一种像素级统计描述学习的SAR图像分类方法技术

本发明专利技术公开了一种像素级统计描述学习的SAR图像分类方法，包括：S1、将目标SAR图像输入SAR图像分类模型；S2、SAR图像分类模型中的判别子网络提取目标SAR图像的像素级统计描述特征；S3、SAR图像分类模型中的模式子网络提取目标SAR图像的结构模式描述特征；S4、SAR图像分类模型中的融合模块将像素级统计描述特征和结构模式描述特征融合得到目标SAR图像的图像描述特征；S5、SAR图像分类模型中的Softmax层基于图像描述特征生成目标SAR图像的分类结果。本发明专利技术能够解决SAR图像分析时存在的泛化能力不高和稳健性不足的问题。

【技术实现步骤摘要】
一种像素级统计描述学习的SAR图像分类方法
本专利技术涉及图像处理
，具体涉及一种像素级统计描述学习的SAR图像分类方法。
技术介绍
合成孔径雷达(SyntheticApertureRader,SAR)是现代雷达信号处理
发展较早的一个研究方向，是一种主动式微波遥感成像系统，其广泛应用于军事和民用领域。SAR系统可同时获得包括幅度和相位信息的地物目标回波信号，该回波信号携带丰富的目标信息。SAR图像解译技术是分析SAR图像信息的重要手段，而随着SAR成像系统的持续发展和数据获取能力的提升，对海量SAR数据的分析与解译成为了研究热点。传统的SAR图像分类方法有图像统计建模以及纹理分析等方法。图像统计建模类方法通常基于贝叶斯决策理论框架实现SAR图像分类，典型的如：Weibull分布，对数高斯分布以及K分布等。但由于其自由度有限，该类分布在拟合非高斯分布的SAR数据方面仍然存在不足。纹理分析类方法则是通过提取SAR图像的纹理特征实现图像分类，在该类方法的研究中，基于传统纹理分析方法得到的特征通常是一种具有低层或中层语义的特征，其本文档来自技高网...

【技术保护点】
1.一种像素级统计描述学习的SAR图像分类方法，其特征在于，包括：/nS1、将目标SAR图像输入SAR图像分类模型；/nS2、SAR图像分类模型中的判别子网络提取目标SAR图像的像素级统计描述特征z

【技术特征摘要】
1.一种像素级统计描述学习的SAR图像分类方法，其特征在于，包括：
S1、将目标SAR图像输入SAR图像分类模型；
S2、SAR图像分类模型中的判别子网络提取目标SAR图像的像素级统计描述特征zps；
S3、SAR图像分类模型中的模式子网络提取目标SAR图像的结构模式描述特征zpa；
S4、SAR图像分类模型中的融合模块将像素级统计描述特征zps和结构模式描述特征zpa融合得到目标SAR图像的图像描述特征z；
S5、SAR图像分类模型中的Softmax层基于图像描述特征生成目标SAR图像的分类结果。


2.如权利要求1所述的像素级统计描述学习的SAR图像分类方法，其特征在于，步骤S2包括：
S201、基于下式提取目标SAR图像的像素值均值μx和像素值标准差σx：



式中，xi表示目标SAR图像的第i个像素点的像素值，n表示目标SAR图像的像素点个数；
S202、基于下式对μx和σx进行尺度和平移变换得到对应的特征zμ和zσ：
zμ＝wμμx+bμ
zσ＝wσσx+bσ
式中，zμ∈V，zσ∈V，V为高维映射空间；wμ和bμ分别表示μx对应的尺度和平移变换向量，wμ＝[wμ1,wμ2,...,wμD]T，bμ＝[bμ1,bμ2,...,bμD]T，bμd和wμd分别表示μx的第d个值对应的尺度和平移变换参数，d＝1,2,…,D，D表示μx的最大维度；wσ和bσ分别表示σx对应的尺度和平移变换参数，wσ＝[wσ1,wσ2,...,wσD]T，bσ＝[bσ1,bσ2,...,bσD]T，bσd和wσd分别表示σx的第d个值对应的尺度和平移变换参数；
S203、基于下式对zμ和zσ进行自适应优化与非线性处理，生成像素级统计描述特征zps：



式中，ReLU(·)为修正线性激活单元函数，和分别表示zps对应的权值矩阵和偏置矢量，表示M维线性空间，表示M×2D维线性空间。


3.如权利要求1所述的像素级统计描述学习的SAR图像分...

【专利技术属性】
技术研发人员：刘新龙，张于凡，蒋仕新，李韧，王笛，张廷萍，杨建喜，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆;50