31441一尾中特平:一種基于ACGAN的極化SAR圖像分類方法技術

技術編號:21185427 閱讀:41 留言:0更新日期:2019-05-22 16:03
本發明專利技術公開了一種基于ACGAN的極化SAR圖像分類方法,對極化散射矩陣進行Pauli分解,構建基于像素點的特征矩陣;然后將特征矩陣中的每個元素用其鄰域的圖像塊進行替換,獲取基于圖像塊的特征矩陣;再利用基于圖像塊的特征矩陣構造訓練數據集,使用訓練數據集對ACGAN網絡模型進行訓練,得到像素級的分類結果;最后將特征矩陣轉化為RGB偽彩色圖,利用SLIC超像素算法將圖像劃分為K個超像素區域;結合像素級分類結果和超像素塊,優化最終分類結果。本發明專利技術充分利用了極化SAR數據的極化散射信息和空間鄰域信息,并利用帶有輔助分類器的生成對抗網絡相互競爭對抗訓練,使得分類器能更有效的提取分類特征,獲得較高的分類精度。

A Polarized SAR Image Classification Method Based on ACGAN

572222一尾中特平 www.fbmtd.icu The invention discloses a polarimetric SAR image classification method based on ACGAN, which decomposes polarimetric scattering matrix by Pauli decomposition and constructs a feature matrix based on pixels; then replaces each element of the feature matrix with its neighborhood image blocks to obtain the feature matrix based on image blocks; and then constructs training data sets by using the feature matrix based on image blocks, and uses the training data sets. The ACGAN network model is trained to get the classification results at the pixel level. Finally, the feature matrix is transformed into RGB pseudo-color image, and the image is divided into K super-pixel regions using SLIC super-pixel algorithm. The final classification results are optimized by combining the classification results at the pixel level and the super-pixel blocks. The method makes full use of polarimetric scattering information and spatial neighborhood information of polarimetric SAR data, and uses generation antagonism network with auxiliary classifier to compete with each other for antagonism training, so that the classifier can extract classification features more effectively and obtain higher classification accuracy.

【技術實現步驟摘要】
一種基于ACGAN的極化SAR圖像分類方法
本專利技術屬于圖像處理
,具體涉及一種基于ACGAN(AuxiliaryClassifierGAN)的極化合成孔徑雷達SAR(SyntheticApertureRadar)圖像分類方法,本專利技術可應用于極化SAR圖像的地物分類和目標識別等任務。
技術介紹
極化SAR是一種多參數、多通道的遙感成像系統,具有全天時、全天候、分辨率高、大面積覆蓋等優點,可獲得目標更為豐富的信息,被廣泛應用于遙感和地圖測繪等領域。極化SAR地物分類是一種解譯極化SAR數據的重要方式,通過利用機載或者星載極化SAR傳感器獲得的極化測量數據確定其中每一個像素點所屬的地物類型,在林業、農業、軍事和海洋等方面具有廣泛的應用。現有方法對地物分類結果圖的區域一致性不好,噪聲塊較多,達不到很高的分類精度。并且由于未利用極化SAR數據的局部空間關聯信息,分類結果精度不高。
技術實現思路
本專利技術所要解決的技術問題在于針對上述現有技術中的不足,提供一種基于ACGAN的極化SAR圖像分類方法,通過利用帶有輔助分類器的生成對抗網絡相互競爭對抗訓練,充分利用極化SAR數據信息,使得分類器能更有效的提取分類特征,以解決現有技術中存在的圖像分類準確率低的技術問題。本專利技術采用以下技術方案:一種基于ACGAN的極化SAR圖像分類方法,對極化散射矩陣S進行Pauli分解,構建基于像素點的特征矩陣F;然后將特征矩陣F中的每個元素用其鄰域的圖像塊進行替換,獲取基于圖像塊的特征矩陣F1;再利用基于圖像塊的特征矩陣F1構造訓練數據集T,使用訓練數據集T對ACGAN網絡模型進行訓練,將數據集F1輸入訓練好的模型,得到像素級的分類結果;最后將特征矩陣F轉化為RGB偽彩色圖,利用SLIC超像素算法將圖像劃分為K個超像素區域;結合像素級分類結果和超像素塊,優化最終分類結果。具體的,基于像素點的特征矩陣F具體為:其中,a為奇次散射系數,b為偶次散射系數,c為體散射系數,SHH、SVV為共極化分量,SHV為交叉極化分量。進一步的,構建基于像素點的特征矩陣F的步驟如下:S101、設置Pauli基{S1,S2,S3};S102、由Pauli分解定義得到S如下:其中,S1表示奇次散射,S2表示偶次散射,S3表示體散射;S103、通過步驟S101和S102得到奇次散射系數a,偶次散射系數b,體散射系數c,將a、b、c作為極化SAR圖像的三維圖像特征矩陣F。更進一步的,Pauli基{S1,S2,S3}具體為:具體的,特征矩陣F中的每個元素用其鄰域28×28的圖像塊進行替換,獲取基于圖像塊的特征矩陣F1。具體的,利用基于圖像塊的特征矩陣F1構造訓練數據集T的步驟如下:S301、極化SAR圖像地物共分為5類,取每一個像素周圍28×28的圖像塊代表此像素點,該像素點的類標作為圖像塊的類標,分別存入對應的類別C1、C2、C3、C4、C5中;S302、從步驟S301的C1、C2、C3、C4、C5中隨機選取5%的像素點生成訓練數據集T。具體的,使用訓練數據集T對ACGAN網絡模型進行訓練的步驟如下:S401、設置ACGAN模型中的生成器G的結構如下:100維的噪聲與5維的標簽數據連接成105維的數據作為輸入,通過兩個全連接層后進行維度轉換成(7,7,128)的三維張量,再經過兩個濾波器尺寸為3的反卷積層,輸出層輸出(28,28,3)大小的偽彩色圖;S402、設置ACGAN模型中的判別器D的結構如下:輸入一張(28,28,3)的樣本數據,經過兩個濾波器尺寸為3的卷積層,再通過兩個全連接層后,輸出1維的結果;S403、設置ACGAN模型中的輔助分類器C的結構如下:將判別器中第一全連接的輸出作為輔助分類器的輸入,通過兩個全連接層后,輸出5維的結果;S404、向ACGAN模型的生成器G中輸入100維的均勻噪聲,將訓練數據集T及生成器G的輸出分別輸入到ACGAN模型的判別器D中;通過生成器G和判別器D相互競爭對抗學習訓練,生成器學得訓練樣本數據的分布,判別器分辨輸入真假,輔助分類器完成判別器輸入樣本的類別分類。具體的,利用SLIC超像素算法將圖像劃分為K個超像素區域的步驟如下:S601、按照預先設定的超像素個數K,在圖像內均勻的生成K個種子點,假設圖片共有N個像素點,相鄰種子點的距離近似為S602、在每個種子點周圍2s×2s鄰域內搜索距離該種子點最近的若干像素,將他們與該種子點歸為同一類,計算這K個超像素區域內所有像素點的平均向量值,將其作為新的聚類中心;S603、重復步驟S601和S602直到誤差收斂,即每個超像素區域的聚類中心不再變化為止。進一步的,步驟S601中,求解種子點在3×3的鄰域內所有像素點的梯度值,將種子點移到該鄰域內梯度最小的地方。具體的,結合像素級分類結果和超像素區域,在每個超像素區域內采用多數投票準則,該區域內出現次數最多的標簽極為整個超像素區域的標簽,輸出最終的分類結果。與現有技術相比,本專利技術至少具有以下有益效果:本專利技術一種基于ACGAN的極化SAR圖像分類方法,首先通過構建基于圖像塊的極化SAR圖像特征,有效的利用了該像素點及其空間鄰域信息;再利用ACGAN模型和超像素的方法,提高圖像特征的表示能力,消除區域內錯分的孤立點,能夠獲得較高的分類精度,可以應用于極化合成孔徑雷達SAR圖像地物分類。進一步的,利用Pauli分解系數構建特征矩陣的優點在于,Pauli基作為完備正交基,具有一定的抗噪性,即使在有噪聲或去極化效應的情況下,仍能用它進行分解得到分解系數。進一步的,特征矩陣F中的每個元素用其鄰域28×28的圖像塊進行替換可以充分利用了該像素點及其空間鄰域信息,加強極化SAR數據的局部空間關聯性。進一步的,構造訓練數據集T時采用隨機選取5%的樣本,可以提高訓練樣本的代表性,有利于訓練模型學到數據的全面特征。進一步的,使用訓練數據集T對ACGAN網絡模型進行訓練,通過生成器G和判別器D相互競爭對抗學習訓練,提高模型的特征提取能力,生成器學得訓練樣本數據的分布,判別器分辨輸入真假,輔助分類器完成判別器輸入樣本的類別分類。進一步的,利用SLIC超像素算法將圖像劃分為K個超像素區域,可以獲得較為緊湊且有規則的超像素塊,每個超像素塊具有更直觀的鄰域特征表達。進一步的,在每個超像素區域內采用多數投票準則優化分類結果,充分考慮像素鄰域的分類結果,可以有效降低分類結果噪聲點的數量,消除區域內錯分的孤立點,提高區域一致性。綜上所述,本專利技術將極化SAR數據的像素級特征擴展為圖像塊特征,充分利用了極化SAR數據的極化散射信息和空間鄰域信息,并通過利用帶有輔助分類器的生成對抗網絡相互競爭對抗訓練,使得分類器能更有效的提取分類特征,獲得較高的分類精度。下面通過附圖和實施例,對本專利技術的技術方案做進一步的詳細描述。附圖說明圖1為本專利技術的流程示意圖;圖2為本專利技術中對待分類圖像的人工標記圖;圖3為用本專利技術對待分類圖像的分類結果圖。具體實施方式本專利技術提供了一種基于ACGAN的極化SAR圖像分類方法,對極化散射矩陣S進行Pauli分解,構建基于像素點的特征矩陣F;然后將特征矩陣F中的每個元素用其鄰域的圖像塊進行替換,獲取基于圖像塊的特征矩陣F1;再利用基于圖像塊的特征矩陣本文檔來自技高網...

【技術?;さ恪?/strong>
1.一種基于ACGAN的極化SAR圖像分類方法,其特征在于,對極化散射矩陣S進行Pauli分解,構建基于像素點的特征矩陣F;然后將特征矩陣F中的每個元素用其鄰域的圖像塊進行替換,獲取基于圖像塊的特征矩陣F1;再利用基于圖像塊的特征矩陣F1構造訓練數據集T,使用訓練數據集T對ACGAN網絡模型進行訓練,將數據集F1輸入訓練好的模型,得到像素級的分類結果;最后將特征矩陣F轉化為RGB偽彩色圖,利用SLIC超像素算法將圖像劃分為K個超像素區域;結合像素級分類結果和超像素塊,優化最終分類結果。

【技術特征摘要】
1.一種基于ACGAN的極化SAR圖像分類方法,其特征在于,對極化散射矩陣S進行Pauli分解,構建基于像素點的特征矩陣F;然后將特征矩陣F中的每個元素用其鄰域的圖像塊進行替換,獲取基于圖像塊的特征矩陣F1;再利用基于圖像塊的特征矩陣F1構造訓練數據集T,使用訓練數據集T對ACGAN網絡模型進行訓練,將數據集F1輸入訓練好的模型,得到像素級的分類結果;最后將特征矩陣F轉化為RGB偽彩色圖,利用SLIC超像素算法將圖像劃分為K個超像素區域;結合像素級分類結果和超像素塊,優化最終分類結果。2.根據權利要求1所述的基于ACGAN的極化SAR圖像分類方法,其特征在于,基于像素點的特征矩陣F具體為:其中,a為奇次散射系數,b為偶次散射系數,c為體散射系數,SHH、SVV為共極化分量,SHV為交叉極化分量。3.根據權利要求2所述的基于ACGAN的極化SAR圖像分類方法,其特征在于,構建基于像素點的特征矩陣F的步驟如下:S101、設置Pauli基{S1,S2,S3};S102、由Pauli分解定義得到S如下:其中,S1表示奇次散射,S2表示偶次散射,S3表示體散射;S103、通過步驟S101和S102得到奇次散射系數a,偶次散射系數b,體散射系數c,將a、b、c作為極化SAR圖像的三維圖像特征矩陣F。4.根據權利要求3所述的基于ACGAN的極化SAR圖像分類方法,其特征在于,Pauli基{S1,S2,S3}具體為:5.根據權利要求1所述的基于ACGAN的極化SAR圖像分類方法,其特征在于,特征矩陣F中的每個元素用其鄰域28×28的圖像塊進行替換,獲取基于圖像塊的特征矩陣F1。6.根據權利要求1所述的基于ACGAN的極化SAR圖像分類方法,其特征在于,利用基于圖像塊的特征矩陣F1構造訓練數據集T的步驟如下:S301、極化SAR圖像地物共分為5類,取每一個像素周圍28×28的圖像塊代表此像素點,該像素點的類標作為圖像塊的類標,分別存入對應的類別C1、C2、C3、C4、C5中;S302、從步驟S301的C1、C2、C3、C4、C5中隨機選取5%的像素點生成訓練數據集T。7.根據權利要求1所述的基于ACGA...

【專利技術屬性】
技術研發人員:侯彪,焦李成,聶惠敏,馬晶晶,馬文萍,白靜,
申請(專利權)人:西安電子科技大學,
類型:發明
國別省市:陜西,61

網友詢問留言 已有0條評論
  • 還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。

1
龙虎和时时彩骗局 江西时时彩走势图 北京时时是正规的 财神捕鱼网址下载 官方牛牛现金版 pk10模式长期稳赚简单 安徽时时遗漏 欢乐生肖综合走势图 福利彩票投注时间截止 百盈快三骗局 大乐透复式14加2多少钱 360票新时时 老时时彩历史开奖号码 二八杠游戏作弊器下载 五星不定位1码玩法 彩票走势图 大赢家