一种图像分类方法、装置及存储介质制造方法及图纸

本申请提供一种图像分类方法、装置及存储介质，涉及图像处理技术领域，用于解决如何对极化SAR采集的极化SAR图像进行准确、有效的分类的技术问题。该图像分类方法包括：获取待分类极化合成孔径雷达SAR图像；将待分类极化SAR图像输入到预先训练好的复值双路孪生U

【技术实现步骤摘要】
一种图像分类方法、装置及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种图像分类方法、装置及存储介质。

技术介绍

[0002]极化合成孔径雷达(Synthetic Aperture Radar，SAR)可以采用多通道、多频率的成像方式，在各种条件下不分昼夜的对地形进行监测，具有很强的地物识别能力。
[0003]因此，如何对极化SAR采集的极化SAR图像进行准确、有效的分类是目前亟需解决的技术问题。

技术实现思路

[0004]本申请提供一种图像分类方法、装置及存储介质，用于解决现有的方法进行网络容量的评估时，获得的评估结果准确率较低的技术问题。
[0005]为达到上述目的，本申请采用如下技术方案：
[0006]第一方面，提供一种图像分类方法，包括：
[0007]获取待分类极化合成孔径雷达SAR图像；
[0008]将待分类极化SAR图像输入到预先训练好的复值双路孪生U
‑
Net网络CV
‑
DURN模型中，以得到待分类极化SAR图像的分类结果；C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：获取待分类极化合成孔径雷达SAR图像；将所述待分类极化SAR图像输入到预先训练好的复值双路孪生U
‑
Net网络CV
‑
DURN模型中，以得到所述待分类极化SAR图像的分类结果；所述CV
‑
DURN模型包括至少两个网络结构相同的复值残差U
‑
Net网络CV
‑
URN模型；所述CV
‑
URN模型包括：多个复值扩张残差网络模块；不同的复值扩张残差网络模块共享网络参数相同的复值卷积核。2.根据权利要求1所述的图像分类方法，其特征在于，还包括：获取训练集和测试集；所述训练集包括：用于模型训练的极化SAR训练图像的图像训练特征和所述极化SAR训练图像的标记训练特征；所述测试集包括：用于模型测试的极化SAR测试图像的图像测试特征和所述极化SAR测试图像的标记测试特征；将所述训练集输入到待训练的CV
‑
DURN模型中，以得到所述训练集的分类结果；根据所述训练集的分类结果与所述测试集的对比结果、损失函数，对所述待训练的CV
‑
DURN模型进行模型训练，以得到所述训练好的CV
‑
DURN模型。3.根据权利要求2所述的图像分类方法，其特征在于，还包括：初始化复值卷积核并构建多个复值卷积层；根据初始化后的复值卷积核，对所述多个复值卷积层进行级联，以得到所述多个待训练的复值扩张残差网络模块；不同的待训练的复值扩张残差网络模块共享所述初始化后的复值卷积核；根据所述多个待训练的复值扩张残差网络模块，构建至少两个待训练的CV
‑
URN模型；根据所述至少两个待训练的CV
‑
URN模型，构建所述待训练的CV
‑
DURN模型。4.根据权利要求2所述的图像分类方法，其特征在于，所述获取训练集和测试集，包括：获取样本极化SAR图像和所述样本极化SAR图像的样本标记矩阵；提取所述样本极化SAR图像中，每个像素的极化相干矩阵；基于所述极化相干矩阵的矩阵主对角线，提取所述每个像素的极化相干矩阵中的三角元素；对所述每个像素的三角元素进行归一化处理，以得到所述样本极化SAR图像的图像矩阵；对所述图像矩阵和所述样本标记矩阵进行切块处理，以得到所述图像矩阵对应的第一数据集和所述样本标记矩阵对应的第二数据集；基于随机算法，对所述第一数据集进行随机排序，以得到排序后的第一数据集，以及基于所述随机算法，对所述第二数据集进行随机排序，以得到排序后的第二数据集；将所述排序后的第一数据集中的前n个数据集和所述排序后的第二数据集中的前n个数据集确定为所述训练集；将所述排序后的第一数据集中，除所述前n个数据集以外的数据集和所述排序后的第二数据集中，除所述前n个数据集以外的数据集确定为所述测试集。5.一种图像分类装置，其特征在于，包括：获取单元和处理单元；所述获取单元，用于获取待分类极化合成孔径雷达SAR图像；所述处理单元，用于将所述待分类极化SAR图像输入到预先训练好的复值双路孪生U
‑
Net网络CV
‑
DURN模型中，以得到所述待分类极化SAR图像的分类结果；所述CV
‑
...

【专利技术属性】
技术研发人员：田敏，刘靓，吴健，李瑞阳，张辉，
申请(专利权)人：联通数字科技有限公司联通西部创新研究院有限公司，
类型：发明
国别省市：