CN107944370A - 基于dccgan模型的极化sar图像分类方法 - Google Patents
基于dccgan模型的极化sar图像分类方法 Download PDFInfo
- Publication number
- CN107944370A CN107944370A CN201711143547.7A CN201711143547A CN107944370A CN 107944370 A CN107944370 A CN 107944370A CN 201711143547 A CN201711143547 A CN 201711143547A CN 107944370 A CN107944370 A CN 107944370A
- Authority
- CN
- China
- Prior art keywords
- rewinding
- lamination
- classification
- dccgan
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于DCCGAN的极化SAR图像分类方法,其实现步骤为:(1)输入图像;(2)预处理数据;(3)特征矩阵归一化及取块;(4)构造数据集;(5)构造DCCGAN模型;(6)训练DCCGAN模型;(7)构造判别分类网络模型并初始化模型;(8)训练判别分类网络模型;(9)预测分类。本发明无需对极化合成孔径雷达SAR图像的极化目标进行分解,可直接从极化散射矩阵中提取特征,充分利用极化合成孔径雷达SAR图像的丰富信息,有效地提高了极化合成孔径雷达SAR图像的分类精度。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及极化合成孔径雷达图像地物分类技术领域中的一种基于深度复卷积生成式对抗网络DCCGAN(Deep Complex ConvolutionalGenerative Adversarial Network)模型的极化合成孔径雷达SAR(Synthetic ApertureRadar)图像分类方法。本发明可用于对极化SAR图像中的地物目标进行分类,能有效的提高极化SAR图像分类的精度,可用于目标识别与跟踪定位。
背景技术
极化SAR是一种高分辨率主动式有源微波遥感成像雷达,具有全天候、全天时、分辨率高、可侧视成像等优点,能获得目标更丰富的信息。极化SAR图像分类的目的是利用机载或者星载极化SAR传感器获得的极化测量数据确定每个像素所属的类别,在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值。
西安电子科技大学在其申请的专利文献“一种基于DCGAN的极化SAR图像分类方法”(专利申请号:201710440090.X,公开号:CN107292336A)中提出一种基于DCGAN(DeepConvolutional Generative Adversarial Network)的极化SAR图像分类方法。该方法实现步骤为:(1)对极化数据进行Pauli分解得到3个极化散射特征形成伪彩图;(2)对伪彩图进行取块组成基于图像块数据集;(3)将大量无标记数据集输入DCGAN网络进行无监督训练,得到训练好的训练网络模型DCGAN;(4)利用训练好的DCGAN中的判别器D,更换判别器最后一层二分类器为softmax分类器,形成判别分类网络模型;(5)将少量有标记样本集输入判别分类网络模型进行有监督训练;(6)最后输入测试集到判别分类网络中进行分类。该方法存在的不足之处是,该方法通过pauli分解提取散射特征,未考虑到原始极化SAR复数数据的丰富信息,忽略了图像某些相位信息,导致图像信息利用不充分,不能很好地将图像边缘检测出来,结果达不到很高的分类精度。
Liu F等人在其发表的论文“POL-SAR Image Classification Based on WishartDBN and Local Spatial Information”(IEEE Transactions on Geoscience&RemoteSensing,2016,54(6):3292-3308.)中提出了一种WishartDBN(Deep-belif-Network)模型的极化SAR分类方法。该方法首先进行极化目标分解从极化相干矩阵得到极化散射特征,然后将这些散射特征输入到DBN模型中进行高级特征提取,最后完成分类。其中,DBN能够完成从低层次到高层次的特征提取。DBN完成特征学习的前提,是假设数据服从高斯分布,但由极化目标分解提取的散射特征服从的是Wishart分布。因此,将极化散射特征服从的Wishart分布引入DBN,来完成特征学习,可以学习到更有效的特征,实现更好的分类效果。但是,该方法仍然存在的不足之处是,DBN不适于发掘图像里的局部空间关联信息,并且在初始化权值参数时随机初始化模型参数,导致模型训练速度变慢,很难收敛到全局最优解,得不到很高的准确率。
发明内容
本发明的目的在于针对上述现有技术的不足,提出了一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法。本发明将已有的极化SAR图像分类方法延拓至复数域进行运算,直接处理复数数据,充分利用极化SAR数据的方向信息,更全面细致地描述图像特征,同时增强模型的泛化能力,从而有效地提高极化SAR图像的分类精度。
实现本发明的技术思路是:首先,对极化合成孔径雷达SAR图像进行预处理并构造数据集;其次,搭建并训练深度复卷积生成式对抗网络DCCGAN模型;然后,搭建并训练判别分类网络模型;最后,用训练好的判别分类网络模型对极化合成孔径雷达SAR图像进行分类。
实现本发明目的的具体步骤如下:
(1)输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像;
(2)预处理数据:
采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征,得到极化SAR图像的8维实数特征矩阵;
(3)特征矩阵归一化及取块;
将特征矩阵中的元素值归一化到[0,1]之间,得到归一化后的特征矩阵,对归一化后的特征矩阵按步长为1的滑窗取块,得到1560000个32×32的特征矩阵块,将所有特征矩阵块组成基于特征矩阵块的数据集;
(4)构造数据集:
(4a)在所有特征矩阵块中随机选取8%的特征矩阵块,组成无标签训练数据集;
(4b)在有标记的特征矩阵块的每个类别中随机选取5%的特征矩阵块,组成有标签训练数据集;
(4c)将选取有标签训练数据集后剩余的所有特征矩阵块,组成测试数据集;
(5)构造深度复卷积生成式对抗网络DCCGAN模型:
(5a)搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G;
(5b)搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D;
(5c)将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型;
(6)训练深度复卷积生成式对抗网络DCCGAN模型:
将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中,对该模型进行训练,得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型;
(7)构造判别分类网络模型并初始化模型:
(7a)构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型;
(7b)利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重,初始化判别分类网络模型对应复卷积层的参数,用(0,1)区间的随机数初始化softmax分类器的参数;
(8)训练判别分类网络模型:
(8a)将有标签训练数据集输入到判别分类网络模型中,更新softmax分类器参数,得到训练好的softmax分类器;
(8b)将有标签训练数据集输入到判别分类网络模型中,更新整个判别分类网络模型参数,得到训练好的判别分类网络模型;
(9)预测分类:
利用训练好的判别分类网络模型,对待分类的极化SAR图像进行分类,得到极化SAR图像的像素类别。
本发明与现有技术相比较,具有以下优点:
第一,本发明构造了一个深度复卷积生成式对抗网络DCCGAN模型,通过该模型无需对极化合成孔径雷达SAR图像的极化目标进行分解,可直接从极化散射矩阵中提取特征,克服了现有技术采用极化目标分解后再提取特征,导致的极化合成孔径雷达SAR图像中某些相位信息被忽略,从而引起极化合成孔径雷达SAR图像分类精度不高的问题,使得本发明具有充分利用极化合成孔径雷达SAR图像的丰富信息的优点,有效地提高了极化合成孔径雷达SAR图像的分类精度。
第二,本发明利用训练好的深度复卷积生成式对抗网络DCCGAN模型的判别器,初始化判别分类网络模型的参数,克服了现有技术由于随机初始化模型参数,导致模型训练速度慢,难以收敛到全局最优解的问题,使得本发明对合成孔径雷达SAR图像分类时加快网络模型的训练速度,快速收敛到全局最优解,提高了极化合成孔径雷达SAR图像的分类效率。
附图说明
图1是本发明的流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的步骤如下:
步骤1,输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像。
步骤2,预处理数据。
采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征,得到极化SAR图像的8维实数特征矩阵。
从下式矩阵每一复数元素中分别提取回波数据的实数数值:
其中,S表示待分类的极化合成孔径雷达SAR图像每一个像素点的极化散射矩阵,[]表示矩阵符号,A表示输入的极化散射矩阵S中垂直方向接收的垂直方向发射的回波数据的实部的实数数值,B表示输入的极化散射矩阵S中垂直方向接收的垂直方向发射的回波数据的虚部的实数数值,i表示虚数单位,C表示输入的极化散射矩阵S中水平方向接收的垂直方向发射的回波数据的实部的实数数值,D表示输入的极化散射矩阵S中水平方向接收的垂直方向发射的回波数据的虚部的实数数值,E表示输入的极化散射矩阵S中垂直方向接收的水平方向发射的回波数据的实部的实数数值,F表示输入的极化散射矩阵S中垂直方向接收的水平方向发射的回波数据的虚部的实数数值,G表示输入的极化散射矩阵S中水平方向接收的水平方向发射的回波数据的实部的实数数值,H表示输入的极化散射矩阵S中水平方向接收的水平方向发射的回波数据的虚部的实数数值;
将得到的A、B、C、D、E、F、G、H 8个实数数值按A、C、E、G、B、D、F、H顺序排列,组成8维的实数特征矩阵。
步骤3,特征矩阵归一化及取块。
将特征矩阵中的元素值归一化到[0,1]之间,得到归一化后的特征矩阵。
常用的归一化方法有:特征线性缩放法、特征标准化和特征白化。
本实例采用特征线性缩放法,即先求出特征矩阵中所有元素值的最大值;再将特征矩阵中的每个元素值均除以最大值,得到归一化后的特征矩阵。
对归一化后的特征矩阵按步长为1的滑窗取块,得到1560000个32×32的特征矩阵块,将所有特征矩阵块组成基于特征矩阵块的数据集。
步骤4,构造数据集。
在所有特征矩阵块中随机选取8%的特征矩阵块,组成无标签训练数据集。
在有标记的特征矩阵块的每个类别中随机选取5%的特征矩阵块,组成有标签训练数据集。
将选取有标签训练数据集后剩余的所有特征矩阵块组成测试数据集。
步骤5,构造深度复卷积生成式对抗网络DCCGAN模型。
第一步,搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G,其中,每层的参数设置如下:
输入层设置的单元个数为100;
第一个复反卷积层设置的特征映射图数目为256,滤波器尺寸为5;
第二个复反卷积层设置的特征映射图数目为128,滤波器尺寸为5;
第三个复反卷积层设置的特征映射图数目为64,滤波器尺寸为5;
输出层设置的特征映射图数目为8;
第二步,搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D,其中,每层的参数设置如下:
输入层设置的特征映射图数目为8;
第一个复卷积层设置的特征映射图数目为64,滤波器尺寸为5;
第二个复卷积层设置的特征映射图数目为128,滤波器尺寸为5;
第三个复卷积层设置的特征映射图数目为256,滤波器尺寸为5;
二分类器设置的输出单元个数为1;
第三步,将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型。
步骤6,训练深度复卷积生成式对抗网络DCCGAN模型。
将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中,对该模型进行训练,得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型。
将100维的均匀噪声输入到生成器G中,将有标签训练数据集和生成器G的输出同时输入判别器D中,先更新判别器D的参数,再更新生成器G的参数,得到训练好的深度复卷积生成式对抗网络DCCGAN模型。
步骤7,构造判别分类网络模型并初始化模型:
构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型,其中,每层具体参数设置如下:
输入层设置的特征映射图数目为8;
第一个复卷积层设置的特征映射图数目为64,滤波器尺寸为5;
第二个复卷积层设置的特征映射图数目为128,滤波器尺寸为5;
第三个复卷积层设置的特征映射图数目为256,滤波器尺寸为5;
softmax多分类器设置的特征映射图数目为3。
利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重,初始化判别分类网络模型对应复卷积层的参数,用(0,1)区间的随机数初始化softmax分类器的参数。
步骤8,训练判别分类网络模型。
将有标签训练数据集输入到判别分类网络模型中,更新softmax分类器参数,得到训练好的softmax分类器。
训练softmax分类器的具体操作为:将有标签训练数据集输入到判别分类网络模型中,利用判别分类网络模型提取数据集中每个样本的特征,将属于人造目标的类别作为模型的输出,通过求解人造目标的类别与真实的地物标记的正确类别之间的误差并对误差反向传播,更新softmax分类器的参数,得到训练好的softmax分类器。
将有标签训练数据集输入到判别分类网络模型中,更新整个判别分类网络模型参数,得到训练好的判别分类网络模型。
训练判别分类网络模型的具体操作为:将有标签训练数据集输入到判别分类网络模型中,利用判别分类网络模型提取数据集中每个样本的特征,将属于人造目标的类别作为模型的输出,通过求解人造目标的类别与真实的地物标记的正确类别之间的误差并对误差进行反向传播,更新整个判别分类网络模型参数的参数,得到训练好的整个判别分类网络模型参数。
步骤9,预测分类。
利用训练好的判别分类网络模型,对待分类的极化SAR图像进行分类,得到极化SAR图像的像素类别。
下面结合仿真图对本发明效果做进一步的说明:
1、仿真实验条件:
本发明的仿真实验是在主频2.40GHz*16的Intel(R)Xeon(R)E5-2630CPU、内存64GB的硬件环境和TensorFlow的软件环境下进行的。
图2(a)是本发明的仿真实验所使用的待分类的极化SAR图像,该图为德国DLR的ESAR传感器在德国慕尼黑附近的Oberpfaffenhofen小镇获取的L波段全极化数据,图像大小为1300×1200,总像素点个数为1560000个,有标签像素点个数为1374298个。
图2(b)是本发明的仿真实验中用于比对的极化合成孔径雷达SAR真实的地物标记图。图2(b)中的白色代表背景,黑色代表类别1,深灰色代表类别2,浅灰色代表类别3。
2、仿真结果分析:
将分类结果的像素类别与真实地物类别进行对比,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的总准确率,在每一类别中将类别一致的像素个数与该类别的像素个数的比值作为每一类别的分类准确率。本发明的分类总准确率为97.4187%,本发明分类结果如图2(c)所示。在相同仿真实验条件下,将现有技术的基于深度卷积生成式对抗网DCGAN模型的极化SAR分类方法进行仿真实验,得到对比实验分类结果图如图2(d)所示。将本发明和对比实验基于深度卷积生成式对抗网DCGAN模型的极化SAR分类方法的每一类别的准确率进行比较,结果如表1所示。
表1
分类方法 | DCGAN | 本发明 |
类别1(%) | 94.8882 | 95.6611 |
类别2(%) | 95.3774 | 96.4128 |
类别3(%) | 98.4176 | 98.6950 |
总准确率 | 96.9521 | 97.4998 |
由表1可见,本发明的每一类别的准确率均比深度卷积生成式对抗网DCGAN模型的极化SAR分类方法的分类效果好,提高了分类精度。对比图2(b)可知,本发明的结果图中分类结果的区域一致性较好,不同区域划分后的边缘清晰可辨,且保持了细节信息,分类结果图中杂点也比较少。
以上实验表明,本发明通过深度复卷积生成式对抗网络DCCGAN模型对极化合成孔径雷达SAR图像进行分类,无需对极化合成孔径雷达SAR图像的极化目标进行分解,可直接从极化散射矩阵中提取特征,充分利用极化SAR数据的方向信息,更全面细致地描述图像特征,有效地提高了极化合成孔径雷达SAR图像的分类精度。
Claims (5)
1.一种基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法,其特征在于,包括如下步骤:
(1)输入一幅待分类的每一个像素点为2×2的极化散射矩阵的极化SAR图像;
(2)预处理数据:
采用实虚分离方法对待分类的极化SAR图像中的每一个像素点提取特征,得到极化SAR图像的8维实数特征矩阵;
(3)特征矩阵归一化及取块;
将特征矩阵中的元素值归一化到[0,1]之间,得到归一化后的特征矩阵,对归一化后的特征矩阵按步长为1的滑窗取块,得到1560000个32×32的特征矩阵块,将所有特征矩阵块组成基于特征矩阵块的数据集;
(4)构造数据集:
(4a)在所有特征矩阵块中随机选取8%的特征矩阵块,组成无标签训练数据集;
(4b)在有标记的特征矩阵块的每个类别中随机选取5%的特征矩阵块,组成有标签训练数据集;
(4c)将选取有标签训练数据集后剩余的所有特征矩阵块,组成测试数据集;
(5)构造深度复卷积生成式对抗网络DCCGAN模型:
(5a)搭建一个依次由输入层→第一个复反卷积层→第二个复反卷积层→第三个复反卷积层→输出层组成的生成器G;
(5b)搭建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→二分类器组成的判别器D;
(5c)将生成器G和判别器D组成深度复卷积生成式对抗网络DCCGAN模型;
(6)训练深度复卷积生成式对抗网络DCCGAN模型:
将无标签训练数据集输入到深度复卷积生成式对抗网络DCCGAN模型中,对该模型进行训练,得到训练好的生成器和判别器组成的深度复卷积生成式对抗网络DCCGAN模型;
(7)构造判别分类网络模型并初始化模型:
(7a)构建一个依次由输入层→第一个复卷积层→第二个复卷积层→第三个复卷积层→softmax多分类器组成的判别分类网络模型;
(7b)利用训练好的深度复卷积生成式对抗网络DCCGAN模型中判别器每一个复卷积层的权重,初始化判别分类网络模型对应复卷积层的参数,用(0,1)区间的随机数初始化softmax分类器的参数;
(8)训练判别分类网络模型:
(8a)将有标签训练数据集输入到判别分类网络模型中,更新softmax分类器参数,得到训练好的softmax分类器;
(8b)将有标签训练数据集输入到判别分类网络模型中,更新整个判别分类网络模型参数,得到训练好的判别分类网络模型;
(9)预测分类:
利用训练好的判别分类网络模型,对待分类的极化SAR图像进行分类,得到极化SAR图像的像素类别。
2.根据权利要求1所述的基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法,其特征在于,步骤(2)中所述的实虚分离方法,具体步骤如下:
第一步,从下式矩阵每一复数元素中分别提取回波数据的实数数值:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>A</mi>
<mo>+</mo>
<mi>B</mi>
<mi>i</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>C</mi>
<mo>+</mo>
<mi>D</mi>
<mi>i</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mo>+</mo>
<mi>F</mi>
<mi>i</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mo>+</mo>
<mi>H</mi>
<mi>i</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,S表示待分类的极化合成孔径雷达SAR图像每一个像素点的极化散射矩阵,[]表示矩阵符号,A表示输入的极化散射矩阵S中垂直方向接收的垂直方向发射的回波数据的实部的实数数值,B表示输入的极化散射矩阵S中垂直方向接收的垂直方向发射的回波数据的虚部的实数数值,i表示虚数单位,C表示输入的极化散射矩阵S中水平方向接收的垂直方向发射的回波数据的实部的实数数值,D表示输入的极化散射矩阵S中水平方向接收的垂直方向发射的回波数据的虚部的实数数值,E表示输入的极化散射矩阵S中垂直方向接收的水平方向发射的回波数据的实部的实数数值,F表示输入的极化散射矩阵S中垂直方向接收的水平方向发射的回波数据的虚部的实数数值,G表示输入的极化散射矩阵S中水平方向接收的水平方向发射的回波数据的实部的实数数值,H表示输入的极化散射矩阵S中水平方向接收的水平方向发射的回波数据的虚部的实数数值;
第二步,将得到的A、B、C、D、E、F、G、H 8个实数数值按A、C、E、G、B、D、F、H顺序排列,组成8维的实数特征矩阵。
3.根据权利要求1所述的基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法,其特征在于,步骤(5a)中所述生成器G的每层参数设置如下:
输入层设置的单元个数为100;
第一个复反卷积层设置的特征映射图数目为256,滤波器尺寸为5;
第二个复反卷积层设置的特征映射图数目为128,滤波器尺寸为5;
第三个复反卷积层设置的特征映射图数目为64,滤波器尺寸为5;
输出层设置的特征映射图数目为8。
4.根据权利要求1所述的基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法,其特征在于,步骤(5b)中所述判别器D的每层参数设置如下:
输入层设置的特征映射图数目为8;
第一个复卷积层设置的特征映射图数目为64,滤波器尺寸为5;
第二个复卷积层设置的特征映射图数目为128,滤波器尺寸为5;
第三个复卷积层设置的特征映射图数目为256,滤波器尺寸为5;
二分类器设置的输出单元个数为1。
5.根据权利要求1所述的基于深度复卷积生成式对抗网络DCCGAN模型的极化SAR图像分类方法,其特征在于,步骤(7a)中所述判别分类网络模型的每层参数设置如下:
输入层设置的特征映射图数目为8;
第一个复卷积层设置的特征映射图数目为64,滤波器尺寸为5;
第二个复卷积层设置的特征映射图数目为128,滤波器尺寸为5;
第三个复卷积层设置的特征映射图数目为256,滤波器尺寸为5;
softmax多分类器设置的特征映射图数目为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711143547.7A CN107944370B (zh) | 2017-11-17 | 2017-11-17 | 基于dccgan模型的极化sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711143547.7A CN107944370B (zh) | 2017-11-17 | 2017-11-17 | 基于dccgan模型的极化sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944370A true CN107944370A (zh) | 2018-04-20 |
CN107944370B CN107944370B (zh) | 2019-07-02 |
Family
ID=61932757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711143547.7A Active CN107944370B (zh) | 2017-11-17 | 2017-11-17 | 基于dccgan模型的极化sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944370B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN108846426A (zh) * | 2018-05-30 | 2018-11-20 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
CN108931771A (zh) * | 2018-06-06 | 2018-12-04 | 电子科技大学 | 一种基于合成孔径雷达成像技术的目标跟踪方法 |
CN109255364A (zh) * | 2018-07-12 | 2019-01-22 | 杭州电子科技大学 | 一种基于深度卷积生成对抗网络的场景识别方法 |
CN109360231A (zh) * | 2018-10-25 | 2019-02-19 | 哈尔滨工程大学 | 基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法 |
CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
WO2019237240A1 (zh) * | 2018-06-12 | 2019-12-19 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
CN111368935A (zh) * | 2020-03-17 | 2020-07-03 | 北京航天自动控制研究所 | 一种基于生成对抗网络的sar时敏目标样本增广方法 |
CN111640087A (zh) * | 2020-04-14 | 2020-09-08 | 中国测绘科学研究院 | 一种基于sar深度全卷积神经网络的影像变化检测方法 |
CN111915545A (zh) * | 2020-08-06 | 2020-11-10 | 中北大学 | 一种多波段图像的自监督学习融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020057216A1 (en) * | 1999-11-05 | 2002-05-16 | Richardson Dennis W. | A-Scan ISAR classification system and method therefor |
EP2138956A1 (en) * | 2008-06-23 | 2009-12-30 | Raytheon Company | Adaptive match metric selection for automatic target recognition |
CN103294792A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN103365985A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 一种类别自适应的极化sar分类方法 |
CN106845471A (zh) * | 2017-02-20 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视觉显著性预测方法 |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
-
2017
- 2017-11-17 CN CN201711143547.7A patent/CN107944370B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020057216A1 (en) * | 1999-11-05 | 2002-05-16 | Richardson Dennis W. | A-Scan ISAR classification system and method therefor |
EP2138956A1 (en) * | 2008-06-23 | 2009-12-30 | Raytheon Company | Adaptive match metric selection for automatic target recognition |
CN103294792A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN103365985A (zh) * | 2013-06-25 | 2013-10-23 | 西安电子科技大学 | 一种类别自适应的极化sar分类方法 |
CN106845471A (zh) * | 2017-02-20 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视觉显著性预测方法 |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805188B (zh) * | 2018-05-29 | 2020-08-21 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN108846426A (zh) * | 2018-05-30 | 2018-11-20 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
CN108846426B (zh) * | 2018-05-30 | 2022-01-11 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
CN108931771A (zh) * | 2018-06-06 | 2018-12-04 | 电子科技大学 | 一种基于合成孔径雷达成像技术的目标跟踪方法 |
WO2019237240A1 (zh) * | 2018-06-12 | 2019-12-19 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
CN109255364A (zh) * | 2018-07-12 | 2019-01-22 | 杭州电子科技大学 | 一种基于深度卷积生成对抗网络的场景识别方法 |
CN109255364B (zh) * | 2018-07-12 | 2021-06-08 | 杭州电子科技大学 | 一种基于深度卷积生成对抗网络的场景识别方法 |
CN109360231A (zh) * | 2018-10-25 | 2019-02-19 | 哈尔滨工程大学 | 基于分形深度卷积生成对抗网络的海冰遥感图像仿真方法 |
CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
CN109766830B (zh) * | 2019-01-09 | 2022-12-27 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
CN111368935A (zh) * | 2020-03-17 | 2020-07-03 | 北京航天自动控制研究所 | 一种基于生成对抗网络的sar时敏目标样本增广方法 |
CN111640087A (zh) * | 2020-04-14 | 2020-09-08 | 中国测绘科学研究院 | 一种基于sar深度全卷积神经网络的影像变化检测方法 |
CN111915545A (zh) * | 2020-08-06 | 2020-11-10 | 中北大学 | 一种多波段图像的自监督学习融合方法 |
CN111915545B (zh) * | 2020-08-06 | 2022-07-05 | 中北大学 | 一种多波段图像的自监督学习融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107944370B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
CN104915676B (zh) | 基于深层特征学习和分水岭的sar图像分类方法 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN102982338B (zh) | 基于谱聚类的极化sar图像分类方法 | |
CN108460342A (zh) | 基于卷积网和循环神经网络的高光谱图像分类方法 | |
CN108596213A (zh) | 一种基于卷积神经网络的高光谱遥感图像分类方法及系统 | |
CN103996047B (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN108564115A (zh) | 基于全卷积gan的半监督极化sar地物分类方法 | |
CN107239751A (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN107368852A (zh) | 一种基于非下采样轮廓波dcgan的极化sar图像分类方法 | |
CN107292336A (zh) | 一种基于dcgan的极化sar图像分类方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
CN109145832A (zh) | 基于dsfnn与非局部决策的极化sar图像半监督分类方法 | |
CN109145870A (zh) | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 | |
CN108764357A (zh) | 基于压缩-激发的聚合残差网络高光谱图像分类方法 | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN107341511A (zh) | 基于超像素与稀疏自编码器的极化sar图像分类方法 | |
CN107563420B (zh) | 基于散射能量和堆栈自编码的极化sar图像分类方法 | |
CN117612031A (zh) | 一种基于语义分割的撂荒地遥感识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |