CN110555483A - 基于fw-dcgan特征生成的极化sar分类方法 - Google Patents

基于fw-dcgan特征生成的极化sar分类方法 Download PDF

Info

Publication number
CN110555483A
CN110555483A CN201910846053.8A CN201910846053A CN110555483A CN 110555483 A CN110555483 A CN 110555483A CN 201910846053 A CN201910846053 A CN 201910846053A CN 110555483 A CN110555483 A CN 110555483A
Authority
CN
China
Prior art keywords
layer
network
data
sample
convolutional neural
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
Application number
CN201910846053.8A
Other languages
English (en)
Other versions
CN110555483B (zh
Inventor
缑水平
李继超
陈晓莹
焦昶哲
毛莎莎
李德博
焦李成
李阳阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201910846053.8A priority Critical patent/CN110555483B/zh
Publication of CN110555483A publication Critical patent/CN110555483A/zh
Application granted granted Critical
Publication of CN110555483B publication Critical patent/CN110555483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于FW‑DCGAN特征生成的极化SAR分类方法，主要解决极化SAR数据中分类样本分布不均衡问题。其方案为：对原始极化SAR数据特征提取；获取图像中数据较少地物的极化特征；生成服从Wishart分布的随机噪声Z；构建FW‑DCGAN网络并制作其训练样本S1，利用S1对FW‑DCGAN网络训练；预测噪声Z生成极化特征；构建卷积神经网络并制作其训练样本与测试样本；利用该训练样本对卷积神经网络进行训练，利用训练好的卷积神经网络对测试样本进行预测，得到分类结果。本发明均衡了极化SAR数据中样本分布，提高了数据量稀少地物的分类准确率及总体正确率，可用于极化SAR图像的大场景地物分类。

Description

基于FW-DCGAN特征生成的极化SAR分类方法
技术领域
本发明属于图像处理技术领域，特别涉及一种极化SAR地物分类方法，适用于极化SAR图像的大场景地物分类。
背景技术
近年来，随着极化合成孔径雷达系统的发展，获取的地物场景呈现越来越大的趋势，如何解决极化SAR图像的大场景地物分类成为现在亟需解决的问题。近年来，随着深度学习在计算机视觉、语音信号处理、自然语言处理等领域表现出的优良性能，如何将深度学习方法与极化SAR图像分类问题相结合也变成了如今极化SAR图像处理领域的热点问题。深度学习方法是通过逐层训练学习的思想，对于训练数据的内在属性特征不断挖掘，进而实现数据的抽象表示。
但是基于深度学习方法往往需要大量的数据进行训练以此来获取比较鲁棒的模型。然而在极化SAR图像中，一般只有少部分数据拥有标签，其中大部分数据缺乏正确的标记，因此，如何利用其中标记的少量样本训练优化学习模型是目前极化SAR图像处理领域中极为关键的问题。其次，在庞大的极化SAR数据中，并不是所有种类的样本数量是均衡的，如何将不同种类的地物样本数量均衡化也是极化SAR地物分类中亟需解决的问题。
针对以上问题，西安电子科技大学在其申请的专利“一种基于DCGAN的极化SAR图像分类方法”(专利申请号：CN201710440090.X，公开号：CN107292336A)，提出了利用DCGAN方法进行极化SAR图像分类，其实现步骤包括：获取极化散射矩阵S，对其进行分解得到奇次散射系数、偶次散射系数以及体散射系数，然后构建基于像素点的特征矩阵F；将基于像素点的特征矩阵F中的各元素值归一化到[0,1]之内，将归一化的结果记作特征矩阵F1；将特征矩阵F1中的每个元素通过其周围64×64的图像块进行替换，得到基于图像块的特征矩阵F2；构造无标签训练数据集D1的特征矩阵W1及有标签训练数据集D2的特征矩阵W2；构造测试数据集T的超像素聚类中心的特征矩阵W3；得到训练后的训练网络模型DCGAN；构建判别分类网络模型,然后通过判别分类网络模型对特征矩阵W3进行分类。该方法虽然可以提高分类结果的精度，但不足之处在于其对测试数据进行预测时仍要基于SLIC超像素算法划分超像素，进而得到超像素的聚类中心，这一过程增加了预测数据过程的复杂性和时间成本。另外该方法没有考虑极化SAR数据分布不均衡问题，所以无法对极化SAR图像中一些类别所占比例较小的地物进行有针对性地提高其分类准确率，从而限制了该方法的总体分类准确率。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于FW-DCGAN特征生成的极化SAR分类方法，以对极化SAR图像中一些类别所占比例较小的地物进行有针对性地准确分类，提高总体分类准确率。
实现本发明目的技术方案是：独特地对极化特征进行生成，并且生成网络的初始化噪声采取服从Wishart分布的随机数据，并将生成数据与真实数据进行融合构造训练样本，为卷积神经网络的训练学习提供相对均衡而又丰富的数据，从而获得泛化能力更强的模型，进而获得更好的分类结果，其实现步骤包括如下：
(1)对整幅原始极化SAR数据进行特征提取，得到整幅原始SAR数据的散射熵H、各向异性系数A、散射角α这三种特征，构成整幅原始极化SAR数据的特征集X；
(2)选取一种数据量在原始极化SAR数据中所占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B，并在该地物B区域内部选取20％的样本，获得该区域的散射熵H′、各向异性系数A′、散射角α′这三种特征，构成该地物B区域的特征集XB；
(3)生成服从Wishart分布的随机噪声数据Z；
(4)构建由生成器网络G和判别器网络D构成的FW-DCGAN网络,并构造其训练样本：
(4a)构建由输入层、卷积层和输出层共6层结构的判别器网络D，并初始化判别网络D的各层参数；
(4b)构建由输入层，反卷积层和输出层共6层结构的生成器网络G，并初始化生成成器网络G的各层参数；
(4c)利用地物B区域的特征集合XB与随机噪声数据Z组成FW-DCGAN网络的训练样本S1；
(5)利用训练样本S1同时对判别器网络D与生成器网络G进行交叉训练，得到训练好的判别器网络D和训练好的生成器网络G；
(6)利用训练好的生成器网络G对随机噪声数据Z进行预测，得到生成的极化特征F；
(7)构建由输入层，卷积层，全连接层和softmax层共6层结构的卷积神经网络，并初始化卷积神经网络的各层参数；
(8)分别从生成的极化特征F、整幅原始极化SAR数据的特征集合X及原始极化SAR数据中各选取1％的数据，组成卷积神经网络的训练样本S2，其余数据作为测试样本；
(9)利用卷积神经网络的训练样本S2对卷积神经网络进行训练；
(10)利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果。
本发明与现有技术相比具有以下优点：
1)解决了极化SAR数据中分类样本分布不均衡问题
本发明使用FW-DCGAN网络生成极化特征而不是传统方法中生成极化SAR原始数据，并且对FW-DCGAN网络的生成网络中的初始化噪声进行改进，将噪声初始化为服从Wishart分布的随机数据而不是传统的基于高斯分布的随机数据，使得生成的特征更加符合极化SAR原始数据的分布。由此可以根据不同地物类别样本分布情况有针对性地生成新的特征样本，进而解决了极化SAR数据分类样本分布不均衡问题。
2)总体分类准确率更高
本发明基于FW-DCGAN网络对极化特征进行生成，并将生成的极化特征与原始极化SAR数据进行组合构造训练样本来训练卷积神经网络，而不是像传统方法中直接利用极化SAR原始数据，或直接利用生成的极化SAR数据来训练卷积神经网络，本发明这种构造训练样本的方法为卷积神经网络提供了相对均衡而又丰富的数据，进而提高了总体的分类正确率。
附图说明
图1是本发明的实现流程图；
图2是本发明仿真使用的极化SAR数据的PauliRGB合成图；
图3是本发明仿真使用的极化SAR数据的真实地物标记图；
图4是用现有卷积神经网络方法对图2进行仿真分类的结果图；
图5是用现有DCGAN方法对图2进行仿真分类的结果图；
图6是用本发明方法对图2进行仿真分类的结果图。
具体实施方式
下面结合附图对本发明的实施过程和效果作进一步详细描述。
参照图1，本发明的实现步骤如下：
步骤1.对整幅原始极化SAR数据进行特征提取。
(1a)使用polSARpro软件提取原始极化SAR数据的极化相干矩阵T；
(1b)采用Cloude分解方法对极化相干矩阵T进行分解，得到原始极化SAR数据的散射熵H、散射角α和各向异性系数A这三种极化特征；
(1c)构建一个大小为M×N×3的三维向量，分别将组合散射熵H、散射角α和各向异性系数A赋值给该向量的三个维度，得到整幅原始极化SAR数据的特征集合X，其中M，N分别是极化SAR图像的高和宽。
步骤2.获取在原始极化SAR数据中所占比例较小的地物的极化特征。
(2a)对原始极化SAR数据进行Pauli分解得到伪彩图像I；
(2b)结合伪彩图像I和真实地物标记，选取一种在原始极化SAR数据占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B；
(2c)选取地物B内一个大小为73*73的图像区域，在该图像区域内逐像素滑动获得100个大小为64*64子区域；
(2d)分别在原始极化SAR数据的散射熵H、散射角α和各向异性系数A上获取100子区域对应位置上的散射熵H′、各向异性系数A′和散射角α′；
(2e)构建100个大小为64×64×3的三维向量，分别将100子区域对应的散射熵H′、各向异性系数A′和散射角α′赋值给每个向量的三个维度，得到地物B区域的特征集XB。
步骤3.生成服从Wishart分布的随机噪声数据Z。
(3a)计算地物B区域内每个像素的Wishart距离特征di：
其中Ci表示给定像素点的极化协方差矩阵，其服从Wishart分布，trace(·)表示计算矩阵的迹，Const是取值为50的常数；
(3b)随机选取B区域内100个像素的Wishart距离特征值构成随机噪声数据Z＝{dj,j＝1,2,3...100}。
步骤4.构建由生成器网络G和判别器网络D构成的FW-DCGAN网络,并构造其训练样本。
(4a)构建判别器网络D，其结构如下：
第一层为输入层，其大小为64×64×3；
第二至第五层均为卷积层，其卷积核大小为5×5,步长为2，激活函数为LeakyReLU；
第六层为输出层，其神经元个数为1；
将每一层权重初始化为符合高斯分布的随机向量；
(4b)构建的生成器网络G，其结构如下：
第一层为输入层，其大小为100；
第二层为全连接层，其大小为8192；
第三至第六层均为反卷积层，其卷积核大小为5×5，步长为2，激活函数为Tanh；
将每一层权重初始化为符合高斯分布的随机向量。
(4c)利用地物B区域的特征集合XB与随机噪声数据Z组成FW-DCGAN网络的训练样本S1。
(4c1)分别将特征集XB与随机噪声数据Z的样本顺序完全打乱；
(4c2)按照1：1的比例从打乱后两组样本中共选取200个构成训练样本S1。
步骤5利用训练样本S1对FW-DCGAN网络进行训练。
(5a)从随机噪声数据Z中选取m个样本，记为一个训练批次{Zi,i＝1,2,3...m}，其中m＝50，Zi表示当前批次的第i个样本，将{Zi,i＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Zi),i＝1,2,3...m}；
(5b)从B区域的特征集XB中选取m个样本，记为一个训练批次 表示当前批次的第i个样本，将{G(Zi),i＝1,2,3...m}和输入到判别器网络D中，经过各个卷积层的特征提取得到输出结果{D(G(Zi)),i＝1,2,3...m}和
(5c)计算判别器网络D的损失函数ED：
(5d)更新判别器网络D的权重:
其中表示判别器网络D第l层的第k次迭代的权重，表示判别器网络D第l层的第k+1次迭代的权重；
(5e)判断S1中的样本是否均完成了步骤(5a)-(5d)，若是，则执行步骤(5f)，否则，重复执行(5a)-(5d)；
(5f)重新从随机噪声数据Z中选取m个样本，记为一个训练批次{Zj,j＝1,2,3...m}，其中m＝50，Zj表示当前批次的第j个样本，将{Zj,j＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Zj),j＝1,2,3...m}；
(5g)将{G(Zj),j＝1,2,3...m}输入到判别器网络D中，经过该网络中各个卷积层的特征提取，得到输出结果{D(G(Zj)),j＝1,2,3...m}；
(5h)计算生成器网络G的损失函数EG：
(5i)更新生成器网络G的权重：
其中表示生成器网络G第l层的第k次迭代的权重，表示生成器网络G第l层的第k+1次迭代的权重；
(5g)判断随机噪声数据Z中的所有样本都完成了步骤(5f)-(5i)，若是，则执行(5k)，否则，重复(5f)-(5i)；
(5k)判断是否达到网络的最大迭代次数50，若是，则终止训练过程，得到训练好的判别器网络D和训练好的生成器网络G，否则，回到步骤(5a)。
步骤6利用训练好的生成器网络G对随机噪声数据Z进行预测。
(6a)依次从随机噪声Z中选取一个样本，将该样本输入到训练好的生成器网络G中；
(6b)利用训练好的生成器网络G对样本依次进行全连接层映射和反卷积逐层上采样，得到网络的输出结果，该输出结果即为生成的极化特征F。
步骤7构建卷积神经网络，并初始化卷积神经网络的各层参数。
设定卷积神经网络结构如下：
第一层为输入层，其大小为9×9×7；
第二至第四层为卷积层，其卷积核大小设为3×3，步长为2，激活函数为Relu；
第五层为全连接层，其大小为5；
第六层为softmax层；
将每一层权重初始化为服从高斯分布的随机向量。
步骤8构造卷积神经网络的训练样本与测试样本。
分别从生成的极化特征F、整幅原始极化SAR数据的特征集合X及原始极化SAR数据中各选取1％的数据，并将这部分样本顺序完全打乱，组成卷积神经网络的训练样本S2，其余数据作为测试样本。
步骤9利用训练样本S2对卷积神经网络进行训练。
(9a)从训练样本S2中依次选取一个样本输入网络，通过3个卷积层进行特征提取，将卷积所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；
(9b)计算网络实际输出结果与理论输出结果的误差E：
其中表示第n个样本对应的第i维的理论输出结果，表示第n个样本对应的第i维的网络实际输出结果，c表示极化SAR地物类别数；
(9c)更新卷积神经网络的权重：
其中wl(k)表示卷积神经网络第l层的第k次迭代的权重，wl(k+1)表示卷积神经网络第l层的第k+1次迭代的权重；
(9d)判断S2中所有样本是否都完成了步骤(9a)-(9c)，若是，则执行步骤(9e)，否则，回到步骤(9a)；
(9e)判断是否达到网络的最大迭代次数50，若是，则结束训练过程，得到训练好的卷积神经网络，否则，重复步骤(9a)-(9d)。
步骤10利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果。
(10a)从测试样本中依次选取一个样本输入到训练好的卷积神经网络，通过卷积层进行特征提取，将卷积层所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；
(10b)使用5种不同的颜色对极化SAR图像中不同的地物加以区分，对网络输出结果进行上色，相同的输出结果涂上相同的颜色，不同输出结果涂上不同的颜色，得到极化SAR图像最终的分类结果。
本发明的效果可通过以下仿真进一步说明。
1.仿真数据与环境
仿真在Windows7，Matlab 2016b环境下进行，数据采用的是旧金山海湾的极化SAR图像，图像大小为1800×1380，分辨率是10m×5m，图2所示是由Pauli分解得到的伪彩图像，图3表示其对应的真实地物的标签图。
2.仿真内容
将图2所示的旧金山海湾地区的极化SAR图像作为测试图像，依据图3的真实地物标记对每个类别进行取样，制作训练样本库，将整幅图像作为测试样本库。
仿真一，用现有的卷积神经网络方法对图2进行分类，分类结果如图4所示。
仿真二，用现有的DCGAN方法对图2进行分类，分类结果如图5所示。
仿真三，用本发明方法对图2进行分类，分类结果如图6所示。
三个仿真实验每类地物的分类准确率及总体分类准确率，如表1所示。
表1
3.仿真效果分析
从表1可以看出，本发明的方法具有更高的总体分类准确率，结合图4、图5、图6和表1可以看到卷积神经网络方法和传统DCGAN网络均无法有效地区分的开发城区，而本发明方法对该地区的分类准确率有了非常明显地提升，虽然在海域和植被地区本发明方法的准确率比卷积神经网络的结果稍差，但是在低密度区和开发城区均实现了最高的分类精度。
仿真结果表明，本发明通过对原始极化SAR数据扩充后进行卷积神经网络学习，可以有效提高所生成地物的分类准确率。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于FW-DCGAN特征生成的极化SAR分类方法，其特征在于，包括：
(1)对整幅原始极化SAR数据进行特征提取，得到整幅原始SAR数据的散射熵H、各向异性系数A、散射角α这三种特征，构成整幅原始极化SAR数据的特征集X；
(2)选取一种数据量在原始极化SAR数据中所占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B，并在该地物B区域内部选取20％的样本，获得该区域的散射熵H′、各向异性系数A′、散射角α′这三种特征，构成该地物B区域的特征集XB；
(3)生成服从Wishart分布的随机噪声数据Z；
(4)构建由生成器网络G和判别器网络D构成的FW-DCGAN网络,并构造其训练样本：
(4a)构建由输入层、卷积层和输出层共6层结构的判别器网络D，并初始化判别网络D的各层参数；
(4b)构建由输入层，反卷积层和输出层共6层结构的生成器网络G，并初始化生成成器网络G的各层参数；
(4c)利用地物B区域的特征集合XB与随机噪声数据Z组成FW-DCGAN网络的训练样本S1；
(5)利用训练样本S1同时对判别器网络D与生成器网络G进行交叉训练，得到训练好的判别器网络D和训练好的生成器网络G；
(6)利用训练好的生成器网络G对随机噪声数据Z进行预测，得到生成的极化特征F；
(7)构建由输入层，卷积层，全连接层和softmax层共6层结构的卷积神经网络，并初始化卷积神经网络的各层参数；
(8)分别从生成的极化特征F、整幅原始极化SAR数据的特征集合X及原始极化SAR数据中各选取1％的数据，组成卷积神经网络的训练样本S2，其余数据作为测试样本；
(9)利用卷积神经网络的训练样本S2对卷积神经网络进行训练；
(10)利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果。
2.根据权利要求1所述的方法，其中所述(1)的实现如下：
(1a)使用polSARpro软件提取原始极化SAR数据的极化相干矩阵T；
(1b)采用Cloude分解方法对极化相干矩阵T进行分解，得到原始极化SAR数据的散射熵H、散射角α和各向异性系数A这三种极化特征；
(1c)构建一个大小为M×N×3的三维向量，分别将组合散射熵H、散射角α和各向异性系数A赋值给该向量的三个维度，得到整幅原始极化SAR数据的特征集合X，其中M，N分别是极化SAR图像的高和宽。
3.根据权利要求1所述的方法，其中所述(2)的实现如下:
(2a)对原始极化SAR数据进行Pauli分解得到伪彩图像I；
(2b)结合伪彩图像I和真实地物标记，选取一种在原始极化SAR数据占比例小于5％的地物或者真实标记在原始极化SAR数据所占比例小于5％的地物B；
(2c)选取地物B内一个大小为73*73的图像区域，在该图像区域内逐像素滑动获得100个大小为64*64子区域；
(2d)分别在原始极化SAR数据的散射熵H、散射角α和各向异性系数A上获取100子区域对应位置上的散射熵H′、各向异性系数A′和散射角α′；
(2e)构建100个大小为64×64×3的三维向量，分别将100子区域对应的散射熵H′、各向异性系数A′和散射角α′赋值给每个向量的三个维度，得到地物B区域的特征集XB。
4.根据权利要求1所述的方法，其中(3)中生成服从Wishart分布的随机噪声数据Z，其实现如下：
(3a)计算地物B区域内每个像素的Wishart距离特征di：
其中Ci表示给定像素点的极化协方差矩阵，其服从Wishart分布，trace(·)表示计算矩阵的迹，Const是取值为50的常数；
(3b)随机选取B区域内100个Wishart距离特征值构成随机噪声数据Z。
5.根据权利要求1所述的方法，其特征在于，所述(4a)中构建的判别器网络D，其结构如下：
第一层为输入层，其大小为64×64×3；
第二至第五层均为卷积层，其卷积核大小为5×5,步长为2，激活函数为LeakyReLU；
第六层为输出层，其神经元个数为1；
每一层权重初始化为符合高斯分布的随机向量；
所述(4b)中构建的生成器网络G，其结构如下：
第一层为输入层，其大小为100；
第二层为全连接层，其大小为8192；
第三至第六层均为反卷积层，其卷积核大小为5×5，步长为2，激活函数为Tanh；
每一层权重初始化为符合高斯分布的随机向量。
6.根据权利要求1所述的方法，其中(5)中利用训练样本S1同时对判别器网络D与生成器网络G进行交叉训练，其实现如下：
(5a)从随机噪声数据Z中选取m个样本，记为一个训练批次{Zi,i＝1,2,3...m}，其中m＝50，Zi表示当前批次的第i个样本，将{Zi,i＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Zi),i＝1,2,3...m}；
(5b)从B区域的特征集XB中选取m个样本，记为一个训练批次 表示当前批次的第i个样本，将{G(Zi),i＝1,2,3...m}和输入到判别器网络D中，经过各个卷积层的特征提取得到输出结果{D(G(Zi)),i＝1,2,3...m}和
(5c)计算判别器网络D的损失函数ED：
(5d)更新判别器网络D的权重:
其中表示判别器网络D第l层的第k次迭代的权重，表示判别器网络D第l层的第k+1次迭代的权重；
(5e)判断S1中的样本是否均完成了步骤(5a)-(5d)，若是，则执行步骤(5f)，否则，重复执行(5a)-(5d)；
(5f)重新从随机噪声数据Z中选取m个样本，记为一个训练批次{Zj,j＝1,2,3...m}，其中m＝50，Zj表示当前批次的第j个样本，将{Zj,j＝1,2,3...m}输入到生成器网络G中，经过全连接层的映射和反卷积层的上采样得到输出结果{G(Zj),j＝1,2,3...m}；
(5g)将{G(Zj),j＝1,2,3...m}输入到判别器网络D中，经过该网络中各个卷积层的特征提取，得到输出结果{D(G(Zj)),j＝1,2,3...m}；
(5h)计算生成器网络G的损失函数EG：
(5i)更新生成器网络G的权重：
其中表示生成器网络G第l层的第k次迭代的权重，表示生成器网络G第l层的第k+1次迭代的权重；
(5g)判断随机噪声数据Z中的所有样本都完成了步骤(5f)-(5i)，若是，则执行(5k)，否则，重复(5f)-(5i)；
(5k)判断是否达到网络的最大迭代次数50，若是，则终止训练过程，得到训练好的判别器网络D和训练好的生成器网络G，否则，回到步骤(5a)。
7.根据权利要求1所述的方法，其中(6)中利用训练好的生成器网络G对随机噪声数据Z进行预测，得到生成的极化特征F，其实现如下：
(6a)依次从随机噪声Z中选取一个样本，将该样本输入到训练好的生成器网络G中；
(6b)利用训练好的生成器网络G对样本依次进行全连接层映射和反卷积逐层上采样，得到网络的输出结果，该输出结果即为生成的极化特征F。
8.根据权利要求1所述的方法，其中(7)中构建的由输入层，卷积层，全连接层和softmax层共6层结构的卷积神经网络，其结构如下：
第1层为输入层，其大小为9×9×7；
第2-4层为卷积层，其卷积核大小设为3×3，步长为2，激活函数为Relu；
第5层为全连接层，其大小为5；
第6层为softmax层；
每一层权重初始化为从多维高斯分布取样的随机向量。
9.根据权利要求1所述的方法，其中(9)中利用卷积神经网络训练样本S2对卷积神经网络进行训练，其实现如下：
(9a)从训练样本S2中依次选取一个样本输入网络，通过3个卷积层进行特征提取，将卷积所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；
(9b)计算网络实际输出结果与理论输出结果的误差E：
其中表示第n个样本对应的第i维的理论输出结果，表示第n个样本对应的第i维的网络实际输出结果，c表示极化SAR地物类别数；
(9c)更新卷积神经网络的权重：
其中wl(k)表示卷积神经网络第l层的第k次迭代的权重，wl(k+1)表示卷积神经网络第l层的第k+1次迭代的权重；
(9d)判断S2中所有样本是否都完成了步骤(9a)-(9c)，若是，则执行步骤(9e)，否则，回到步骤(9a)；
(9e)判断是否达到网络的最大迭代次数50，若是，则结束训练过程，得到训练好的卷积神经网络，否则，重复步骤(9a)-(9d)。
10.根据权利要求1所述的方法，其中(10)中利用训练好的卷积神经网络对测试样本进行预测，得到最终的分类结果，其实现如下：
(10a)从测试样本中依次选取一个样本输入到训练好的卷积神经网络，通过卷积层进行特征提取，将卷积层所得特征输入到全连接层进行映射得到特征向量，将该特征向量输入到softmax层计算得到网络输出结果；
(10b)使用5种不同的颜色对极化SAR图像中不同的地物加以区分，对网络输出结果进行上色，相同的输出结果涂上相同的颜色，不同输出结果涂上不同的颜色，得到极化SAR图像最终的分类结果。
CN201910846053.8A 2019-09-09 2019-09-09 基于fw-dcgan特征生成的极化sar分类方法 Active CN110555483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910846053.8A CN110555483B (zh) 2019-09-09 2019-09-09 基于fw-dcgan特征生成的极化sar分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910846053.8A CN110555483B (zh) 2019-09-09 2019-09-09 基于fw-dcgan特征生成的极化sar分类方法

Publications (2)

Publication Number Publication Date
CN110555483A true CN110555483A (zh) 2019-12-10
CN110555483B CN110555483B (zh) 2022-12-02

Family

ID=68739432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910846053.8A Active CN110555483B (zh) 2019-09-09 2019-09-09 基于fw-dcgan特征生成的极化sar分类方法

Country Status (1)

Country Link
CN (1) CN110555483B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950198A (zh) * 2020-08-10 2020-11-17 北京环境特性研究所 一种基于神经网络的地杂波仿真方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292317A (zh) * 2017-06-26 2017-10-24 西安电子科技大学 基于浅层特征与t矩阵深度学习的极化sar分类方法
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108564006A (zh) * 2018-03-26 2018-09-21 西安电子科技大学 基于自步学习卷积神经网络的极化sar地物分类方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN107292317A (zh) * 2017-06-26 2017-10-24 西安电子科技大学 基于浅层特征与t矩阵深度学习的极化sar分类方法
CN108564006A (zh) * 2018-03-26 2018-09-21 西安电子科技大学 基于自步学习卷积神经网络的极化sar地物分类方法
US20180357542A1 (en) * 2018-06-08 2018-12-13 University Of Electronic Science And Technology Of China 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950198A (zh) * 2020-08-10 2020-11-17 北京环境特性研究所 一种基于神经网络的地杂波仿真方法
CN111950198B (zh) * 2020-08-10 2024-02-02 北京环境特性研究所 一种基于神经网络的地杂波仿真方法

Also Published As

Publication number Publication date
CN110555483B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN113298818B (zh) 基于注意力机制与多尺度特征的遥感图像建筑物分割方法
Xie et al. Multilevel cloud detection in remote sensing images based on deep learning
CN110363215B (zh) 基于生成式对抗网络的sar图像转化为光学图像的方法
CN108108751B (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN111598174B (zh) 基于半监督对抗学习的模型训练方法及图像变化分析方法
CN108764063B (zh) 一种基于特征金字塔的遥感影像时敏目标识别系统及方法
CN114758288B (zh) 一种配电网工程安全管控检测方法及装置
CN106295613A (zh) 一种无人机目标定位方法及系统
CN108764298B (zh) 基于单分类器的电力图像环境影响识别方法
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN111553869B (zh) 一种空基视角下的生成对抗网络图像补全方法
CN112489164B (zh) 基于改进深度可分离卷积神经网络的图像着色方法
CN115222946B (zh) 一种单阶段实例图像分割方法、装置以及计算机设备
CN112434745A (zh) 基于多源认知融合的遮挡目标检测识别方法
CN107944459A (zh) 一种rgb‑d物体识别方法
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN113256649B (zh) 一种基于深度学习的遥感图像选站选线语义分割方法
CN114155371A (zh) 基于通道注意力与金字塔卷积融合的语义分割方法
Tang et al. A multiple-point spatially weighted k-NN method for object-based classification
CN117475236B (zh) 用于矿产资源勘探的数据处理系统及其方法
CN117079132A (zh) 基于高斯距离损失的遥感图像目标检测方法
CN111860124A (zh) 基于空谱胶囊生成对抗网络的遥感图像分类方法
CN108256557B (zh) 结合深度学习和邻域集成的高光谱图像分类方法
CN111626380A (zh) 一种基于超像素和卷积网络的极化sar图像分类方法
CN110555483B (zh) 基于fw-dcgan特征生成的极化sar分类方法

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