基于多尺度卷积与特征融合的高分辨SAR地物分类方法技术

本发明专利技术公开了一种基于多尺度卷积与特征融合的高分辨SAR地物分类方法主要解决现有技术分类精度较低及易出现过拟合的问题。实现方案是：1.提取待分类图像的纹理特征和小波特征；2.对待分类图像、纹理特征和小波特征进行融合，组成融合特征矩阵；3.根据融合特征矩阵构建训练数据集和测试数据集；4.对现有的CNN网络添加多尺度卷积层和shuffle层，并将全连接层改为卷积层，构建多尺度卷积融合网络；5.用训练数据集训练多尺度卷积融合网络得到模型参数；6.用模型参数初始化多尺度融合网络对测试集进行分类。本发明专利技术提高减少了网络的参数，缓解了小样本问题的过拟合现象，提高了分类精度，可用于高分辨SAR图像地物分类。

【技术实现步骤摘要】
基于多尺度卷积与特征融合的高分辨SAR地物分类方法
本专利技术属于图像处理
，特别是一种高分辨SAR地物分类方法，可应用于图像解译，目标识别和目标跟踪等领域。
技术介绍
SAR雷达卫星是载有合成孔径雷达SAR的对地观测遥感卫星的统称。SAR的全天候、全天时及能穿透一些地物的成像特点，显示出它与光学遥感器相比的优越性。雷达遥感数据也在多学科领域中得到了广泛的应用，可应用于军事，农业，导航，地理监视等诸多领域。SAR图像是对雷达波散射特性的一种表征，是地物目标对它的一种反映，图像中存在的斑点噪声表现为在均匀的表面上，像素点呈现出或暗点或亮点，是一种表示灰度像素值出现了急剧变化的现象。这种现象降低了图像的空间分辨率，模糊了图像的边缘信息，使得解译图像的准确率降低。SAR图像的灰度值具有两种基本特点：第一是相似性，表示依据事先制定好的标准将图像分割成若干个相似区域；第二是不连续性，因为图像的灰度值是在变化，所以具有不连续性，可以利用这种特性来进行图像分割。SAR图像分类方法，包括基于非深度学习的方法和基于深度学习的方法两大类。其中：基于非深度学习的方法，如Aytekin等人2013年在IEEETRANS-ACTIONSONGEOSCIENCEANDREMOTESENSING，VOL.51，NO.4上发表的“LocalPrimitivePatternfortheClassificationofSARImages”中提出的LPP算法，其结合图像空间信息和结构信息，首先对图像的每个像素使用局部原始模式LPP方法获取只与该像素相关的邻域信息作为特征，然后将该特征作为训练样本训练SVM分类器，得到分类结果。该方法通过设计一种自适应的方法获取每一个像素周围相关的邻域，而非使用固定大小的矩形区域，虽说在一定程度上提高了特征的可判别性和鲁棒性，降低了SVM训练时间的复杂度，但是仍未有效地克服SAR图像相干斑噪声的影响，特别是对包含复杂纹理的SAR图像易产生误分割和区域一致性不理想的问题，且SVM分类器对于数据量比较大的训练样本集，训练时间过长。基于深度学习的方法，如刘晨等人2017年在《雷达与科学技术》第15卷上发表的“基于CNN的SAR图像目标分类优化算法”，其采用了普通卷积神经网络CNN对SAR图像进行分类，即首先对SAR图像采用ZAC白化与主成分分析结合的方法进行预处理，再将预处理后图像直接送入CNN网络模型进行特征学习，然后将得到的特征送入Softmax分类器进行分类，得到分类结果。该方法可以自动学习到非噪声的鲁棒特征，而不用进行手工特征的设计，并且可以端到端进行训练，提高了图像分类的精度，但该方法由于仅输入原始SAR灰度图像的ZAC白化和主成分信息，输入信息较少，且模型全连接层网络参数较多，对于小样本分类容易产生过拟合现象，另外该方法提取的特征缺乏多尺度信息，导致分类精度较低。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于多尺度卷积与特征融合的高分辨SAR地物分类方法，以减小过拟合现象，提取图像的小波特征和纹理特征，增加多尺度卷积核提取图像多尺度特征信息，进一步提高分类精度为实现上述目的，本专利技术的技术方案包括如下：(1)对待分类的图像F采用灰度共生矩阵提取图像纹理特征，得到纹理特征矩阵F1；(2)对待分类的图像F采用gabor滤波器提取小波特征，得到小波特征矩阵F2；(3)将待分类的图像F、纹理特征矩阵F1和小波特征矩阵F2三者进行融合，得到融合特征矩阵F3；(4)在融合特征矩阵F3上以每个像素点为中心选取n×n的像素块，并将5％的像素块作为训练样本，剩余的像素块作为测试样本，n为大于或等于15的正整数；(5)构建9层的多尺度卷积融合网络，其自下而上依次包括：输入层，用于输入训练样本和测试样本；多尺度卷积层，它包含3×3、5×5和7×7三个尺度，用于提取输入样本的多尺度特征信息；Concat层，用于级联不同尺度的特征；特征融合Shuffle层，用于充分打乱和融合多尺度信息；第一池化层，用于对上一层特征图进行下采样；第一卷积层，用于对上一层特征图提取单尺度特征；第二池化层，用于对上一层特征图进行下采样第二卷积层，用于对上一层特征图提取单尺度特征；softmax分类器，用于对上一层特征进行类别输出；所采用的激活函数均为Relu激活函数；(6)通过反向传播算法对多尺度卷积融合网络进行训练，得到训练好的模型；(7)通过训练好的模型对测试集进行分类，得到分类结果。本专利技术与现有的技术相比具有以下优点：1)本专利技术由于将原图像、纹理特征及小波特征进行像素级融合，保留了SAR图像的纹理特性和散射特性，得到了充足的特征信息，并通过shuffle层进行进一步特征融合，提高了SAR图像的分类精度；2)本专利技术与普通CNN网络相比，由于在普通CNN中添加了shufflenet网络的shuffle结构和设计的多尺度卷积层，并将普通CNN网络中的全连接层改为卷积层，不仅有效地增添了SAR图像的多尺度信息，而且减少了网络的参数，缓解了SAR图像分类小样本问题的过拟合现象，提高了分类精度。附图说明图1是本专利技术的实现流程图；图2是用本专利技术和现有方法对第一幅SAR图像的分类结果对比图；图3是用本专利技术和现有方法对第二幅SAR图像的分类结果对比图；图4是用本专利技术和现有方法对第三幅SAR图像的分类结果对比图。具体实施方式以下结合附图和实施例对本专利技术的实现步骤和实验效果作进一步详细描述：参照图1，本实例的实现步骤如下：步骤1，对待分类图像F进行纹理特征的提取。SAR图像纹理特征提取方法包括有基于非下采样小波分解的纹理特征提取方法、基于灰度共生矩阵的纹理特征提取方法以及基于灰度-梯度共生矩阵的纹理特征提取方法等，本实施例采用但不限于基于灰度共生矩阵的纹理特征提取方法，其实现如下：(1a)选择4个离散的方向：0°，45°，90°和135°，在待分类图像F中提取以每个像素点为中心的15×15大小的像素块在这4个方向的4个共生矩阵；(1b)对每个共生矩阵计算能量、熵、惯性矩和相关性这4个纹理参数，并取每个纹理参数的在(1a)所选4个方向上的均值，组成大小为1×4的向量作为被提取一个像素点的纹理特征向量；(1c)将所有像素点的纹理特征向量按照原图像素点的位置进行合并，得到与待分类图像F相同尺寸的4通道纹理特征矩阵F1。步骤2，对待分类图像F进行小波特征的提取。在SAR图像特征提取领域经常采用小波矩提取小波特征，常用的小波包括Harr小波、Shannon小波和Gabor小波等，其特征具有旋转、平移和大小不变性，本实施例采用但不限于Gabor小波特征提取方法，其实现如下；(2a)取方向数为4、尺度数为1的Gabor小波滤波器组，通过该滤波器组对待分类图像F进行滤波，得到4幅滤波后的特征图像；(2b)将这4张滤波后的特征图像进行通道方向的合并，得到与待分类图像F相同尺寸的4通道小波特征矩阵F2。步骤3，获取训练样本和测试样本。(3a)将待分类的图像F、纹理特征矩阵F1，和小波特征矩阵F2在通道方向进行叠加，得到9通道的融合特征矩阵F3；(3b)在特征矩阵F3上以每个像素点为中心选取15×15的像素块，其中5％作为训练样本，剩余的像素块作为测试样本文档来自技高网...

【技术保护点】
基于多尺度卷积与特征融合的高分辨SAR地物分类方法，其特征在于，包括：(1)对待分类的图像F采用灰度共生矩阵提取图像纹理特征，得到纹理特征矩阵F1；(2)对待分类的图像F采用gabor滤波器提取小波特征，得到小波特征矩阵F2；(3)将待分类的图像F、纹理特征矩阵F1和小波特征矩阵F2三者进行融合，得到融合特征矩阵F3；(4)在融合特征矩阵F3上以每个像素点为中心选取n×n的像素块，并将5％的像素块作为训练样本，剩余的像素块作为测试样本，n为大于或等于15的正整数；(5)构建9层的多尺度卷积融合网络，其自下而上依次包括：输入层，用于输入训练样本和测试样本；多尺度卷积层，它包含3×3、5×5和7×7三个尺度，用于提取输入样本的多尺度特征信息；Concat层，用于级联不同尺度的特征；特征融合Shuffle层，用于充分打乱和融合多尺度信息；第一池化层，用于对上一层特征图进行下采样；第一卷积层，用于对上一层特征图提取单尺度特征；第二池化层，用于对上一层特征图进行下采样第二卷积层，用于对上一层特征图提取单尺度特征；softmax分类器，用于对上一层特征进行类别输出；所采用的激活函数均为Relu激活函数；(6)通过反向传播算法对多尺度卷积融合网络进行训练，得到训练好的模型；(7)通过训练好的模型对测试集进行分类，得到分类结果。...

【技术特征摘要】
1.基于多尺度卷积与特征融合的高分辨SAR地物分类方法，其特征在于，包括：(1)对待分类的图像F采用灰度共生矩阵提取图像纹理特征，得到纹理特征矩阵F1；(2)对待分类的图像F采用gabor滤波器提取小波特征，得到小波特征矩阵F2；(3)将待分类的图像F、纹理特征矩阵F1和小波特征矩阵F2三者进行融合，得到融合特征矩阵F3；(4)在融合特征矩阵F3上以每个像素点为中心选取n×n的像素块，并将5％的像素块作为训练样本，剩余的像素块作为测试样本，n为大于或等于15的正整数；(5)构建9层的多尺度卷积融合网络，其自下而上依次包括：输入层，用于输入训练样本和测试样本；多尺度卷积层，它包含3×3、5×5和7×7三个尺度，用于提取输入样本的多尺度特征信息；Concat层，用于级联不同尺度的特征；特征融合Shuffle层，用于充分打乱和融合多尺度信息；第一池化层，用于对上一层特征图进行下采样；第一卷积层，用于对上一层特征图提取单尺度特征；第二池化层，用于对上一层特征图进行下采样第二卷积层，用于对上一层特征图提取单尺度特征；softmax分类器，用于对上一层特征进行类别输出；所采用的激活函数均为Relu激活函数；(6)通过反向传播算法对多尺度卷积融合网络进行训练，得到训练好的模型；(7)通过训练好的模型对测试集进行分类，得到分类结果。2.根据权利要求1所述的方法，其特征在于，步骤(1)中对待分类的图像F采用灰度共生矩阵提取图像纹理特征，其实现如下：(1a)选择4个离散的方向：0°，45°，90°和135°，在待分类图像F中提取以每个像素点为中心的15×15大小的像素块在这4个方向的4个共生矩阵；(1b)对每个共生矩阵计算能量、熵、惯性矩和相关性这4个纹理参数，并取每个纹理参数的在(1a)所选4个方向上的均值，组成大小为1×4的向量作为被提取一个像素点的纹理特征向量；(1c)将所有像素点的纹理特征向量按照原图像素点的位置进行合并，得到与待分类图像F相同尺寸的4通道纹理特征矩阵F1。3.根据权利要求1所述的方法，其特征在于，步骤(2)中对待分类的图像F采用gabor滤波器提取小波特征，其实现如下：(2a)取方向数取4、尺度数为1的gabor滤波器组，通过该滤波器组对待分类图像F进行滤波，得到4幅滤波后的特征图像，(2b)将这4张滤波后的特征图像进行通道方向的合并，得到与待分类图像F相同尺寸的4通...

【专利技术属性】
技术研发人员：侯彪，焦李成，张永昌，马晶晶，马文萍，王爽，白静，
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