基于复数NSCT神经网络和统计特征的极化SAR图像分类方法技术

本发明专利技术公开了一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，包括：对待分类的极化SAR图像进行预处理，并将其分为训练集和测试集；构建复数NSCT神经网络，并设置网络参数；复数NSCT神经网络包括复空域特征学习模块、复频域NSCT特征学习模块、统计特征集成模块以及分类模块；将训练集输入到复数NSCT神经网络中，对网络进行训练；利用训练好的复数NSCT神经网络对测试集进行分类，以获得极化SAR图像分类结果。该方法缓解了斑点噪声对纹理信息提取的干扰，增强了图像特征的方向性、奇异性和正则性的稀疏表示，提升了网络的分类能力和逼近性能，从而提高了极化SAR图像的分类结果。类结果。类结果。

【技术实现步骤摘要】
基于复数NSCT神经网络和统计特征的极化SAR图像分类方法


[0001]本专利技术属于图像处理
，具体涉及一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法。

技术介绍

[0002]极化合成孔径雷达(PolSAR，Polarimetric Synthetic Aperture Radar)是一种多通道相干微波成像系统，通过极化散射矩阵的形式表示地物目标的极化散射特性。由于极化SAR图像具有全天时、全天候和高分辨的优点，在土地覆盖分类等相关任务中具有重要的地位。其中，极化SAR图像分类是当今遥感领域的热门研究课题。
[0003]传统的极化SAR图像分类方法包括基于极化散射特性的方法和基于统计特性的方法。前者通过极化目标分解提取目标的极化散射特性，如Pauli分解、Freeman分解等。然后将获得的特征送入分类器进行分类，常用的分类器有Wishart分类器、支持向量机等。后者根据极化SAR的统计分布特性对图像进行分类。例如，Kong等人于1988年针对单视极化SAR提出复高斯分布的最大似然分类器(Kong J A,Swartz AA,Yueh H A,et al.Identification of terrain cover using the optimum polarimetric classifier[J].Journal of Electromagnetic Waves and Applications,1988,2(2):171
‑
94.)。Lee等人于1994年针对多视极化SAR数据建立了基于Wishart分布的最大似然分类器(Lee J S,Grunes M R,Kwok R.Classification of multi
‑
look polarimetric SAR imagery based on complex Wishart distribution[J].International Journal of Remote Sensing,1994,15(11):2299
‑
311.)。后续的研究都是在这两种框架下发展而来的。然而，传统的极化SAR图像分类方法根据人工经验设计的浅层特征，无法充分地表征目标像素点的地物属性和邻域相关性。而且随着极化SAR空间分辨率的提高，其计算成本也相应增加。
[0004]近年来，卷积神经网络(Convolutional Neural Networks，CNN)由于其强大的特征提取和抽象能力，在遥感图像分类任务上取得了显著的分类性能。
[0005]然而，现有的基于卷积神经网络的遥感图像分类方法还存在以下局限性：1、为了增加网络模型的学习能力，需要通过网络的层数和神经元个数，这样就引入了大量的参数进行学习和调节，同时增加了时间成本；而样本数不足则会导致网络的过拟合现象，降低分类的准确率。2、CNN的参数是随机初始化的，当输入图像的背景比较复杂时容易陷入局部最优。3、CNN对于数据结构信息的表征具有一定的局限性。特别是具有复值相位信息的极化SAR图像。4、CNN缺乏对图像的频域信息的挖掘，由于CNN在空域中对图像的像素矩阵进行学习，单一的特征空间无法充分地对图像特征进行表示，忽略了频域中的多尺度、多方向特性。
[0006]因此，如何根据极化SAR图像的特性，利用空域的CNN和频域的多尺度、多分辨分析充分挖掘图像的有效表征，成为提高极化SAR图像分类模型性能的关键。

技术实现思路

[0007]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0008]一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，包括：
[0009]步骤1：对待分类的极化SAR图像进行预处理，并将其分为训练集和测试集；
[0010]步骤2：构建复数NSCT神经网络，并设置网络参数；所述复数NSCT神经网络包括复空域特征学习模块、复频域NSCT特征学习模块、统计特征集成模块以及分类模块；其中，
[0011]所述复空域特征学习模块用于对输入图像进行特征提取，得到空域特征图；
[0012]所述复频域NSCT特征学习模块用于对输入图像进行非下采样Contourlet变换，并对得到的NSCT分解系数图进行特征提取，得到频域特征图的高维表示；
[0013]所述统计特征集成模块用于对所述NSCT分解系数图进行分析，以获得NSCT分解系数的统计特征；
[0014]所述分类模块用于对空域特征图和频域特征图进行级联，并将级联结果与所述NSCT分解系数的统计特征结合起来进行分类；
[0015]步骤3：将所述训练集输入到所述复数NSCT神经网络中，对网络进行训练；
[0016]步骤4：利用训练好的复数NSCT神经网络对所述测试集进行分类，以获得极化SAR图像分类结果。
[0017]本专利技术的有益效果：
[0018]1、本专利技术构建的具有空域分支和频域分支的复值NSCT神经网络，将基于多分辨的非下采样Contourlet变换的频域分支集成到空域的复值卷积神经网络中，综合了空域的复值卷积网络和频域的NSCT特征学习的优势，能够充分地对图像进行多尺度、多方向、多分辨表征，增强了图像特征的方向性、奇异性和正则性的稀疏表示，实现了具有少量可训练参数的浅层网络结构，提升了网络的分类能力和逼近性能，从而得到了比单一域更好的分类结果；
[0019]2、本专利技术设计的网络结构能够充分利用极化SAR图像的相位信息，将网络模型中的卷积、激活函数、池化、BP算法以及NSCT的特征分解扩展至复数域，同时，提出的统计特征集成模块能够进一步将NSCT分解系数的统计特征向量集成到网络中，以增强特征学习的可分辨性和极化SAR图像的分类精度；
[0020]3、本专利技术基于NSCT技术设计了的复数NSCT神经网络，NSCT以“长条形”的基函数逼近奇异曲线，凭借其过完备变换和紧凑的表达能力，很好地保留了图像的边缘和纹理细节信息，从而增加了网络模型的几何变换和特征感知能力，提升了模型的逼近性能；
[0021]4、本专利技术使用NSCT的滤波器初始化网络的频域分支，相比于传统的随机初始化，避免了当输入图像的背景比较复杂时陷入局部最优，同时NSCT核增加了网络模型的可解释性。
[0022]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0023]图1是本专利技术实施例提供的一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法的流程示意图；
[0024]图2是本专利技术实施例提供的复数NSCT神经网络的结构示意图；
[0025]图3是仿真实验中待分类数据集Flevoland的RGB伪彩图像与相应的标注图像；
[0026]图4是仿真实验中待分类数据集Xi
’
an的RGB伪彩图像与相应的标注图像；...

【技术保护点】

【技术特征摘要】
1.一种基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，其特征在于，包括：步骤1：对待分类的极化SAR图像进行预处理，并将其分为训练集和测试集；步骤2：构建复数NSCT神经网络，并设置网络参数；所述复数NSCT神经网络包括复空域特征学习模块、复频域NSCT特征学习模块、统计特征集成模块以及分类模块；其中，所述复空域特征学习模块用于对输入图像进行特征提取，得到空域特征图；所述复频域NSCT特征学习模块用于对输入图像进行非下采样Contourlet变换，并对得到的NSCT分解系数图进行特征提取，得到频域特征图的高维表示；所述统计特征集成模块用于对所述NSCT分解系数图进行分析，以获得NSCT分解系数的统计特征；所述分类模块用于对空域特征图和频域特征图进行级联，并将级联结果与所述NSCT分解系数的统计特征结合起来进行分类；步骤3：将所述训练集输入到所述复数NSCT神经网络中，对网络进行训练；步骤4：利用训练好的复数NSCT神经网络对所述测试集进行分类，以获得极化SAR图像分类结果。2.根据权利要求1所述的基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，其特征在于，步骤1包括：11)获取待分类的极化SAR图像和对应的标记矩阵，提取每个像素的相干矩阵的上三角元素构成6维复值向量，并对每个向量进行Z
‑
score归一化；12)对归一化后的极化SAR图像进行滑窗操作得到图像块，并将目标像素对应的标签作为对应图像块的标签；13)将得到的数据集随机打乱，并将其按比例分为训练集和测试集。3.根据权利要求1所述的基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，其特征在于，在步骤2中，构建复空域特征学习模块包括：设置一个第一卷积层和一个第一池化层，以对输入图像进行特征提取，得到空域特征图。4.根据权利要求3所述的基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，其特征在于，在所述复空域特征学习模块中，所述第一卷积层的卷积核大小为3
×3×
6，步长为1；所述第一池化层的核大小为2
×
2，步长为1。5.根据权利要求1所述的基于复数NSCT神经网络和统计特征的极化SAR图像分类方法，其特征在于，在步骤2中，构建复频域NSCT特征学习模块包括：设置尺度滤波器和方向滤波器的类型以及分解的子带个数，以形成NS...

【专利技术属性】
技术研发人员：刘梦琨，焦李成，刘芳，刘旭，李玲玲，郭雨薇，陈璞花，杨淑媛，侯彪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：