跟踪定位。
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。西安电子科技大学在其申请的专利文献“一种基于DCGAN的极化SAR图像分类方法”(专利申请号：201710440090.X，公开号：CN107292336A)中提出一种基于DCGAN(DeepConvolutionalGenerativeAdversarialNetwork)的极化SAR图像分类方法。该方法实现步骤为：(1)对极化数据进行Pauli分解得到3个极化散射特征形成伪彩图；(2)对伪彩图进行取块组成基于图像块数据集；(3)将大量无标记数据集输入DCGAN网络进行无监督训练，得到训练好的训练网络模型DCGAN；(4)利用训练好的DCGAN中的判别器D,更换判别器最后一层二分类器为softmax分类器，形成判别分类网络模型；(5)将少量有标记样本集输入判别分类网络模型进行有监督训练；(6)最后输入测试集到判别分类网络中进行分类。该方法存在的不足之处是，该方法通过pauli分解提取散射特征，未考虑到原始极化SAR复数数据的丰富信息，忽略了图像某些相位信息，导致图像信息利用不充分，不能很好地将图像边缘检测出来，结果达不到很高的分类精度。LiuF等人在其发表的论文“POL-SARImageClassificationBasedonWishartDBNandLocalSpatialInformation”(IEEETransactionsonGeoscience&RemoteSensing,2016,54(6):3292-3308.)中提出了一种WishartDBN(Deep-belif-Network)模型的极化SAR分类方法。该方法首先进行极化目标分解从极化相干矩阵得到极化散射特征，然后将这些散射特征输入到DBN模型中进行高级特征提取，最后完成分类。其中，DBN能够完成从低层次到高层次的特征提取。DBN完成特征学习的前提，是假设数据服从高斯分布，但由极化目标分解提取的散射特征服从的是Wishart分布。因此，将极化散射特征服从的Wishart分布引入DBN，来完成特征学习，可以学习到更有效的特征，实现更好的分类效果。但是，该方法仍然存在的不足之处是，DBN不适于发掘图像里的局部空间关联信息，并且在初始化权值参数时随机初始化模型参数，导致模型训练速度变慢，很难收敛到全局最优解，得不到很高的准确率。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出了一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法。本专利技术将已有的极化SAR图像分类方法延拓至复数域进行运算，直接处理复数数据，充分利用极化SAR数据的方向信息，更全面细致地描述图像特征，同时增强模型的泛化能力，从而有效地提高极化SAR图像的分类精度。实现本专利技术的技术思路是：首先，对极化合成孔径雷达SAR图像进行预处理并构造数据集；其次，搭建并训练深度复卷积生成式对抗网络DCCGAN模型；然后，搭建并训练判别分类网络模型；最后，用训练好的判别分类网络模型对极化合成孔径雷达SAR图像进行分类。实现本专利技术目的的具体步骤如下：(1)输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像；(2)预处理数据：采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征，得到极化SAR图像的8维实数特征矩阵；(3)特征矩阵归一化及取块；将特征矩阵中的元素值归一化到[0，1]之间，得到归一化后的特征矩阵，对归一化后的特征矩阵按步长为1的滑窗取块，得到1560000个32×32的特征矩阵块，将所有特征矩阵块组成基于特征矩阵块的数据集；(4)构造数据集：(4a)在所有特征矩阵块中随机选取8％的特征矩阵块，组成无标签训练数据集；(4b)在有标记的特征矩阵块的每个类别中随机选取5％的特征矩阵块，组成有标签训练数据集；(4c)将选取有标签训练数据集后剩余的所有特征矩阵块，组成测试数据集；(5)构造深度复卷积生成式对抗网络DCCGAN模型：(5a)搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G；(5b)搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D；(5c)将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型；(6)训练深度复卷积生成式对抗网络DCCGAN模型：将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中，对该模型进行训练，得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型；(7)构造判别分类网络模型并初始化模型：(7a)构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型；(7b)利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重，初始化判别分类网络模型对应复卷积层的参数，用(0,1)区间的随机数初始化softmax分类器的参数；(8)训练判别分类网络模型：(8a)将有标签训练数据集输入到判别分类网络模型中，更新softmax分类器参数，得到训练好的softmax分类器；(8b)将有标签训练数据集输入到判别分类网络模型中，更新整个判别分类网络模型参数，得到训练好的判别分类网络模型；(9)预测分类：利用训练好的判别分类网络模型，对待分类的极化SAR图像进行分类，得到极化SAR图像的像素类别。本专利技术与现有技术相比较，具有以下优点：第一，本专利技术构造了一个深度复卷积生成式对抗网络DCCGAN模型，通过该模型无需对极化合成孔径雷达SAR图像的极化目标进行分解，可直接从极化散射矩阵中提取特征，克服了现有技术采用极化目标分解后再提取特征，导致的极化合成孔径雷达SAR图像中某些相位信息被忽略，从而引起极化合成孔径雷达SAR图像分类精度不高的问题，使得本专利技术具有充分利用极化合成孔径雷达SAR图像的丰富信息的优点，有效地提高了极化合成孔径雷达SAR图像的分类精度。第二，本专利技术利用训练好的深度复卷积生成式对抗网络DCCGAN模型的判别器，初始化判别分类网络模型的参数，克服了现有技术由于随机初始化模型参数，导致模型训练速度慢，难以收敛到全局最优解的问题，使得本专利技术对合成孔径雷达SAR图像分类时加快网络模型的训练速度，快速收敛到本文档来自技高网...

【技术保护点】
一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法，其特征在于，包括如下步骤：(1)输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像；(2)预处理数据：采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征，得到极化SAR图像的8维实数特征矩阵；(3)特征矩阵归一化及取块；将特征矩阵中的元素值归一化到[0，1]之间，得到归一化后的特征矩阵，对归一化后的特征矩阵按步长为1的滑窗取块，得到1560000个32×32的特征矩阵块，将所有特征矩阵块组成基于特征矩阵块的数据集；(4)构造数据集：(4a)在所有特征矩阵块中随机选取8％的特征矩阵块，组成无标签训练数据集；(4b)在有标记的特征矩阵块的每个类别中随机选取5％的特征矩阵块，组成有标签训练数据集；(4c)将选取有标签训练数据集后剩余的所有特征矩阵块，组成测试数据集；(5)构造深度复卷积生成式对抗网络DCCGAN模型：(5a)搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G；(5b)搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D；(5c)将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型；(6)训练深度复卷积生成式对抗网络DCCGAN模型：将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中，对该模型进行训练，得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型；(7)构造判别分类网络模型并初始化模型：(7a)构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型；(7b)利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重，初始化判别分类网络模型对应复卷积层的参数，用(0,1)区间的随机数初始化softmax分类器的参数；(8)训练判别分类网络模型：(8a)将有标签训练数据集输入到判别分类网络模型中，更新softmax分类器参数，得到训练好的softmax分类器；(8b)将有标签训练数据集输入到判别分类网络模型中，更新整个判别分类网络模型参数，得到训练好的判别分类网络模型；(9)预测分类：利用训练好的判别分类网络模型，对待分类的极化SAR图像进行分类，得到极化SAR图像的像素类别。...

【技术特征摘要】
1.一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法，其特征在于，包括如下步骤：(1)输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像；(2)预处理数据：采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征，得到极化SAR图像的8维实数特征矩阵；(3)特征矩阵归一化及取块；将特征矩阵中的元素值归一化到[0，1]之间，得到归一化后的特征矩阵，对归一化后的特征矩阵按步长为1的滑窗取块，得到1560000个32×32的特征矩阵块，将所有特征矩阵块组成基于特征矩阵块的数据集；(4)构造数据集：(4a)在所有特征矩阵块中随机选取8％的特征矩阵块，组成无标签训练数据集；(4b)在有标记的特征矩阵块的每个类别中随机选取5％的特征矩阵块，组成有标签训练数据集；(4c)将选取有标签训练数据集后剩余的所有特征矩阵块，组成测试数据集；(5)构造深度复卷积生成式对抗网络DCCGAN模型：(5a)搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G；(5b)搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D；(5c)将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型；(6)训练深度复卷积生成式对抗网络DCCGAN模型：将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中，对该模型进行训练，得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型；(7)构造判别分类网络模型并初始化模型：(7a)构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型；(7b)利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重，初始化判别分类网络模型对应复卷积层的参数，用(0,1)区间的随机数初始化softmax分类器的参数；(8)训练判别分类网络模型：(8a)将有标签训练数据集输入到判别分类网络模型中，更新softmax分类器参数，得到训练好的softmax分类器；(8b)将有标签训练数据集输入到判别分类网络模型中，更新整个判别分类网络模型参数，得到训练好的判别分类网络模型；(9)预测分类：利用训练好的判别分类网络模型，对待分类的极化SAR图像进行分类，得到极化SAR图像的像素类别。2.根据权利要求1所述的基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法，其特征在于，步骤(2)中所述的实虚分离方法，具体步骤如下：第一步，从下...

【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，张丹，唐旭，陈璞华，古晶，
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